{"content_id":"iwjyzvg4t2","slug":"geo-eeat-scoring-system-design","locale":"pt","schema_type":"TechArticle","category":"ai_data","category_name":"Dados de IA","title":"Como pontuar E-E-A-T de forma reproduzível em ferramentas de análise GEO","summary":"E-E-A-T não é uma pontuação oficial fornecida pelo Google nem uma fórmula pública de citação de IA generativa. Em ferramentas de análise GEO, não se deve permitir que o LLM determine arbitrariamente a pontuação; é preciso extrair sinais verificáveis do mesmo snapshot da web e calcular a pontuação e o grau de confiança por meio de código com regras e versões fixas.","sponsorship_disclosure":null,"affiliate_disclosure":null,"commerce_disclosure":null,"author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Para obter o mesmo resultado com a mesma entrada, é preciso fixar conjuntamente as versões do snapshot da página web, das regras de avaliação, dos pesos e das fontes de dados.","Experience, Expertise, Authoritativeness e Trustworthiness devem ser avaliados com evidências distintas, separando especialmente as autodeclarações da verificação externa.","O LLM é mais adequado a um papel limitado, no qual explica as evidências extraídas e os resultados calculados pelo código, em vez de calcular a pontuação final.","A pontuação E-E-A-T e a pontuação de probabilidade de citação por IA são relacionadas, mas não idênticas, portanto devem ser calculadas em módulos separados.","Não se deve divulgar apenas a pontuação, mas também os URLs das fontes, os trechos extraídos, as regras de decisão, o status dos dados ausentes e o grau de confiança da avaliação."],"content_markdown":"GEO (Generative Engine Optimization) é um conceito prático voltado a melhorar e analisar a probabilidade de um conteúdo ser descoberto e utilizado como fundamento para respostas em ambientes de IA generativa, como ChatGPT e Gemini. No entanto, os serviços de IA generativa não divulgaram uma fórmula completa para a seleção de fontes, e também não existe uma pontuação-padrão única amplamente adotada para GEO.\n\nO E-E-A-T do Google significa Experience, Expertise, Authoritativeness e Trustworthiness, mas não é uma métrica oficial que o Google divulga para cada página da web. Portanto, é necessário deixar claro que uma indicação como “78 pontos de E-E-A-T” exibida por uma ferramenta de análise não é uma avaliação do Google, mas uma métrica observacional definida pela própria ferramenta.\n\n## Por que não se deve deixar a pontuação diretamente a cargo de um LLM\n\nÉ possível criar rapidamente um protótipo inserindo uma página inteira em um LLM e pedindo que ele avalie experiência, especialização, autoridade e confiabilidade, cada uma em uma escala de 100 pontos. No entanto, esse método apresenta os seguintes problemas como sistema de medição operacional.\n\n- Mesmo com o mesmo conteúdo e prompt, a pontuação pode variar a cada execução.\n- Se o modelo ou fornecedor mudar, torna-se difícil comparar a pontuação com resultados anteriores.\n- Podem ocorrer alucinações que inferem experiência profissional, qualificações ou reputação inexistentes na página.\n- É difícil auditar as frases e regras que influenciaram a pontuação.\n- Sem verificação externa, a apresentação que o próprio site faz de si mesmo pode ser aceita como fato.\n- Se documentos longos forem truncados ou se a ordem de extração mudar, o resultado da avaliação também poderá mudar.\n\nA estrutura recomendada é a seguinte.\n\n```text\n웹사이트\n  → 단일 시점 스냅샷 수집\n  → 본문·메타데이터·엔티티·주장 추출\n  → 외부 자료와 교차 검증\n  → 버전이 고정된 규칙으로 점수 계산\n  → 점수·근거·신뢰도 저장\n  → LLM이 결과를 자연어로 설명\n```\n\nIsso não significa que o LLM não deva ser usado de forma alguma. Ele pode ser utilizado para classificar frases, extrair possíveis alegações e pesquisar variações de nomes, mas os resultados devem ser vinculados às evidências do texto original e armazenados em cache. Deixar o cálculo aritmético final e as regras de limite e penalização a cargo do código aumenta a reprodutibilidade e a possibilidade de auditoria.\n\n## Alvo e escopo da avaliação que devem ser definidos primeiro\n\nAntes de calcular a pontuação, é necessário fixar o que será avaliado. Os sinais do site como um todo, da organização, do autor e de cada documento individual não são intercambiáveis.\n\n| Unidade de avaliação | Pergunta principal | Evidências representativas |\n|---|---|---|\n| Documento | As alegações e o processo de elaboração deste texto são confiáveis? | Corpo do texto, citações, data de autoria, data de modificação, dados experimentais |\n| Autor | É possível confirmar experiência ou especialização para tratar deste assunto? | Página do autor, qualificações, carreira, histórico de pesquisas e publicações |\n| Organização | A entidade responsável pela publicação é identificada e possui uma estrutura de responsabilização? | Sobre a empresa, informações de contato, política editorial, dados de Organization |\n| Domínio | É reconhecido externamente como fonte sobre o assunto em questão? | Citações por instituições independentes, backlinks relevantes, materiais jornalísticos e acadêmicos |\n| Superfície técnica | O crawler consegue ler o conteúdo e as informações sobre as fontes? | Código de status, política de robots, canonical, HTML, dados estruturados |\n\nO assunto também deve ser classificado. Áreas em que informações incorretas podem causar grandes danos, como medicina, finanças e direito, exigem evidências de especialização e confiabilidade diferentes das avaliações sobre hobbies pessoais. Se um único conjunto fixo de pesos for aplicado a todas as áreas, o significado da pontuação será enfraquecido.\n\n## Como coletar o mesmo snapshot da web\n\nO analisador deve compartilhar um snapshot salvo uma única vez. Se o corpo do texto for solicitado novamente às 10h, o JSON-LD às 10h05 e a página do autor às 10h10, estados diferentes podem acabar misturados.\n\nSempre que possível, os seguintes itens devem ser armazenados no snapshot.\n\n- URL final, caminho de redirecionamento, código de status HTTP e cabeçalhos da resposta\n- HTML original e, quando necessário, HTML renderizado\n- Corpo extraído, título, descrição, canonical e informações de idioma\n- Autor, data de publicação, data de modificação e organização responsável pela publicação\n- Links internos e externos e textos-âncora\n- Dados estruturados, como JSON-LD e Microdata\n- Diretivas de robots e URLs relacionadas identificadas no sitemap\n- Horário da coleta, versão do coletor e hash do conteúdo\n\nAo explorar várias páginas, não se deve depender apenas da página inicial. Usando sitemap.xml e links internos, devem ser examinadas, em profundidade limitada, páginas candidatas como About, Company, Team, Author, Profile, Editorial Policy, Contact, Privacy e Terms. Não se deve coletar de forma excessiva páginas com informações pessoais ou restrições de uso, e também é necessário verificar a política de robots, os termos de serviço e a legislação aplicável.\n\n## Separação entre evidências on-site e off-site\n\nDados on-site são informações publicadas diretamente pelo próprio site. Isso inclui apresentação do autor, descrição de produtos, casos de clientes, política editorial, informações de contato e dados estruturados de Person e Organization.\n\nDados off-site mostram como fontes externas independentes confirmam o autor ou a organização. Isso inclui materiais de órgãos governamentais e públicos, instituições acadêmicas, associações profissionais, veículos de imprensa confiáveis, materiais do setor, perfis externos, backlinks relevantes e citações.\n\nOs dois tipos de evidência devem ser diferenciados na pontuação.\n\n- Frases autopromocionais como “o melhor do setor” não constituem evidência independente de Authority.\n- Mesmo em uma matéria externa, materiais que apenas reproduzem integralmente um comunicado à imprensa têm baixa independência.\n- Se a mesma matéria tiver sido duplicada em URLs diferentes, o número de fontes não deve ser contado mais de uma vez.\n- A entidade deve ser confirmada para evitar associar realizações de outra pessoa ou organização com o mesmo nome.\n- Links sameAs são indícios para conectar possíveis entidades, e não garantias automáticas da veracidade da experiência profissional indicada.\n\n## Experience: transformar experiência direta em evidência\n\nExperience avalia a experiência direta de um autor ao usar um produto, visitar um local, executar um procedimento ou conduzir um experimento. Ela é distinta de Expertise. Um comprador que usou um notebook por um longo período pode ter ampla experiência prática, mas isso não significa que seja especialista em engenharia de baterias.\n\n### Sinais a serem detectados\n\n- Expressões indicando uso, compra, visita, instalação, operação ou comparação direta\n- Período de uso, número de testes, tamanho da amostra, ambiente e equipamentos\n- Etapas executadas, processo de falha, restrições e exceções\n- Imagens capturadas diretamente, logs, dados brutos e procedimentos de reprodução\n- Resultados anteriores e posteriores à medição e método de medição\n\nAtribuir uma pontuação alta com base apenas em uma frase como “eu mesmo usei” facilita a manipulação. Números específicos também não comprovam, por si só, que algo é verdadeiro. Eles devem ser tratados como evidências mais fortes quando o método de medição, o período, os dados brutos e o contexto forem consistentes entre si.\n\nA pontuação de experiência pode ser hierarquizada da seguinte forma.\n\n| Nível | Exemplo | Princípio de tratamento |\n|---|---|---|\n| Fraco | Existe apenas uma declaração de que houve uso | Pontuação básica baixa |\n| Médio | Período, ambiente e procedimento são específicos | Adicionar pontuação de especificidade |\n| Forte | São fornecidos dados brutos, fotos, logs e critérios de comparação | Adicionar pontuação de verificabilidade |\n| Verificado | Coincide com materiais independentes ou testes de reprodução | Aplicar peso de verificação cruzada |\n\n## Expertise: avaliação da especialização verificável\n\nExpertise avalia se a pessoa possui os conhecimentos e as competências necessários para tratar corretamente do assunto. Apenas exibir a palavra “especialista” ao lado do nome não é suficiente.\n\nOs possíveis elementos de análise são os seguintes.\n\n- Cargo relevante, afiliação, área de atuação e duração da experiência profissional\n- Formação acadêmica, certificações reconhecidas, licenças e órgãos emissores\n- Pesquisas, artigos, livros, aulas e projetos relacionados\n- Experiência profissional real relacionada ao assunto\n- Exatidão, escopo, limitações e fontes das explicações especializadas\n- Revisor especialista e data da revisão\n\nSe o valor do autor for um nome de função como `admin`, `administrator`, `관리자`, `운영자`, `운영팀` ou `editor`, ele não deve ser identificado como uma pessoa real. Mesmo quando houver dados estruturados de Person, deve-se verificar se eles coincidem com as informações do autor exibidas na tela.\n\nA especialização deve refletir a adequação ao assunto. A habilitação como advogado pode ser um sinal forte para conteúdo jurídico, mas não comprova automaticamente especialização em todos os assuntos médicos ou técnicos. Em áreas nas quais é necessário verificar qualificações, o nível de verificação deve ser elevado quando for possível vincular o órgão emissor ou uma fonte oficial de consulta.\n\n## Authoritativeness: reconhecimento externo e correspondência de entidades\n\nAuthoritativeness avalia até que ponto uma pessoa, organização ou site é reconhecido externamente em determinado assunto. A qualidade, relevância temática, independência e diversidade das fontes são mais importantes do que o simples volume de menções.\n\nO analisador de autoridade pode seguir o procedimento abaixo.\n\n1. Criar entidades padronizadas para o nome da organização, nome do autor, domínio e marca.\n2. Vincular aliases confirmados, como nomes anteriores, nomes em inglês e abreviações.\n3. Determinar se documentos externos se referem à mesma entidade.\n4. Avaliar a independência, qualidade, relevância temática e atualidade da fonte.\n5. Agrupar redistribuições de comunicados à imprensa e duplicações do mesmo documento.\n6. Distinguir se a citação ou menção representa reconhecimento positivo, simples enumeração ou crítica.\n\nAo analisar a web em coreano usando apenas Wikipedia, Wikidata, Reddit e veículos de imprensa de língua inglesa, a autoridade de instituições e empresas locais pode ser subestimada. De acordo com o mercado avaliado, o registro de fontes deve incluir órgãos governamentais e públicos, dados públicos, bases de dados acadêmicas, associações profissionais, grandes veículos de imprensa e publicações especializadas do setor. Por outro lado, não se deve concluir que existe autoridade global apenas com base na exposição em portais de determinado país.\n\nÉ recomendável registrar no catálogo de fontes a jurisdição, a entidade responsável pela publicação, o escopo temático, a independência, se é a fonte original, a frequência de atualização e as condições de acesso. Mesmo com a inclusão de fontes específicas de cada país, as regras de pontuação e os critérios de seleção devem ser divulgados.\n\n## Trustworthiness: o eixo de segurança mais amplo e importante\n\nTrustworthiness sustenta os outros três elementos. Mesmo que haja experiência direta e qualificações, podem ser aplicados limites à avaliação total quando forem confirmadas alegações falsas, ocultação de conflitos de interesse ou manipulação de fontes.\n\nOs itens a serem verificados no módulo de confiabilidade são os seguintes.\n\n### Entidade responsável pela publicação e responsabilização\n\n- A organização operadora e o autor são apresentados com clareza?\n- Formas de contato e informações de atendimento ao cliente existem em páginas reais?\n- É possível verificar as políticas de edição, revisão e correção?\n- Publicidade, patrocínio, afiliação e conflitos de interesse são diferenciados?\n\n### Alegações e evidências\n\n- Os fatos principais estão vinculados a fontes originais ou evidências adequadas?\n- Citações e estatísticas são coerentes com a intenção do texto original?\n- A data de publicação, a data de modificação e as alterações reais no conteúdo são consistentes?\n- Fatos, opiniões e alegações publicitárias estão claramente diferenciados?\n- Incertezas, escopo de aplicação, exceções e limitações são informados?\n\n### Transações e segurança\n\n- A política de privacidade e os termos de uso são fornecidos de modo adequado à natureza do serviço?\n- As condições de pagamento, reembolso e entrega são claras nos sites em que são necessárias?\n- Não existem riscos técnicos como ausência de HTTPS, redirecionamentos maliciosos ou certificados quebrados?\n- Informações médicas, financeiras ou jurídicas evitam afirmações categóricas ou garantias perigosas?\n\nA mera existência de HTTPS ou de uma política de privacidade não torna o conteúdo preciso. Esses são sinais básicos de segurança, e a confiabilidade das alegações deve ser verificada separadamente.\n\n## Dados estruturados e verificação de entidades\n\nDados estruturados de Person e Organization apresentam nomes, afiliações, cargos, URLs oficiais e relações com perfis externos de uma forma que as máquinas podem compreender com facilidade. Os campos author, publisher, datePublished e dateModified de Article também são úteis para representar a estrutura de origem de um documento.\n\nNo entanto, a marcação Schema deve ser avaliada de acordo com os seguintes princípios.\n\n- Verificar se os dados estruturados coincidem com o conteúdo visível na tela.\n- Não confirmar qualificações, prêmios ou reputação como fatos apenas porque estão presentes.\n- Verificar se identificadores e relações entre Person, Organization e Article são consistentes.\n- Confirmar se o destino de sameAs é realmente um perfil oficial.\n- Separar erros de sintaxe da ausência de propriedades obrigatórias e recomendadas.\n- Não considerar como ponto positivo o uso excessivo ou irrelevante de tipos de Schema.\n\nDados estruturados são uma camada de representação que auxilia a compreensão e a extração. Eles não garantem uma classificação elevada nas buscas nem citações por IA generativa.\n\n## Elaboração de uma fórmula de pontuação reproduzível\n\nSe cada sinal for tratado apenas como “presente ou ausente”, as diferenças de qualidade serão ignoradas. Separar os valores da seguinte forma facilita o rastreamento das evidências.\n\n- `presence`: presença do sinal ou grau de atendimento\n- `verification`: grau de verificação independente\n- `relevance`: relevância para o assunto avaliado\n- `source_quality`: qualidade e independência da fonte da evidência\n- `freshness`: validade de sinais que exigem atualidade\n- `weight`: importância do sinal gerenciada por versão\n\nUm exemplo de fórmula é o seguinte.\n\n```text\n신호 기여도 = weight × presence × verification × relevance × source_quality × freshness\n차원 점수 = 100 × 기여도 합계 ÷ 적용 가능한 weight 합계\n```\n\nEssa fórmula é um exemplo de projeto, e não uma fórmula oficial de E-E-A-T. Cada coeficiente pode ser normalizado entre 0 e 1. Apenas itens que logicamente não se aplicam devem ser excluídos como `N/A`; quando uma evidência necessária não for encontrada, o estado deve ser armazenado como `missing`, diferenciando-o de uma pontuação zero.\n\n### Exibição da confiança separadamente da pontuação\n\nMesmo um resultado de 78 pontos é difícil de considerar confiável se metade das páginas obrigatórias não tiver sido coletada. Portanto, a confiança da avaliação ou a cobertura das evidências deve ser calculada separadamente.\n\n```text\n평가 신뢰도 = 수집 커버리지 × 엔티티 일치도 × 검증 가능한 증거 비율\n```\n\nA tela de resultados deve exibir, no mínimo, os seguintes elementos em conjunto.\n\n- Pontuação por dimensão e pontuação geral\n- Confiança da avaliação\n- Estados confirmado, não confirmado, divergente e não aplicável\n- URL da evidência e trecho do texto original\n- Horário da coleta e hash do snapshot\n- Versões das regras, pesos e registro de fontes\n\n## Separação entre a pontuação geral de GEO e o E-E-A-T\n\nUm E-E-A-T elevado não significa necessariamente que o conteúdo será citado em respostas de IA. Os sistemas de resposta também podem considerar a adequação à pergunta, a facilidade de extração das informações, a atualidade, a capacidade de crawling e o formato do documento, e o método específico de seleção varia de acordo com o serviço.\n\nÉ melhor que uma ferramenta de GEO separe os módulos abaixo.\n\n| Módulo | Objeto de análise |\n|---|---|\n| E-E-A-T do conteúdo | Experiência, especialização, autoridade externa, confiabilidade |\n| Prontidão para citação por IA | Frases compreensíveis de forma independente, adequação à pergunta, vínculo com evidências, capacidade de síntese |\n| Autoridade da marca | Reconhecimento independente por instituições externas e correspondência de entidades |\n| Acessibilidade técnica | Crawling, códigos de status, canonical, renderização, acesso ao corpo do texto |\n| Qualidade do Schema | Sintaxe, correspondência com o conteúdo exibido, relações entre entidades |\n\nPor exemplo, a composição pode ser de 30% para prontidão para citação por IA, 20% para autoridade da marca, 20% para E-E-A-T do conteúdo, 20% para acessibilidade técnica e 10% para Schema. Essas proporções são apenas exemplos de política do produto. Os pesos reais devem ser ajustados com dados de validação específicos de cada assunto, e a versão deve ser exibida.\n\nNa prontidão para citação por IA, frases curtas não devem ser preferidas de forma incondicional. Deve-se avaliar se a alegação principal pode ser compreendida de forma independente, se as evidências e condições estão próximas e se a estrutura de tabelas, listas e títulos preserva o significado. Texto oculto, frases repetitivas e páginas em massa sem evidências, destinados a enganar mecanismos de busca ou IA, devem ser tratados como penalizações ou sinais de risco.\n\n## Estrutura para impedir a propagação de erros entre módulos\n\nSe cada analisador receber diretamente as conclusões de outro analisador, os erros iniciais poderão ser amplificados. O que deve ser compartilhado são o snapshot original e as evidências normalizadas, e não as conclusões.\n\n```text\nSnapshot Store\n ├─ Content / Claim Analyzer\n ├─ Author / Expertise Analyzer\n ├─ Entity / Authority Analyzer\n ├─ Trust Analyzer\n ├─ Technical Analyzer\n └─ Schema Analyzer\n          ↓\n Evidence Store → Deterministic Scorer → Explanation LLM\n```\n\nÉ recomendável que todos os registros de decisão incluam `claim_id`, `evidence_id`, posição no texto original, regra de decisão e versão do módulo. Apenas o JSON calculado e as frases de evidência permitidas devem ser enviados ao LLM, com uma restrição para que ele não acrescente novas qualificações ou informações sobre reputação externa.\n\n## Problemas frequentemente ignorados: incerteza e manipulação adversarial\n\nMuitas análises de GEO concentram-se em localizar sinais, mas não tratam suficientemente das situações em que um site tenta enganar o analisador. Esse problema deve ser operado como uma camada separada de qualidade e segurança.\n\n- Experiências profissionais e palavras-chave podem ser inseridas repetidamente em áreas invisíveis.\n- Autores falsos e dados estruturados de Person podem ser criados.\n- O mesmo comunicado à imprensa pode ser distribuído em vários domínios para inflar o volume de menções externas.\n- Pesquisas, qualificações e números inexistentes podem ser citados.\n- Apenas a data de modificação pode ser atualizada para apresentar um artigo antigo como conteúdo recente.\n- O sistema pode ser induzido a vincular incorretamente a autoridade de homônimos ou marcas semelhantes.\n\nAs formas de resposta incluem comparar o conteúdo exibido na tela com a marcação, agrupar fontes originais, verificar os emissores de qualificações, detectar alterações com base no hash do conteúdo, fazer a verificação cruzada dos atributos das entidades e detectar padrões anormais de links. Quando uma divergência grave for encontrada, é mais seguro aplicar um limite à pontuação geral ou o estado de revisão manual do que uma simples penalização.\n\n## Como validar o modelo de avaliação\n\nMesmo que a fórmula de pontuação seja determinística, isso não cria automaticamente validade para a avaliação. São necessários os testes a seguir.\n\n1. **Teste de repetibilidade:** verificar se o mesmo snapshot e a mesma versão produzem um resultado idêntico em nível de bits.\n2. **Conjunto de referência de especialistas:** comparar as evidências marcadas de forma independente por especialistas da área com os resultados do sistema.\n3. **Concordância entre avaliadores:** identificar itens nos quais até avaliadores humanos têm dificuldade para chegar a um consenso e revisar as regras.\n4. **Teste de perturbação:** verificar se a remoção do nome do autor, da data, do Schema ou dos links de evidência altera o resultado na direção esperada.\n5. **Teste de resistência à manipulação:** confirmar que frases ocultas, perfis falsos e comunicados à imprensa duplicados não aumentam excessivamente a pontuação.\n6. **Teste de viés regional:** medir se entidades de qualidade equivalente são sistematicamente prejudicadas de acordo com o idioma ou o país.\n7. **Calibração dos resultados:** ao usar dados observacionais de citações reais, registrar em conjunto a pergunta, o momento, o modelo e a localização.\n\nOs resultados de citações por IA generativa podem variar conforme a formulação da pergunta e as atualizações do serviço. Portanto, em vez de usar a taxa real de citações como verdade absoluta, é adequado tratá-la como uma métrica de validação externa com o momento claramente indicado.\n\n## Especificação de dados a incluir nos resultados operacionais\n\nA seguinte estrutura pode ser fornecida para que pessoas e outros sistemas possam verificar novamente os resultados.\n\n```json\n{\n  \"snapshot_id\": \"sha256:...\",\n  \"collected_at\": \"ISO-8601 timestamp\",\n  \"scoring_version\": \"eeat-1.3.0\",\n  \"scope\": \"document\",\n  \"topic_class\": \"software-review\",\n  \"scores\": {\n    \"experience\": 72,\n    \"expertise\": 61,\n    \"authoritativeness\": 54,\n    \"trustworthiness\": 80\n  },\n  \"confidence\": 0.74,\n  \"evidence\": [\n    {\n      \"dimension\": \"experience\",\n      \"status\": \"verified\",\n      \"source_url\": \"https://example.invalid/page\",\n      \"rule_id\": \"EXP-METHOD-02\"\n    }\n  ],\n  \"missing\": [\"independent_author_profile\"]\n}\n```\n\nA URL acima é uma string de exemplo inválida usada para mostrar a estrutura dos dados. Nos resultados reais, devem ser incluídas as URLs das evidências coletadas e as posições no texto original. Se não houver direito de republicar o texto original completo, devem ser armazenados apenas trechos curtos de evidência dentro do escopo necessário, além do hash e das informações de localização.\n\n## Checklist de implementação\n\n- Distinguir as unidades de avaliação entre documento, autor, organização e domínio.\n- Fornecer a todos os analisadores um snapshot do mesmo momento.\n- Separar alegações próprias da verificação externa independente.\n- Calcular experiência e especialização como dimensões separadas.\n- Gerenciar registros de fontes de Authority por país e idioma.\n- Verificar a correspondência entre os dados estruturados e o conteúdo exibido na tela.\n- Armazenar dados ausentes, divergências e itens não aplicáveis como estados diferentes.\n- Divulgar em conjunto a pontuação e a confiança da avaliação.\n- Aumentar a versão quando os pesos e as regras forem alterados.\n- Impedir que as explicações do LLM acrescentem fatos que estejam fora das evidências.\n- Criar mecanismos de detecção de manipulação e encaminhamento para revisão manual.\n- Ao observar resultados reais de citações por IA, registrar o modelo, a pergunta e o momento.\n\nO ponto central é não reduzir o E-E-A-T a uma única pontuação vaga baseada em impressão. Para que os resultados da análise de GEO se tornem dados utilizáveis em decisões operacionais e comparações de longo prazo, é necessário fornecer em conjunto evidências verificáveis, regras aplicadas, incertezas e a linhagem das fontes.","content_html":"\u003cp\u003eGEO (Generative Engine Optimization) é um conceito prático voltado a melhorar e analisar a probabilidade de um conteúdo ser descoberto e utilizado como fundamento para respostas em ambientes de IA generativa, como ChatGPT e Gemini. No entanto, os serviços de IA generativa não divulgaram uma fórmula completa para a seleção de fontes, e também não existe uma pontuação-padrão única amplamente adotada para GEO.\u003c/p\u003e\n\u003cp\u003eO E-E-A-T do Google significa Experience, Expertise, Authoritativeness e Trustworthiness, mas não é uma métrica oficial que o Google divulga para cada página da web. Portanto, é necessário deixar claro que uma indicação como “78 pontos de E-E-A-T” exibida por uma ferramenta de análise não é uma avaliação do Google, mas uma métrica observacional definida pela própria ferramenta.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#por-que-n%C3%A3o-se-deve-deixar-a-pontua%C3%A7%C3%A3o-diretamente-a-cargo-de-um-llm\" class=\"anchor\" id=\"por-que-não-se-deve-deixar-a-pontuação-diretamente-a-cargo-de-um-llm\"\u003e\u003c/a\u003ePor que não se deve deixar a pontuação diretamente a cargo de um LLM\u003c/h2\u003e\n\u003cp\u003eÉ possível criar rapidamente um protótipo inserindo uma página inteira em um LLM e pedindo que ele avalie experiência, especialização, autoridade e confiabilidade, cada uma em uma escala de 100 pontos. No entanto, esse método apresenta os seguintes problemas como sistema de medição operacional.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eMesmo com o mesmo conteúdo e prompt, a pontuação pode variar a cada execução.\u003c/li\u003e\n\u003cli\u003eSe o modelo ou fornecedor mudar, torna-se difícil comparar a pontuação com resultados anteriores.\u003c/li\u003e\n\u003cli\u003ePodem ocorrer alucinações que inferem experiência profissional, qualificações ou reputação inexistentes na página.\u003c/li\u003e\n\u003cli\u003eÉ difícil auditar as frases e regras que influenciaram a pontuação.\u003c/li\u003e\n\u003cli\u003eSem verificação externa, a apresentação que o próprio site faz de si mesmo pode ser aceita como fato.\u003c/li\u003e\n\u003cli\u003eSe documentos longos forem truncados ou se a ordem de extração mudar, o resultado da avaliação também poderá mudar.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eA estrutura recomendada é a seguinte.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003e웹사이트\n\u003c/span\u003e\u003cspan\u003e  → 단일 시점 스냅샷 수집\n\u003c/span\u003e\u003cspan\u003e  → 본문·메타데이터·엔티티·주장 추출\n\u003c/span\u003e\u003cspan\u003e  → 외부 자료와 교차 검증\n\u003c/span\u003e\u003cspan\u003e  → 버전이 고정된 규칙으로 점수 계산\n\u003c/span\u003e\u003cspan\u003e  → 점수·근거·신뢰도 저장\n\u003c/span\u003e\u003cspan\u003e  → LLM이 결과를 자연어로 설명\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eIsso não significa que o LLM não deva ser usado de forma alguma. Ele pode ser utilizado para classificar frases, extrair possíveis alegações e pesquisar variações de nomes, mas os resultados devem ser vinculados às evidências do texto original e armazenados em cache. Deixar o cálculo aritmético final e as regras de limite e penalização a cargo do código aumenta a reprodutibilidade e a possibilidade de auditoria.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#alvo-e-escopo-da-avalia%C3%A7%C3%A3o-que-devem-ser-definidos-primeiro\" class=\"anchor\" id=\"alvo-e-escopo-da-avaliação-que-devem-ser-definidos-primeiro\"\u003e\u003c/a\u003eAlvo e escopo da avaliação que devem ser definidos primeiro\u003c/h2\u003e\n\u003cp\u003eAntes de calcular a pontuação, é necessário fixar o que será avaliado. Os sinais do site como um todo, da organização, do autor e de cada documento individual não são intercambiáveis.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eUnidade de avaliação\u003c/th\u003e\n\u003cth\u003ePergunta principal\u003c/th\u003e\n\u003cth\u003eEvidências representativas\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unidade de avaliação\"\u003eDocumento\u003c/td\u003e\n\u003ctd data-label=\"Pergunta principal\"\u003eAs alegações e o processo de elaboração deste texto são confiáveis?\u003c/td\u003e\n\u003ctd data-label=\"Evidências representativas\"\u003eCorpo do texto, citações, data de autoria, data de modificação, dados experimentais\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unidade de avaliação\"\u003eAutor\u003c/td\u003e\n\u003ctd data-label=\"Pergunta principal\"\u003eÉ possível confirmar experiência ou especialização para tratar deste assunto?\u003c/td\u003e\n\u003ctd data-label=\"Evidências representativas\"\u003ePágina do autor, qualificações, carreira, histórico de pesquisas e publicações\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unidade de avaliação\"\u003eOrganização\u003c/td\u003e\n\u003ctd data-label=\"Pergunta principal\"\u003eA entidade responsável pela publicação é identificada e possui uma estrutura de responsabilização?\u003c/td\u003e\n\u003ctd data-label=\"Evidências representativas\"\u003eSobre a empresa, informações de contato, política editorial, dados de Organization\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unidade de avaliação\"\u003eDomínio\u003c/td\u003e\n\u003ctd data-label=\"Pergunta principal\"\u003eÉ reconhecido externamente como fonte sobre o assunto em questão?\u003c/td\u003e\n\u003ctd data-label=\"Evidências representativas\"\u003eCitações por instituições independentes, backlinks relevantes, materiais jornalísticos e acadêmicos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unidade de avaliação\"\u003eSuperfície técnica\u003c/td\u003e\n\u003ctd data-label=\"Pergunta principal\"\u003eO crawler consegue ler o conteúdo e as informações sobre as fontes?\u003c/td\u003e\n\u003ctd data-label=\"Evidências representativas\"\u003eCódigo de status, política de robots, canonical, HTML, dados estruturados\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eO assunto também deve ser classificado. Áreas em que informações incorretas podem causar grandes danos, como medicina, finanças e direito, exigem evidências de especialização e confiabilidade diferentes das avaliações sobre hobbies pessoais. Se um único conjunto fixo de pesos for aplicado a todas as áreas, o significado da pontuação será enfraquecido.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#como-coletar-o-mesmo-snapshot-da-web\" class=\"anchor\" id=\"como-coletar-o-mesmo-snapshot-da-web\"\u003e\u003c/a\u003eComo coletar o mesmo snapshot da web\u003c/h2\u003e\n\u003cp\u003eO analisador deve compartilhar um snapshot salvo uma única vez. Se o corpo do texto for solicitado novamente às 10h, o JSON-LD às 10h05 e a página do autor às 10h10, estados diferentes podem acabar misturados.\u003c/p\u003e\n\u003cp\u003eSempre que possível, os seguintes itens devem ser armazenados no snapshot.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eURL final, caminho de redirecionamento, código de status HTTP e cabeçalhos da resposta\u003c/li\u003e\n\u003cli\u003eHTML original e, quando necessário, HTML renderizado\u003c/li\u003e\n\u003cli\u003eCorpo extraído, título, descrição, canonical e informações de idioma\u003c/li\u003e\n\u003cli\u003eAutor, data de publicação, data de modificação e organização responsável pela publicação\u003c/li\u003e\n\u003cli\u003eLinks internos e externos e textos-âncora\u003c/li\u003e\n\u003cli\u003eDados estruturados, como JSON-LD e Microdata\u003c/li\u003e\n\u003cli\u003eDiretivas de robots e URLs relacionadas identificadas no sitemap\u003c/li\u003e\n\u003cli\u003eHorário da coleta, versão do coletor e hash do conteúdo\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eAo explorar várias páginas, não se deve depender apenas da página inicial. Usando sitemap.xml e links internos, devem ser examinadas, em profundidade limitada, páginas candidatas como About, Company, Team, Author, Profile, Editorial Policy, Contact, Privacy e Terms. Não se deve coletar de forma excessiva páginas com informações pessoais ou restrições de uso, e também é necessário verificar a política de robots, os termos de serviço e a legislação aplicável.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#separa%C3%A7%C3%A3o-entre-evid%C3%AAncias-on-site-e-off-site\" class=\"anchor\" id=\"separação-entre-evidências-on-site-e-off-site\"\u003e\u003c/a\u003eSeparação entre evidências on-site e off-site\u003c/h2\u003e\n\u003cp\u003eDados on-site são informações publicadas diretamente pelo próprio site. Isso inclui apresentação do autor, descrição de produtos, casos de clientes, política editorial, informações de contato e dados estruturados de Person e Organization.\u003c/p\u003e\n\u003cp\u003eDados off-site mostram como fontes externas independentes confirmam o autor ou a organização. Isso inclui materiais de órgãos governamentais e públicos, instituições acadêmicas, associações profissionais, veículos de imprensa confiáveis, materiais do setor, perfis externos, backlinks relevantes e citações.\u003c/p\u003e\n\u003cp\u003eOs dois tipos de evidência devem ser diferenciados na pontuação.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eFrases autopromocionais como “o melhor do setor” não constituem evidência independente de Authority.\u003c/li\u003e\n\u003cli\u003eMesmo em uma matéria externa, materiais que apenas reproduzem integralmente um comunicado à imprensa têm baixa independência.\u003c/li\u003e\n\u003cli\u003eSe a mesma matéria tiver sido duplicada em URLs diferentes, o número de fontes não deve ser contado mais de uma vez.\u003c/li\u003e\n\u003cli\u003eA entidade deve ser confirmada para evitar associar realizações de outra pessoa ou organização com o mesmo nome.\u003c/li\u003e\n\u003cli\u003eLinks sameAs são indícios para conectar possíveis entidades, e não garantias automáticas da veracidade da experiência profissional indicada.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#experience-transformar-experi%C3%AAncia-direta-em-evid%C3%AAncia\" class=\"anchor\" id=\"experience-transformar-experiência-direta-em-evidência\"\u003e\u003c/a\u003eExperience: transformar experiência direta em evidência\u003c/h2\u003e\n\u003cp\u003eExperience avalia a experiência direta de um autor ao usar um produto, visitar um local, executar um procedimento ou conduzir um experimento. Ela é distinta de Expertise. Um comprador que usou um notebook por um longo período pode ter ampla experiência prática, mas isso não significa que seja especialista em engenharia de baterias.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#sinais-a-serem-detectados\" class=\"anchor\" id=\"sinais-a-serem-detectados\"\u003e\u003c/a\u003eSinais a serem detectados\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eExpressões indicando uso, compra, visita, instalação, operação ou comparação direta\u003c/li\u003e\n\u003cli\u003ePeríodo de uso, número de testes, tamanho da amostra, ambiente e equipamentos\u003c/li\u003e\n\u003cli\u003eEtapas executadas, processo de falha, restrições e exceções\u003c/li\u003e\n\u003cli\u003eImagens capturadas diretamente, logs, dados brutos e procedimentos de reprodução\u003c/li\u003e\n\u003cli\u003eResultados anteriores e posteriores à medição e método de medição\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eAtribuir uma pontuação alta com base apenas em uma frase como “eu mesmo usei” facilita a manipulação. Números específicos também não comprovam, por si só, que algo é verdadeiro. Eles devem ser tratados como evidências mais fortes quando o método de medição, o período, os dados brutos e o contexto forem consistentes entre si.\u003c/p\u003e\n\u003cp\u003eA pontuação de experiência pode ser hierarquizada da seguinte forma.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eNível\u003c/th\u003e\n\u003cth\u003eExemplo\u003c/th\u003e\n\u003cth\u003ePrincípio de tratamento\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Nível\"\u003eFraco\u003c/td\u003e\n\u003ctd data-label=\"Exemplo\"\u003eExiste apenas uma declaração de que houve uso\u003c/td\u003e\n\u003ctd data-label=\"Princípio de tratamento\"\u003ePontuação básica baixa\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Nível\"\u003eMédio\u003c/td\u003e\n\u003ctd data-label=\"Exemplo\"\u003ePeríodo, ambiente e procedimento são específicos\u003c/td\u003e\n\u003ctd data-label=\"Princípio de tratamento\"\u003eAdicionar pontuação de especificidade\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Nível\"\u003eForte\u003c/td\u003e\n\u003ctd data-label=\"Exemplo\"\u003eSão fornecidos dados brutos, fotos, logs e critérios de comparação\u003c/td\u003e\n\u003ctd data-label=\"Princípio de tratamento\"\u003eAdicionar pontuação de verificabilidade\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Nível\"\u003eVerificado\u003c/td\u003e\n\u003ctd data-label=\"Exemplo\"\u003eCoincide com materiais independentes ou testes de reprodução\u003c/td\u003e\n\u003ctd data-label=\"Princípio de tratamento\"\u003eAplicar peso de verificação cruzada\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#expertise-avalia%C3%A7%C3%A3o-da-especializa%C3%A7%C3%A3o-verific%C3%A1vel\" class=\"anchor\" id=\"expertise-avaliação-da-especialização-verificável\"\u003e\u003c/a\u003eExpertise: avaliação da especialização verificável\u003c/h2\u003e\n\u003cp\u003eExpertise avalia se a pessoa possui os conhecimentos e as competências necessários para tratar corretamente do assunto. Apenas exibir a palavra “especialista” ao lado do nome não é suficiente.\u003c/p\u003e\n\u003cp\u003eOs possíveis elementos de análise são os seguintes.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eCargo relevante, afiliação, área de atuação e duração da experiência profissional\u003c/li\u003e\n\u003cli\u003eFormação acadêmica, certificações reconhecidas, licenças e órgãos emissores\u003c/li\u003e\n\u003cli\u003ePesquisas, artigos, livros, aulas e projetos relacionados\u003c/li\u003e\n\u003cli\u003eExperiência profissional real relacionada ao assunto\u003c/li\u003e\n\u003cli\u003eExatidão, escopo, limitações e fontes das explicações especializadas\u003c/li\u003e\n\u003cli\u003eRevisor especialista e data da revisão\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eSe o valor do autor for um nome de função como \u003ccode\u003eadmin\u003c/code\u003e, \u003ccode\u003eadministrator\u003c/code\u003e, \u003ccode\u003e관리자\u003c/code\u003e, \u003ccode\u003e운영자\u003c/code\u003e, \u003ccode\u003e운영팀\u003c/code\u003e ou \u003ccode\u003eeditor\u003c/code\u003e, ele não deve ser identificado como uma pessoa real. Mesmo quando houver dados estruturados de Person, deve-se verificar se eles coincidem com as informações do autor exibidas na tela.\u003c/p\u003e\n\u003cp\u003eA especialização deve refletir a adequação ao assunto. A habilitação como advogado pode ser um sinal forte para conteúdo jurídico, mas não comprova automaticamente especialização em todos os assuntos médicos ou técnicos. Em áreas nas quais é necessário verificar qualificações, o nível de verificação deve ser elevado quando for possível vincular o órgão emissor ou uma fonte oficial de consulta.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#authoritativeness-reconhecimento-externo-e-correspond%C3%AAncia-de-entidades\" class=\"anchor\" id=\"authoritativeness-reconhecimento-externo-e-correspondência-de-entidades\"\u003e\u003c/a\u003eAuthoritativeness: reconhecimento externo e correspondência de entidades\u003c/h2\u003e\n\u003cp\u003eAuthoritativeness avalia até que ponto uma pessoa, organização ou site é reconhecido externamente em determinado assunto. A qualidade, relevância temática, independência e diversidade das fontes são mais importantes do que o simples volume de menções.\u003c/p\u003e\n\u003cp\u003eO analisador de autoridade pode seguir o procedimento abaixo.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eCriar entidades padronizadas para o nome da organização, nome do autor, domínio e marca.\u003c/li\u003e\n\u003cli\u003eVincular aliases confirmados, como nomes anteriores, nomes em inglês e abreviações.\u003c/li\u003e\n\u003cli\u003eDeterminar se documentos externos se referem à mesma entidade.\u003c/li\u003e\n\u003cli\u003eAvaliar a independência, qualidade, relevância temática e atualidade da fonte.\u003c/li\u003e\n\u003cli\u003eAgrupar redistribuições de comunicados à imprensa e duplicações do mesmo documento.\u003c/li\u003e\n\u003cli\u003eDistinguir se a citação ou menção representa reconhecimento positivo, simples enumeração ou crítica.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eAo analisar a web em coreano usando apenas Wikipedia, Wikidata, Reddit e veículos de imprensa de língua inglesa, a autoridade de instituições e empresas locais pode ser subestimada. De acordo com o mercado avaliado, o registro de fontes deve incluir órgãos governamentais e públicos, dados públicos, bases de dados acadêmicas, associações profissionais, grandes veículos de imprensa e publicações especializadas do setor. Por outro lado, não se deve concluir que existe autoridade global apenas com base na exposição em portais de determinado país.\u003c/p\u003e\n\u003cp\u003eÉ recomendável registrar no catálogo de fontes a jurisdição, a entidade responsável pela publicação, o escopo temático, a independência, se é a fonte original, a frequência de atualização e as condições de acesso. Mesmo com a inclusão de fontes específicas de cada país, as regras de pontuação e os critérios de seleção devem ser divulgados.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#trustworthiness-o-eixo-de-seguran%C3%A7a-mais-amplo-e-importante\" class=\"anchor\" id=\"trustworthiness-o-eixo-de-segurança-mais-amplo-e-importante\"\u003e\u003c/a\u003eTrustworthiness: o eixo de segurança mais amplo e importante\u003c/h2\u003e\n\u003cp\u003eTrustworthiness sustenta os outros três elementos. Mesmo que haja experiência direta e qualificações, podem ser aplicados limites à avaliação total quando forem confirmadas alegações falsas, ocultação de conflitos de interesse ou manipulação de fontes.\u003c/p\u003e\n\u003cp\u003eOs itens a serem verificados no módulo de confiabilidade são os seguintes.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#entidade-respons%C3%A1vel-pela-publica%C3%A7%C3%A3o-e-responsabiliza%C3%A7%C3%A3o\" class=\"anchor\" id=\"entidade-responsável-pela-publicação-e-responsabilização\"\u003e\u003c/a\u003eEntidade responsável pela publicação e responsabilização\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eA organização operadora e o autor são apresentados com clareza?\u003c/li\u003e\n\u003cli\u003eFormas de contato e informações de atendimento ao cliente existem em páginas reais?\u003c/li\u003e\n\u003cli\u003eÉ possível verificar as políticas de edição, revisão e correção?\u003c/li\u003e\n\u003cli\u003ePublicidade, patrocínio, afiliação e conflitos de interesse são diferenciados?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#alega%C3%A7%C3%B5es-e-evid%C3%AAncias\" class=\"anchor\" id=\"alegações-e-evidências\"\u003e\u003c/a\u003eAlegações e evidências\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eOs fatos principais estão vinculados a fontes originais ou evidências adequadas?\u003c/li\u003e\n\u003cli\u003eCitações e estatísticas são coerentes com a intenção do texto original?\u003c/li\u003e\n\u003cli\u003eA data de publicação, a data de modificação e as alterações reais no conteúdo são consistentes?\u003c/li\u003e\n\u003cli\u003eFatos, opiniões e alegações publicitárias estão claramente diferenciados?\u003c/li\u003e\n\u003cli\u003eIncertezas, escopo de aplicação, exceções e limitações são informados?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#transa%C3%A7%C3%B5es-e-seguran%C3%A7a\" class=\"anchor\" id=\"transações-e-segurança\"\u003e\u003c/a\u003eTransações e segurança\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eA política de privacidade e os termos de uso são fornecidos de modo adequado à natureza do serviço?\u003c/li\u003e\n\u003cli\u003eAs condições de pagamento, reembolso e entrega são claras nos sites em que são necessárias?\u003c/li\u003e\n\u003cli\u003eNão existem riscos técnicos como ausência de HTTPS, redirecionamentos maliciosos ou certificados quebrados?\u003c/li\u003e\n\u003cli\u003eInformações médicas, financeiras ou jurídicas evitam afirmações categóricas ou garantias perigosas?\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eA mera existência de HTTPS ou de uma política de privacidade não torna o conteúdo preciso. Esses são sinais básicos de segurança, e a confiabilidade das alegações deve ser verificada separadamente.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#dados-estruturados-e-verifica%C3%A7%C3%A3o-de-entidades\" class=\"anchor\" id=\"dados-estruturados-e-verificação-de-entidades\"\u003e\u003c/a\u003eDados estruturados e verificação de entidades\u003c/h2\u003e\n\u003cp\u003eDados estruturados de Person e Organization apresentam nomes, afiliações, cargos, URLs oficiais e relações com perfis externos de uma forma que as máquinas podem compreender com facilidade. Os campos author, publisher, datePublished e dateModified de Article também são úteis para representar a estrutura de origem de um documento.\u003c/p\u003e\n\u003cp\u003eNo entanto, a marcação Schema deve ser avaliada de acordo com os seguintes princípios.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eVerificar se os dados estruturados coincidem com o conteúdo visível na tela.\u003c/li\u003e\n\u003cli\u003eNão confirmar qualificações, prêmios ou reputação como fatos apenas porque estão presentes.\u003c/li\u003e\n\u003cli\u003eVerificar se identificadores e relações entre Person, Organization e Article são consistentes.\u003c/li\u003e\n\u003cli\u003eConfirmar se o destino de sameAs é realmente um perfil oficial.\u003c/li\u003e\n\u003cli\u003eSeparar erros de sintaxe da ausência de propriedades obrigatórias e recomendadas.\u003c/li\u003e\n\u003cli\u003eNão considerar como ponto positivo o uso excessivo ou irrelevante de tipos de Schema.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eDados estruturados são uma camada de representação que auxilia a compreensão e a extração. Eles não garantem uma classificação elevada nas buscas nem citações por IA generativa.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#elabora%C3%A7%C3%A3o-de-uma-f%C3%B3rmula-de-pontua%C3%A7%C3%A3o-reproduz%C3%ADvel\" class=\"anchor\" id=\"elaboração-de-uma-fórmula-de-pontuação-reproduzível\"\u003e\u003c/a\u003eElaboração de uma fórmula de pontuação reproduzível\u003c/h2\u003e\n\u003cp\u003eSe cada sinal for tratado apenas como “presente ou ausente”, as diferenças de qualidade serão ignoradas. Separar os valores da seguinte forma facilita o rastreamento das evidências.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003ccode\u003epresence\u003c/code\u003e: presença do sinal ou grau de atendimento\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003everification\u003c/code\u003e: grau de verificação independente\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003erelevance\u003c/code\u003e: relevância para o assunto avaliado\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003esource_quality\u003c/code\u003e: qualidade e independência da fonte da evidência\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003efreshness\u003c/code\u003e: validade de sinais que exigem atualidade\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003eweight\u003c/code\u003e: importância do sinal gerenciada por versão\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eUm exemplo de fórmula é o seguinte.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003e신호 기여도 = weight × presence × verification × relevance × source_quality × freshness\n\u003c/span\u003e\u003cspan\u003e차원 점수 = 100 × 기여도 합계 ÷ 적용 가능한 weight 합계\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eEssa fórmula é um exemplo de projeto, e não uma fórmula oficial de E-E-A-T. Cada coeficiente pode ser normalizado entre 0 e 1. Apenas itens que logicamente não se aplicam devem ser excluídos como \u003ccode\u003eN/A\u003c/code\u003e; quando uma evidência necessária não for encontrada, o estado deve ser armazenado como \u003ccode\u003emissing\u003c/code\u003e, diferenciando-o de uma pontuação zero.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#exibi%C3%A7%C3%A3o-da-confian%C3%A7a-separadamente-da-pontua%C3%A7%C3%A3o\" class=\"anchor\" id=\"exibição-da-confiança-separadamente-da-pontuação\"\u003e\u003c/a\u003eExibição da confiança separadamente da pontuação\u003c/h3\u003e\n\u003cp\u003eMesmo um resultado de 78 pontos é difícil de considerar confiável se metade das páginas obrigatórias não tiver sido coletada. Portanto, a confiança da avaliação ou a cobertura das evidências deve ser calculada separadamente.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003e평가 신뢰도 = 수집 커버리지 × 엔티티 일치도 × 검증 가능한 증거 비율\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eA tela de resultados deve exibir, no mínimo, os seguintes elementos em conjunto.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003ePontuação por dimensão e pontuação geral\u003c/li\u003e\n\u003cli\u003eConfiança da avaliação\u003c/li\u003e\n\u003cli\u003eEstados confirmado, não confirmado, divergente e não aplicável\u003c/li\u003e\n\u003cli\u003eURL da evidência e trecho do texto original\u003c/li\u003e\n\u003cli\u003eHorário da coleta e hash do snapshot\u003c/li\u003e\n\u003cli\u003eVersões das regras, pesos e registro de fontes\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#separa%C3%A7%C3%A3o-entre-a-pontua%C3%A7%C3%A3o-geral-de-geo-e-o-e-e-a-t\" class=\"anchor\" id=\"separação-entre-a-pontuação-geral-de-geo-e-o-e-e-a-t\"\u003e\u003c/a\u003eSeparação entre a pontuação geral de GEO e o E-E-A-T\u003c/h2\u003e\n\u003cp\u003eUm E-E-A-T elevado não significa necessariamente que o conteúdo será citado em respostas de IA. Os sistemas de resposta também podem considerar a adequação à pergunta, a facilidade de extração das informações, a atualidade, a capacidade de crawling e o formato do documento, e o método específico de seleção varia de acordo com o serviço.\u003c/p\u003e\n\u003cp\u003eÉ melhor que uma ferramenta de GEO separe os módulos abaixo.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eMódulo\u003c/th\u003e\n\u003cth\u003eObjeto de análise\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Módulo\"\u003eE-E-A-T do conteúdo\u003c/td\u003e\n\u003ctd data-label=\"Objeto de análise\"\u003eExperiência, especialização, autoridade externa, confiabilidade\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Módulo\"\u003eProntidão para citação por IA\u003c/td\u003e\n\u003ctd data-label=\"Objeto de análise\"\u003eFrases compreensíveis de forma independente, adequação à pergunta, vínculo com evidências, capacidade de síntese\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Módulo\"\u003eAutoridade da marca\u003c/td\u003e\n\u003ctd data-label=\"Objeto de análise\"\u003eReconhecimento independente por instituições externas e correspondência de entidades\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Módulo\"\u003eAcessibilidade técnica\u003c/td\u003e\n\u003ctd data-label=\"Objeto de análise\"\u003eCrawling, códigos de status, canonical, renderização, acesso ao corpo do texto\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Módulo\"\u003eQualidade do Schema\u003c/td\u003e\n\u003ctd data-label=\"Objeto de análise\"\u003eSintaxe, correspondência com o conteúdo exibido, relações entre entidades\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003ePor exemplo, a composição pode ser de 30% para prontidão para citação por IA, 20% para autoridade da marca, 20% para E-E-A-T do conteúdo, 20% para acessibilidade técnica e 10% para Schema. Essas proporções são apenas exemplos de política do produto. Os pesos reais devem ser ajustados com dados de validação específicos de cada assunto, e a versão deve ser exibida.\u003c/p\u003e\n\u003cp\u003eNa prontidão para citação por IA, frases curtas não devem ser preferidas de forma incondicional. Deve-se avaliar se a alegação principal pode ser compreendida de forma independente, se as evidências e condições estão próximas e se a estrutura de tabelas, listas e títulos preserva o significado. Texto oculto, frases repetitivas e páginas em massa sem evidências, destinados a enganar mecanismos de busca ou IA, devem ser tratados como penalizações ou sinais de risco.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#estrutura-para-impedir-a-propaga%C3%A7%C3%A3o-de-erros-entre-m%C3%B3dulos\" class=\"anchor\" id=\"estrutura-para-impedir-a-propagação-de-erros-entre-módulos\"\u003e\u003c/a\u003eEstrutura para impedir a propagação de erros entre módulos\u003c/h2\u003e\n\u003cp\u003eSe cada analisador receber diretamente as conclusões de outro analisador, os erros iniciais poderão ser amplificados. O que deve ser compartilhado são o snapshot original e as evidências normalizadas, e não as conclusões.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eSnapshot Store\n\u003c/span\u003e\u003cspan\u003e ├─ Content / Claim Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Author / Expertise Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Entity / Authority Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Trust Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Technical Analyzer\n\u003c/span\u003e\u003cspan\u003e └─ Schema Analyzer\n\u003c/span\u003e\u003cspan\u003e          ↓\n\u003c/span\u003e\u003cspan\u003e Evidence Store → Deterministic Scorer → Explanation LLM\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eÉ recomendável que todos os registros de decisão incluam \u003ccode\u003eclaim_id\u003c/code\u003e, \u003ccode\u003eevidence_id\u003c/code\u003e, posição no texto original, regra de decisão e versão do módulo. Apenas o JSON calculado e as frases de evidência permitidas devem ser enviados ao LLM, com uma restrição para que ele não acrescente novas qualificações ou informações sobre reputação externa.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#problemas-frequentemente-ignorados-incerteza-e-manipula%C3%A7%C3%A3o-adversarial\" class=\"anchor\" id=\"problemas-frequentemente-ignorados-incerteza-e-manipulação-adversarial\"\u003e\u003c/a\u003eProblemas frequentemente ignorados: incerteza e manipulação adversarial\u003c/h2\u003e\n\u003cp\u003eMuitas análises de GEO concentram-se em localizar sinais, mas não tratam suficientemente das situações em que um site tenta enganar o analisador. Esse problema deve ser operado como uma camada separada de qualidade e segurança.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eExperiências profissionais e palavras-chave podem ser inseridas repetidamente em áreas invisíveis.\u003c/li\u003e\n\u003cli\u003eAutores falsos e dados estruturados de Person podem ser criados.\u003c/li\u003e\n\u003cli\u003eO mesmo comunicado à imprensa pode ser distribuído em vários domínios para inflar o volume de menções externas.\u003c/li\u003e\n\u003cli\u003ePesquisas, qualificações e números inexistentes podem ser citados.\u003c/li\u003e\n\u003cli\u003eApenas a data de modificação pode ser atualizada para apresentar um artigo antigo como conteúdo recente.\u003c/li\u003e\n\u003cli\u003eO sistema pode ser induzido a vincular incorretamente a autoridade de homônimos ou marcas semelhantes.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eAs formas de resposta incluem comparar o conteúdo exibido na tela com a marcação, agrupar fontes originais, verificar os emissores de qualificações, detectar alterações com base no hash do conteúdo, fazer a verificação cruzada dos atributos das entidades e detectar padrões anormais de links. Quando uma divergência grave for encontrada, é mais seguro aplicar um limite à pontuação geral ou o estado de revisão manual do que uma simples penalização.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#como-validar-o-modelo-de-avalia%C3%A7%C3%A3o\" class=\"anchor\" id=\"como-validar-o-modelo-de-avaliação\"\u003e\u003c/a\u003eComo validar o modelo de avaliação\u003c/h2\u003e\n\u003cp\u003eMesmo que a fórmula de pontuação seja determinística, isso não cria automaticamente validade para a avaliação. São necessários os testes a seguir.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003e\n\u003cstrong\u003eTeste de repetibilidade:\u003c/strong\u003e verificar se o mesmo snapshot e a mesma versão produzem um resultado idêntico em nível de bits.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eConjunto de referência de especialistas:\u003c/strong\u003e comparar as evidências marcadas de forma independente por especialistas da área com os resultados do sistema.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eConcordância entre avaliadores:\u003c/strong\u003e identificar itens nos quais até avaliadores humanos têm dificuldade para chegar a um consenso e revisar as regras.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eTeste de perturbação:\u003c/strong\u003e verificar se a remoção do nome do autor, da data, do Schema ou dos links de evidência altera o resultado na direção esperada.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eTeste de resistência à manipulação:\u003c/strong\u003e confirmar que frases ocultas, perfis falsos e comunicados à imprensa duplicados não aumentam excessivamente a pontuação.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eTeste de viés regional:\u003c/strong\u003e medir se entidades de qualidade equivalente são sistematicamente prejudicadas de acordo com o idioma ou o país.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eCalibração dos resultados:\u003c/strong\u003e ao usar dados observacionais de citações reais, registrar em conjunto a pergunta, o momento, o modelo e a localização.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eOs resultados de citações por IA generativa podem variar conforme a formulação da pergunta e as atualizações do serviço. Portanto, em vez de usar a taxa real de citações como verdade absoluta, é adequado tratá-la como uma métrica de validação externa com o momento claramente indicado.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#especifica%C3%A7%C3%A3o-de-dados-a-incluir-nos-resultados-operacionais\" class=\"anchor\" id=\"especificação-de-dados-a-incluir-nos-resultados-operacionais\"\u003e\u003c/a\u003eEspecificação de dados a incluir nos resultados operacionais\u003c/h2\u003e\n\u003cp\u003eA seguinte estrutura pode ser fornecida para que pessoas e outros sistemas possam verificar novamente os resultados.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003e{\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003esnapshot_id\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003esha256:...\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003ecollected_at\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eISO-8601 timestamp\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003escoring_version\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eeeat-1.3.0\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003escope\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003edocument\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003etopic_class\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003esoftware-review\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003escores\u003c/span\u003e\u003cspan\u003e\": {\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003eexperience\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e72\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003eexpertise\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e61\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003eauthoritativeness\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e54\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003etrustworthiness\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e80\n\u003c/span\u003e\u003cspan\u003e  },\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003econfidence\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e0.74\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003eevidence\u003c/span\u003e\u003cspan\u003e\": [\n\u003c/span\u003e\u003cspan\u003e    {\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003edimension\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eexperience\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003estatus\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003everified\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003esource_url\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003ehttps://example.invalid/page\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003erule_id\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eEXP-METHOD-02\u003c/span\u003e\u003cspan\u003e\"\n\u003c/span\u003e\u003cspan\u003e    }\n\u003c/span\u003e\u003cspan\u003e  ],\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003emissing\u003c/span\u003e\u003cspan\u003e\": [\"\u003c/span\u003e\u003cspan\u003eindependent_author_profile\u003c/span\u003e\u003cspan\u003e\"]\n\u003c/span\u003e\u003cspan\u003e}\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eA URL acima é uma string de exemplo inválida usada para mostrar a estrutura dos dados. Nos resultados reais, devem ser incluídas as URLs das evidências coletadas e as posições no texto original. Se não houver direito de republicar o texto original completo, devem ser armazenados apenas trechos curtos de evidência dentro do escopo necessário, além do hash e das informações de localização.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#checklist-de-implementa%C3%A7%C3%A3o\" class=\"anchor\" id=\"checklist-de-implementação\"\u003e\u003c/a\u003eChecklist de implementação\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003eDistinguir as unidades de avaliação entre documento, autor, organização e domínio.\u003c/li\u003e\n\u003cli\u003eFornecer a todos os analisadores um snapshot do mesmo momento.\u003c/li\u003e\n\u003cli\u003eSeparar alegações próprias da verificação externa independente.\u003c/li\u003e\n\u003cli\u003eCalcular experiência e especialização como dimensões separadas.\u003c/li\u003e\n\u003cli\u003eGerenciar registros de fontes de Authority por país e idioma.\u003c/li\u003e\n\u003cli\u003eVerificar a correspondência entre os dados estruturados e o conteúdo exibido na tela.\u003c/li\u003e\n\u003cli\u003eArmazenar dados ausentes, divergências e itens não aplicáveis como estados diferentes.\u003c/li\u003e\n\u003cli\u003eDivulgar em conjunto a pontuação e a confiança da avaliação.\u003c/li\u003e\n\u003cli\u003eAumentar a versão quando os pesos e as regras forem alterados.\u003c/li\u003e\n\u003cli\u003eImpedir que as explicações do LLM acrescentem fatos que estejam fora das evidências.\u003c/li\u003e\n\u003cli\u003eCriar mecanismos de detecção de manipulação e encaminhamento para revisão manual.\u003c/li\u003e\n\u003cli\u003eAo observar resultados reais de citações por IA, registrar o modelo, a pergunta e o momento.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eO ponto central é não reduzir o E-E-A-T a uma única pontuação vaga baseada em impressão. Para que os resultados da análise de GEO se tornem dados utilizáveis em decisões operacionais e comparações de longo prazo, é necessário fornecer em conjunto evidências verificáveis, regras aplicadas, incertezas e a linhagem das fontes.\u003c/p\u003e\n","tags":["AI","IA generativa","Proteção de dados","Desenvolvimento de IA","Estratégia tecnológica","GEO"],"faqs":[{"question":"A pontuação de E-E-A-T é uma métrica oficial fornecida pelo Google?","answer":"Não. O Google descreve o E-E-A-T como um conceito para compreender a qualidade do conteúdo, mas não divulga uma pontuação oficial para cada página da web. A pontuação de E-E-A-T de uma ferramenta de análise é uma métrica própria, baseada nos sinais, pesos e escopo de dados definidos pela própria ferramenta."},{"question":"Se a temperature do LLM for definida como 0, posso deixar que ele atribua diretamente as pontuações?","answer":"Isso pode reduzir a variação, mas não garante reprodutibilidade nem factualidade completas. A versão do modelo, o truncamento da entrada e as configurações do sistema podem variar, e também existe o risco de inferir fatos que não estão na página. Portanto, é mais seguro realizar o cálculo final usando código com versão fixa."},{"question":"Por que Experience e Expertise devem ser avaliadas separadamente?","answer":"Experience é a experiência de ter usado, visitado, testado ou operado algo diretamente, enquanto Expertise corresponde aos conhecimentos, à trajetória profissional, às qualificações e à capacidade de pesquisa relacionadas. Um avaliador com ampla experiência prática de uso não é necessariamente um especialista técnico, e alguém com qualificação profissional pode não ter usado diretamente o produto em questão."},{"question":"Se o autor disser que usou o produto diretamente, posso aumentar a pontuação de Experience?","answer":"É recomendável tratar uma autodeclaração isolada como um sinal fraco. Deve-se aplicar um peso maior quando ela vier acompanhada de evidências específicas e verificáveis, como o período, o ambiente, os procedimentos realizados, os métodos de medição, os dados brutos ou materiais produzidos diretamente."},{"question":"A Authority é baixa se não houver artigos na Wikipedia ou na imprensa?","answer":"Não necessariamente. As fontes externas importantes variam de acordo com o país e o setor. Também devem ser avaliadas fontes independentes adequadas à região e à área, como órgãos governamentais e públicos, instituições acadêmicas, associações profissionais e veículos especializados do setor, e republicações de comunicados à imprensa devem ser desduplicadas."},{"question":"Adicionar muito Schema aumenta a pontuação de GEO?","answer":"A precisão e a correspondência com o conteúdo exibido são mais importantes do que a quantidade de Schema. Os dados estruturados ajudam a compreender as relações entre entidades e documentos, mas não garantem visibilidade nos resultados de busca nem citações por IA, e marcações falsas ou irrelevantes podem representar um risco para a confiabilidade."},{"question":"Se o E-E-A-T for alto, o conteúdo será necessariamente citado pelo ChatGPT ou Gemini?","answer":"Não. A forma como cada serviço seleciona suas fontes não é totalmente divulgada, e diversos fatores podem influenciar, como a adequação à pergunta, a atualidade, a acessibilidade e a estrutura de apresentação. O E-E-A-T e o nível de preparação para citações por IA podem estar relacionados, mas devem ser gerenciados como pontuações separadas."},{"question":"Se as pontuações forem iguais, é possível considerar que os resultados da análise têm a mesma qualidade?","answer":"Não. Uma pontuação de 80 obtida após a coleta de páginas suficientes tem um significado diferente de uma pontuação de 80 quando metade dos dados está ausente. Junto com a pontuação, deve-se apresentar a confiabilidade da avaliação, refletindo a cobertura da coleta, o grau de correspondência entre entidades e a proporção de evidências verificadas."},{"question":"Como devem ser definidos os pesos da pontuação de GEO?","answer":"Os pesos iniciais devem ser definidos como uma política explícita do produto, mas precisam ser calibrados com um conjunto de referência elaborado por especialistas, testes de fatores de confusão, testes de resistência à manipulação e dados reais de observação. Áreas com diferentes níveis de risco temático e intenções do usuário, como saúde, finanças e avaliações de produtos, precisam de perfis distintos."},{"question":"Para quais funções o LLM é adequado em um sistema de análise de GEO?","answer":"Ele pode ser usado para extrair possíveis alegações, classificar frases, buscar variações de nomes e explicar em linguagem natural os resultados calculados pelo código. No entanto, é recomendável vincular todos os resultados às evidências do texto original e deixar o cálculo da pontuação final e as regras de limite máximo e penalização a cargo de código determinístico."}],"sources":[{"url":"https://developers.google.com/search/docs/fundamentals/creating-helpful-content","title":"Como criar conteúdo útil, confiável e feito para pessoas","type":"source"},{"url":"https://developers.google.com/search/docs/appearance/ai-features","title":"Recursos de IA e seu site","type":"source"},{"url":"https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data","title":"Introdução à marcação de dados estruturados na Pesquisa Google","type":"source"},{"url":"https://developers.google.com/search/docs/crawling-indexing/sitemaps/overview","title":"Saiba mais sobre sitemaps","type":"source"},{"url":"https://schema.org/Person","title":"Pessoa do Schema.org","type":"source"},{"url":"https://schema.org/Organization","title":"Organização do Schema.org","type":"source"},{"url":"https://www.w3.org/TR/prov-o/","title":"PROV-O: a ontologia PROV","type":"source"},{"url":"https://arxiv.org/abs/2311.09735","title":"GEO: Otimização para mecanismos generativos","type":"source"}],"images":[{"id":902,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIwOTYsInB1ciI6ImJsb2JfaWQifX0=--085c51ba6ec88e1b1f3d7efa109fae3f43e51b14/ai-9f49d198.webp","is_representative":true,"generation_method":"ai_photo","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"사무실에서 대형 터치스크린 분석 대시보드를 조작하는 여성","caption":"분석가가 대형 대시보드에서 데이터와 평가 항목을 검토하고 있다.","description":null},"en":{"alt":"Woman using a large touchscreen analytics dashboard in an office","caption":"An analyst reviews data and evaluation criteria on an interactive dashboard.","description":null},"ja":{"alt":"オフィスで大型タッチスクリーンの分析ダッシュボードを操作する女性","caption":"分析担当者が対話型ダッシュボードでデータと評価項目を確認している。","description":null},"es":{"alt":"Mujer usando un panel analítico táctil de gran tamaño en una oficina","caption":"Una analista revisa datos y criterios de evaluación en un panel interactivo.","description":null},"id":{"alt":"Perempuan menggunakan dasbor analitik layar sentuh besar di kantor","caption":"Seorang analis meninjau data dan kriteria penilaian pada dasbor interaktif.","description":null},"pt":{"alt":"Mulher usando um painel analítico em uma grande tela sensível ao toque","caption":"Uma analista revisa dados e critérios de avaliação em um painel interativo.","description":null},"zh-hant":{"alt":"女子在辦公室操作大型觸控分析儀表板","caption":"分析人員透過互動式儀表板檢視資料與評估項目。","description":null},"de":{"alt":"Frau bedient ein großes Touchscreen-Analyse-Dashboard in einem Büro","caption":"Eine Analystin prüft Daten und Bewertungskriterien auf einem interaktiven Dashboard.","description":null}}},{"id":903,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIxMDIsInB1ciI6ImJsb2JfaWQifX0=--899ddbc79483c66a1ff40af5062b06b2fc48617a/ai-79b1d31e.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"웹페이지 데이터를 보안 서버와 4개 평가 모듈로 분석해 점수 대시보드로 출력하는 흐름도","caption":"콘텐츠, 작성자, 연결망, 신뢰도 신호를 통합해 E-E-A-T 점수를 산출하는 분석 과정을 보여준다.","description":null},"en":{"alt":"Flowchart of webpage data passing through a secure server and four modules into scoring dashboards","caption":"The diagram shows content, author, network, and trust signals being combined into reproducible E-E-A-T scores.","description":null},"ja":{"alt":"ウェブページのデータを安全なサーバーと4つの評価モジュールで処理し、スコア画面へ送るフロー図","caption":"コンテンツ、著者、ネットワーク、信頼性のシグナルを統合してE-E-A-Tスコアを算出する流れを示している。","description":null},"es":{"alt":"Diagrama del paso de datos web por un servidor seguro y cuatro módulos hasta paneles de puntuación","caption":"El diagrama muestra cómo se combinan señales de contenido, autoría, red y confianza para puntuar E-E-A-T.","description":null},"id":{"alt":"Diagram alur data halaman web melalui server aman dan empat modul menuju dasbor penilaian","caption":"Diagram ini menunjukkan penggabungan sinyal konten, penulis, jaringan, dan kepercayaan untuk menghasilkan skor E-E-A-T.","description":null},"pt":{"alt":"Fluxograma de dados de página web passando por servidor seguro e quatro módulos até painéis de pontuação","caption":"O diagrama mostra a combinação de sinais de conteúdo, autoria, rede e confiança para gerar pontuações de E-E-A-T.","description":null},"zh-hant":{"alt":"網頁資料經安全伺服器與四個評估模組處理後輸出至評分儀表板的流程圖","caption":"此圖呈現內容、作者、網路與信任訊號如何整合為可重現的 E-E-A-T 分數。","description":null},"de":{"alt":"Flussdiagramm: Webseitendaten laufen über einen sicheren Server und vier Module zu Bewertungs-Dashboards","caption":"Das Diagramm zeigt, wie Inhalts-, Autoren-, Netzwerk- und Vertrauenssignale zu E-E-A-T-Werten kombiniert werden.","description":null}}}],"published_at":"2026-08-26T15:49:11+09:00","updated_at":"2026-08-26T15:49:11+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/geo-eeat-scoring-system-design"}