--- title: "如何在 GEO 分析工具中以可重現方式為 E-E-A-T 評分" locale: zh-hant category: ai_data category_name: "AI 資料" translation_status: reviewed license: cc_by author: "injoys" source_url: https://injoys.com/en/articles/geo-eeat-scoring-system-design published_at: 2026-08-26T15:49:11+09:00 --- # 如何在 GEO 分析工具中以可重現方式為 E-E-A-T 評分 > E-E-A-T 並非 Google 提供的官方分數，也不是生成式 AI 公開的引用公式。在 GEO 分析工具中，不應讓 LLM 任意決定分數，而應從相同的網頁快照中擷取可驗證的訊號，並透過規則與版本固定的程式碼計算分數及可信度。 ## Key Points - 若要讓相同輸入得到相同結果，就必須一併固定網頁快照、評估規則、權重及資料來源的版本。 - Experience、Expertise、Authoritativeness、Trustworthiness 應以不同證據進行評估，尤其必須區分自我聲明與外部驗證。 - LLM 不適合擔任最終分數的計算者，而適合扮演受限的角色，說明所擷取的證據及程式碼計算出的結果。 - E-E-A-T 分數與 AI 引用可能性分數雖具相關性，但並不相同，因此應透過不同模組分別計算。 - 不應只公開分數，還應一併提供依據 URL、擷取的句子、判定規則、缺漏狀態及評估可信度。 GEO（Generative Engine Optimization）是在 ChatGPT、Gemini 等生成式 AI 環境中，改善並分析內容被發現及作為回答依據之可能性的實務概念。不過，生成式 AI 服務並未公開選擇來源的完整公式，GEO 也沒有通用的單一標準分數。 Google 的 E-E-A-T 是指 Experience、Expertise、Authoritativeness、Trustworthiness，但並非 Google 針對每個網頁公開的官方數值。因此，必須明確說明，分析工具顯示的「E-E-A-T 78 分」並非 Google 的判定，而是該工具自行定義的觀測指標。 ## 不應直接讓 LLM 評分的原因 將整個網頁輸入 LLM，讓它分別以 100 分評估經驗、專業性、權威性與可信度，可以快速製作原型。然而，作為正式營運的衡量系統，會產生以下問題。 - 即使內容與提示詞相同，每次執行時分數也可能不同。 - 如果模型或供應商變更，就很難與過去的分數比較。 - 可能發生推測頁面上不存在之經歷、資格、聲譽的幻覺。 - 難以稽核影響分數的句子與規則。 - 可能在未經外部驗證的情況下，將網站的自我介紹視為事實。 - 如果長文件遭到截斷或擷取順序改變，評估結果也可能隨之變化。 建議的架構如下。 ```text 網站 → 蒐集單一時間點的快照 → 擷取正文、後設資料、實體、主張 → 與外部資料交叉驗證 → 以固定版本的規則計算分數 → 儲存分數、依據、可信度 → 由 LLM 以自然語言說明結果 ``` 這並不表示完全不應使用 LLM。它可用於句子分類、擷取主張候選項目、搜尋名稱變體等，但必須將結果連結至原文依據並加以快取。最終算術計算以及上限、扣分規則由程式碼負責，更能提高可重現性與可稽核性。 ## 應先定義的評估對象與範圍 計算分數前，必須先固定評估的對象。整個網站、組織、作者、個別文件的訊號不能互相取代。 | 評估單位 | 主要問題 | 代表性證據 | |---|---|---| | 文件 | 這篇文章的主張與撰寫過程是否可信？ | 正文、引用、撰寫日期、修改日期、實驗資料 | | 作者 | 是否能確認作者具備處理該主題的經驗或專業性？ | 作者頁面、資格、經歷、研究與著述紀錄 | | 組織 | 是否能識別發布主體，且具備責任架構？ | 公司介紹、聯絡方式、編輯政策、Organization 資料 | | 網域 | 是否在外部被認可為該主題的資訊來源？ | 獨立機構的引用、相關反向連結、媒體與學術資料 | | 技術介面 | 爬蟲是否能讀取內容與來源資訊？ | 狀態碼、robots 政策、canonical、HTML、結構化資料 | 也必須同時分類主題。醫療、金融、法律等錯誤資訊可能造成重大損害的領域，與個人興趣心得所需的專業性及可信證據不同。若將單一固定權重套用於所有領域，分數的意義便會減弱。 ## 蒐集相同網站快照的方法 分析器應共用同一次儲存的快照。如果正文在上午 10 點、JSON-LD 在 10 點 5 分、作者頁面在 10 點 10 分分別重新請求，就可能混入不同變更狀態的資料。 快照中應盡可能儲存以下項目。 - 最終 URL、重新導向路徑、HTTP 狀態碼與回應標頭 - 原始 HTML，以及必要時經過算繪的 HTML - 擷取的正文、標題、說明、canonical 與語言資訊 - 作者、發布日期、修改日期、發布組織 - 內部與外部連結及錨點文字 - JSON-LD、Microdata 等結構化資料 - robots 指示、從 sitemap 確認的相關 URL - 蒐集時間、蒐集器版本、內容雜湊 瀏覽多個頁面時，不應只依賴首頁。應利用 sitemap.xml 與內部連結，在有限深度內探索 About、Company、Team、Author、Profile、Editorial Policy、Contact、Privacy、Terms 等候選頁面。不應勉強蒐集涉及個人資訊或有使用限制的頁面，也必須確認 robots 政策、服務條款與適用法律。 ## 區分站內證據與站外證據 站內資料是由該網站直接發布的資訊。作者介紹、產品說明、客戶案例、編輯政策、聯絡方式、Person 與 Organization 結構化資料等都屬於此類。 站外資料則顯示獨立外部來源如何確認作者或組織。政府與公共機關資料、學術機構、專業協會、可信媒體、產業資料、外部個人檔案、相關反向連結與引用等皆屬此類。 這兩類證據應在評分時加以區分。 - 「業界第一」等自我宣傳文字並非 Authority 的獨立證據。 - 即使是外部文章，若只是原文轉載新聞稿，其獨立性也較低。 - 如果相同文章複製到不同 URL，不應重複計算來源數量。 - 必須確認實體，避免連結到同名的其他人物或組織之實績。 - sameAs 連結是串聯實體候選項目的線索，並不會自動保證該經歷屬實。 ## Experience：將直接經驗轉化為證據 Experience 評估作者是否具備使用產品、造訪地點、執行程序或操作實驗的直接經驗。它與 Expertise 不同。長期使用筆記型電腦的購買者可能具備豐富的實際使用經驗，但未必是電池工程專家。 ### 應偵測的訊號 - 表明曾親自使用、購買、造訪、安裝、操作或比較的內容 - 使用期間、測試次數、樣本數、環境與設備 - 執行步驟、失敗過程、限制條件與例外 - 親自拍攝的圖片、日誌、原始資料、重現程序 - 測量前後的結果與測量方法 若僅憑「親自用過」這一句話就給予高分，便很容易遭到操弄。具體數字本身也無法證明事實。只有當測量方法、期間、原始資料與脈絡彼此一致時，才應視為更有力的證據。 經驗分數可依下列方式分級。 | 等級 | 範例 | 處理原則 | |---|---|---| | 弱 | 只有曾使用過的聲明 | 較低的基本分數 | | 普通 | 期間、環境、程序具體 | 增加具體性分數 | | 強 | 提供原始資料、照片、日誌、比較標準 | 增加可驗證性分數 | | 已驗證 | 與獨立資料或重現測試一致 | 套用交叉驗證權重 | ## Expertise：評估可確認的專業性 Expertise 著重於是否具備正確處理該主題的知識與能力。僅在名字旁標示「專家」並不足夠。 可分析的候選項目如下。 - 相關職稱、所屬單位、業務領域與工作年資 - 學位、正式資格、執照及核發機構 - 相關研究、論文、著作、課程、專案 - 與主題相關的實際工作經歷 - 專業說明的正確性、範圍、限制與來源 - 專家審閱者與審閱日期 如果作者值為 `admin`、`administrator`、`관리자`、`운영자`、`운영팀`、`editor` 等角色名稱，則不應將其確定為真實人物。即使有 Person 結構化資料，也必須確認其是否與畫面上顯示的作者資訊一致。 專業性應反映主題適切性。律師資格可能是法律內容的強力訊號，但不會自動證明其具備所有醫療、技術主題的專業性。在需要驗證資格的領域中，若能連結至核發機構或官方查詢資料，便可提高驗證等級。 ## Authoritativeness：外部認可與實體一致性 Authoritativeness 評估人物、組織、網站在特定主題上獲得外部認可的程度。與單純的提及量相比，來源品質、主題相關性、獨立性與多樣性更為重要。 權威性分析器可遵循下列程序。 1. 建立組織名稱、作者姓名、網域、品牌的標準實體。 2. 連結曾用名稱、英文名稱、縮寫等已確認的別名。 3. 判斷外部文件中是否為相同實體。 4. 評估來源的獨立性、品質、主題相關性與新近程度。 5. 將新聞稿再發布與相同文件的複製內容歸為一組。 6. 區分引用、提及屬於正面認可、單純列舉，或是批評。 分析韓文網路內容時，如果只使用 Wikipedia、Wikidata、Reddit 與英語圈媒體，可能會低估韓國機構與企業的權威性。應依評估市場，將政府與公共機關、公共資料、學術資料庫、專業協會、主要媒體及產業專業媒體納入來源登錄檔。反之，也不應僅憑在特定國家入口網站上的曝光，就斷定其具有全球權威性。 來源登錄檔最好記錄管轄地區、發布主體、主題範圍、獨立性、是否為原始來源、更新週期與存取條件。即使新增各國來源，也應公開評分規則與選定標準。 ## Trustworthiness：範圍最廣且最重要的安全軸線 Trustworthiness 支撐其餘三項要素。即使具備直接經驗與資格，若確認存在虛假主張、隱瞞利益衝突、操弄來源等情況，也可對整體評估設定上限。 可信度模組應確認的項目如下。 ### 發布主體與責任性 - 是否清楚顯示營運組織與作者 - 實際頁面中是否存在聯絡方式與客戶支援資訊 - 是否能確認編輯、審核、勘誤政策 - 是否區分廣告、贊助、合作關係、利益衝突 ### 主張與依據 - 核心事實是否連結至原始來源或適當依據 - 引文與統計資料是否符合原文意旨 - 發布日期、修改日期是否與實際內容變更一致 - 是否明確區分事實、意見、廣告性主張 - 是否揭露不確定性、適用範圍、例外與限制 ### 交易與安全 - 是否依服務性質提供隱私權政策與使用條件 - 需要付款、退款、配送條件的網站是否清楚說明 - 是否不存在 HTTPS、惡意重新導向、憑證損毀等技術風險 - 在健康、金融、法律資訊中，是否避免使用危險的斷言或保證用語 具備 HTTPS 或隱私權政策，並不會因此使內容變得正確。這些只是基本安全訊號，主張層級的可信度仍須另行驗證。 ## 結構化資料與實體驗證 Person 與 Organization 結構化資料能以機器容易理解的方式，提供姓名、所屬單位、職稱、官方 URL、外部個人檔案關係。Article 的 author、publisher、datePublished、dateModified 也有助於呈現文件的來源架構。 不過，Schema 標記應依下列原則評估。 - 確認結構化資料是否與畫面上可見的內容一致。 - 不應僅因資料存在，就將資格、獎項、聲譽確定為事實。 - 檢查 Person、Organization、Article 之間的識別碼與關係是否一致。 - 確認 sameAs 指向的是否為真正的官方個人檔案。 - 區分語法錯誤與必要、建議屬性的缺漏。 - 不應將過度使用或使用無關的 Schema 類型視為加分項目。 結構化資料是協助理解與擷取的表達層。它不保證較高的搜尋排名或被生成式 AI 引用。 ## 設計可重現的評分公式 如果僅將每個訊號處理為「有或沒有」，便會忽略品質差異。依下列方式拆分數值，更容易追蹤依據。 - `presence`：訊號是否存在或符合程度 - `verification`：獨立驗證的程度 - `relevance`：與評估主題的相關性 - `source_quality`：依據來源的品質與獨立性 - `freshness`：需要新近性之訊號的有效性 - `weight`：以版本管理的訊號重要程度 公式範例如下。 ```text 訊號貢獻度 = weight × presence × verification × relevance × source_quality × freshness 維度分數 = 100 × 貢獻度總和 ÷ 適用的 weight 總和 ``` 此公式只是設計範例，並非官方 E-E-A-T 計算公式。各係數可正規化為 0 到 1 之間。只有在邏輯上不適用的項目才以 `N/A` 排除；未找到所需證據的狀態，應與 0 分區分，並儲存為 `missing`。 ### 與分數分開顯示可信度 即使結果為 78 分，如果有一半的必要頁面未能蒐集，也很難相信。因此，必須另行計算評估可信度或證據涵蓋率。 ```text 評估可信度 = 蒐集涵蓋率 × 實體一致度 × 可驗證證據比例 ``` 結果畫面至少應一併顯示以下項目。 - 各維度分數與綜合分數 - 評估可信度 - 已確認、未確認、不一致、不適用狀態 - 依據 URL 與部分原文 - 蒐集時間與快照雜湊 - 規則、權重、來源登錄檔版本 ## 區分 GEO 綜合分數與 E-E-A-T E-E-A-T 高，不代表一定會被 AI 回答引用。回答系統也可能考量與問題的適切性、資訊擷取容易度、新近性、可爬取性、文件格式等因素，且具體選擇方式因服務而異。 GEO 工具最好將下列模組分開。 | 模組 | 分析對象 | |---|---| | 內容 E-E-A-T | 經驗、專業性、外部權威、可信度 | | AI 引用準備度 | 可獨立理解的句子、問題適切性、依據連結、可摘要性 | | 品牌權威 | 外部機構的獨立認可與實體一致性 | | 技術可存取性 | 爬取、狀態碼、canonical、算繪、正文存取 | | Schema 品質 | 語法、與顯示內容的一致性、實體關係 | 例如，可設為 AI 引用準備度 30%、品牌權威 20%、內容 E-E-A-T 20%、技術可存取性 20%、Schema 10%。這些比例僅為產品政策範例。實際權重應以各主題的驗證資料校正，並標示版本。 在 AI 引用準備度方面，不應一律偏好短句。應評估核心主張能否獨立理解、依據與條件是否位於附近，以及表格、清單、標題結構是否能保留語意。為欺騙搜尋引擎或 AI 而使用的隱藏文字、重複文句、缺乏依據的大量頁面，應視為扣分項目或風險訊號。 ## 防止模組間錯誤傳播的架構 如果每個分析器直接接收其他分析器的結論作為輸入，初期錯誤可能會被放大。應共享的不是結論，而是原始快照與正規化證據。 ```text Snapshot Store ├─ Content / Claim Analyzer ├─ Author / Expertise Analyzer ├─ Entity / Authority Analyzer ├─ Trust Analyzer ├─ Technical Analyzer └─ Schema Analyzer ↓ Evidence Store → Deterministic Scorer → Explanation LLM ``` 每筆判定紀錄最好包含 `claim_id`、`evidence_id`、原文位置、判定規則、模組版本。只應將計算完成的 JSON 與允許使用的依據句子傳給 LLM，並限制其不得補充新的資格或外部聲譽。 ## 常被忽略的問題：不確定性與對抗性操弄 許多 GEO 分析專注於尋找訊號，卻未充分處理網站試圖欺騙分析器的情況。此問題應以獨立的品質與安全層運作。 - 可在不可見區域重複插入經歷與關鍵字。 - 可建立虛假作者與 Person 結構化資料。 - 可將相同新聞稿發布到多個網域，膨脹外部提及量。 - 可引用不存在的研究、資格、數值。 - 可只更新修改日期，將舊文章顯示為最新內容。 - 可誘導系統錯誤連結同名人物或相似品牌的權威性。 因應方法包括比較畫面顯示內容與標記、將原始來源分群、驗證資格核發機構、以內容雜湊偵測變更、交叉確認實體屬性、偵測異常連結模式。如果發現嚴重不一致，與其單純扣分，設定整體分數上限或標記為人工審查狀態會更安全。 ## 驗證評估模型的方法 即使評分公式具有確定性，也不會自動具備評估效度。需要進行以下測試。 1. **重複性測試：** 確認在相同快照與版本下，是否能得出逐位元相同的結果。 2. **專家基準集：** 比較領域專家獨立標示的證據與系統結果。 3. **評估者一致度：** 找出即使由人工評估者判斷也難以取得共識的項目，並修改規則。 4. **擾動測試：** 移除作者姓名、日期、Schema 或依據連結時，確認結果是否朝預期方向變化。 5. **抗操弄測試：** 確認隱藏文字、虛假個人檔案、重複新聞稿不會過度提高分數。 6. **地區偏誤測試：** 衡量品質相同的實體是否因語言、國家不同而受到系統性不利影響。 7. **結果校正：** 使用實際引用觀測資料時，應一併記錄問題、時間點、模型、位置。 生成式 AI 的引用結果可能隨問題措辭與服務更新而變化。因此，與其將實際引用率視為絕對正確答案，更適合將其當作標明時間點的外部驗證指標。 ## 營運結果應包含的資料規格 為使人員與其他系統能重新驗證結果，可提供下列結構。 ```json { "snapshot_id": "sha256:...", "collected_at": "ISO-8601 timestamp", "scoring_version": "eeat-1.3.0", "scope": "document", "topic_class": "software-review", "scores": { "experience": 72, "expertise": 61, "authoritativeness": 54, "trustworthiness": 80 }, "confidence": 0.74, "evidence": [ { "dimension": "experience", "status": "verified", "source_url": "https://example.invalid/page", "rule_id": "EXP-METHOD-02" } ], "missing": ["independent_author_profile"] } ``` 上述 URL 是為展示資料結構而使用的無效範例字串。實際結果中應填入蒐集到的依據 URL 與原文位置。如果無權重新發布完整原文，則只應儲存必要範圍內的簡短證據、雜湊與位置資訊。 ## 實作檢查清單 - 將評估單位區分為文件、作者、組織、網域。 - 向所有分析器提供同一時間點的快照。 - 區分自我主張與獨立外部驗證。 - 將經驗與專業性作為不同維度計算。 - 管理各國家、語言的 Authority 來源登錄檔。 - 檢查結構化資料與畫面顯示內容是否一致。 - 將缺漏、不一致、不適用儲存為不同狀態。 - 同時公開分數與評估可信度。 - 權重與規則變更時提高版本號。 - 限制 LLM 說明不得加入依據以外的事實。 - 建立操弄偵測與人工審查流程。 - 觀測實際 AI 引用結果時，記錄模型、問題、時間點。 關鍵在於不要將 E-E-A-T 壓縮成單一模糊的印象分數。必須一併提供可驗證的證據、採用的規則、不確定性、來源譜系，GEO 分析結果才能成為可用於營運決策與長期比較的資料。 ## FAQ ### E-E-A-T 分數是 Google 提供的官方指標嗎？ 不是。Google 將 E-E-A-T 說明為用於理解內容品質的概念，但並未公開各網頁的官方分數。分析工具的 E-E-A-T 分數，是根據該工具所定義的訊號、權重及資料範圍制定的自有指標。 ### 如果將 LLM 的 temperature 設為 0，可以直接交由它評分嗎？ 雖然可以減少變動，但無法保證完全的可重現性與事實準確性。模型版本、輸入截斷及系統設定可能有所不同，而且也存在推論出頁面中沒有的事實之風險，因此最終計算由版本固定的程式碼執行會較為安全。 ### 為什麼 Experience 和 Expertise 必須分開評估？ Experience 是親自使用、造訪、測試及營運的經驗，而 Expertise 則是相關知識、資歷、資格與研究能力。實際使用經驗豐富的評論者不一定是技術專家，即使具備專業資格，也可能未曾親自使用過該產品。 ### 如果作者寫明自己親自使用過，可以提高 Experience 分數嗎？ 建議僅將自我聲明視為較弱的訊號。當同時具備期間、環境、執行程序、測量方法、原始資料或親自製作的資料等具體且可驗證的證據時，才應給予更高權重。 ### 如果沒有 Wikipedia 或新聞報導，Authority 會比較低嗎？ 不一定。重要的外部資料會因國家和產業而異。應一併評估符合當地和領域特性的獨立來源，例如政府與公共機構、學術機構、專業協會、產業媒體等，且新聞稿的轉載內容應去除重複。 ### 加入大量 Schema 就能提高 GEO 分數嗎？ 比起 Schema 的數量，準確性及其與顯示內容的一致性更為重要。結構化資料有助於理解實體與文件之間的關係，但不保證搜尋曝光或 AI 引用，而虛假或不相關的標記可能造成信任風險。 ### E-E-A-T 高，就一定會被 ChatGPT 或 Gemini 引用嗎？ 不是。各項服務選擇來源的方式並未完全公開，問題適切性、時效性、可存取性、表達結構等多項因素都可能造成影響。E-E-A-T 與 AI 引用準備度可能有所關聯，但應以不同分數分別管理。 ### 如果分數相同，可以認為分析結果的品質也相同嗎？ 不是。充分收集頁面後得到的 80 分，與遺漏一半資料後得到的 80 分，意義並不相同。除了分數外，還應顯示反映收集涵蓋率、實體吻合度及已驗證證據比例的評估可信度。 ### GEO 分數的權重應如何設定？ 初始權重應設定為明確的產品政策，並透過專家基準集、干擾測試、抗操縱測試及實際觀察資料進行校正。醫療、金融、產品評論等主題風險和使用者意圖不同的領域，需要不同的設定檔。 ### LLM 適合在 GEO 分析系統中扮演什麼角色？ 可用於擷取候選主張、句子分類、探索名稱變體，以及以自然語言說明程式碼所計算的結果。但所有結果都應連結至原文證據，而最終分數計算及上限、扣分規則最好由確定性程式碼負責。 ## Sources - [建立實用、可靠、以人為本的內容](https://developers.google.com/search/docs/fundamentals/creating-helpful-content) - [AI 功能與您的網站](https://developers.google.com/search/docs/appearance/ai-features) - [Google 搜尋中的結構化資料標記簡介](https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data) - [瞭解 Sitemap](https://developers.google.com/search/docs/crawling-indexing/sitemaps/overview) - [Schema.org 人物](https://schema.org/Person) - [Schema.org 組織](https://schema.org/Organization) - [PROV-O：PROV 本體論](https://www.w3.org/TR/prov-o/) - [GEO：生成式引擎最佳化](https://arxiv.org/abs/2311.09735) ## Images ![女子在辦公室操作大型觸控分析儀表板](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIwOTYsInB1ciI6ImJsb2JfaWQifX0=--085c51ba6ec88e1b1f3d7efa109fae3f43e51b14/ai-9f49d198.webp) ![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](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIxMDIsInB1ciI6ImJsb2JfaWQifX0=--899ddbc79483c66a1ff40af5062b06b2fc48617a/ai-79b1d31e.webp)