كيف نقيس

إجابات حقيقية، تُسأل كما يسأل المشتري

يُطرح كل سؤال متابَع بلغة سوقه ومن موقع تلك السوق، عبر الواجهة أو الواجهة البرمجية الخاصة بكل محرك. وتُجمع Google AI Overviews وAI Mode من نتائج البحث في ذلك البلد.

تُؤرشف كل إجابة مع استشهاداتها وعمليات البحث التي أجراها المحرك في الخلفية، فيمكن تتبّع كل ذِكر إلى الإجابة التي جاء منها.

في كل خطة يُطرح كل سؤال على المحركات الرئيسية مرة أسبوعيًا على الأقل. تكلفة الإجابة في Claude وGrok أعلى بأضعاف، لذا تُؤخذ منهما عينات: تطرحان الأسئلة بالتناوب بقدر ما تسمح به الخطة.

الإشارات والمواضع والاستشهادات

نطابق علامتك التجارية ومنافسيك في نص الإجابة، بما في ذلك كتابتها بخطوط أخرى. الظهور هو نسبة الإجابات التي تذكر العلامة؛ وحصة الصوت هي نصيبها من كل الإشارات المتابَعة؛ ومعدل الاستشهاد هو نسبة الإجابات التي تستشهد بموقعها.

نعرض المواضع في صورة توزيعات: كم مرة تُذكر العلامة أولًا، وكم مرة تكون ضمن الثلاثة الأوائل. لا نحسب أبدًا متوسط المواضع لنصنع «ترتيب ذكاء اصطناعي»: فالإجابات تختلف في طولها والمحركات في شكلها، فلا معنى للمتوسط.

عدم اليقين

لكل معدل فترة ثقة ٩٥٪. على مدى فترة نعيد أخذ العينات على مستوى السؤال (bootstrap عنقودي)، لأن الإجابات عن السؤال نفسه ليست مستقلة؛ ولليوم الواحد نستخدم فترة Wilson.

تُختبر التغيرات الأسبوعية باختبار نسبتين، وتُصحَّح للاختبارات المتعددة بإجراء Benjamini-Hochberg ‏(q ≤ ٠٫١٠). مع عشرات المقارنات بين العلامات والمحركات، سيبدو بعضها دالًّا بالصدفة؛ ويُبقي التصحيح هذه خارج تنبيهاتك.

انجراف اللغة

كثيرًا ما تبحث المحركات في سؤال محلي بالإنجليزية. نسجّل لغة كل بحث في الخلفية وبلد كل مصدر مستشهد به، لترى متى تحسم الصفحات الإنجليزية الإجابات في سوق غير ناطقة بالإنجليزية.

ما لا ندّعيه

لا ندّعي أن llms.txt أو ترميز schema يجلبان الاستشهادات: لم نجد دليلًا على ذلك، ونصنّفهما ضمن النظافة التقنية. تدقيق العرض أو الفحص المجاني لقطة واحدة، بإجابة واحدة لكل سؤال ومحرك؛ أما الاتجاهات فتحتاج إلى متابعة مستمرة.