Τα συστήματα AI πρέπει να διαλέξουν όταν φτιάχνουν μια απάντηση. Μπορούν να παραθέσουν μια δευτερογενή πηγή που συνοψίζει μια πρωτογενή έρευνα ή να παραθέσουν απευθείας την ίδια την έρευνα. Σχεδόν πάντα διαλέγουν την πρωτογενή έρευνα, όταν υπάρχει.
Η πρωτογενής έρευνα παρατίθεται περισσότερο επειδή δεν αντικαθίσταται. Ένα άρθρο που συνοψίζει μια μελέτη μπορεί να αντικατασταθεί από δώδεκα άλλα άρθρα που συνοψίζουν την ίδια μελέτη. Η αρχική έρευνα όμως δεν αντικαθίσταται. Είναι μοναδική. Είναι η μαρτυρία από πρώτο χέρι. Γι' αυτό τη φέρνουν πρώτη τα συστήματα AI.
Γιατί τα συστήματα AI προτιμούν την πρωτογενή έρευνα από τις περιλήψεις
Όταν ένα σύστημα AI φτιάχνει μια απάντηση, θέλει να παραθέσει πηγές που ο αναγνώστης δεν βρίσκει πουθενά αλλού. Ένα άρθρο που συνοψίζει μια μελέτη δεν είναι μοναδικό. Η ίδια περίληψη υπάρχει σε δεκάδες άλλα άρθρα. Το να παραθέσεις το ένα αντί για το άλλο δεν εξυπηρετεί πραγματικά τον αναγνώστη.
Η πρωτογενής έρευνα όμως είναι μοναδική. Αν ο αναγνώστης θέλει να μάθει ακριβώς τι βρήκε μια μελέτη, πρέπει να διαβάσει το πρωτότυπο. Η παραπομπή στην αρχική έρευνα τον εξυπηρετεί καλύτερα από την παραπομπή σε μια περίληψη.
Γι' αυτό η πρωτογενής έρευνα έχει δυσανάλογα μεγάλη προτίμηση στις παραπομπές. Οι ιστοσελίδες πρώτου μέρους, που συνήθως φιλοξενούν πρωτογενή έρευνα ή δικά τους δεδομένα, αντιστοιχούν στο 44% όλων των παραπομπών AI. Κι όμως, μόνο το 15% των αναφορών επωνυμιών στις απαντήσεις AI προέρχεται από τις δικές τους ιστοσελίδες. Αυτό σημαίνει ότι η πρωτογενής έρευνα στο δικό σου domain παρατίθεται πολύ συχνότερα από τις περιλήψεις ή το δευτερογενές περιεχόμενο.
Το συμπέρασμα είναι ξεκάθαρο: αν έχεις πρωτογενή έρευνα, δημοσίευσέ την στο δικό σου domain. Αν τη δημοσιεύσεις στην πλατφόρμα κάποιου άλλου ή σε μια έκδοση που δεν ανήκει στην επωνυμία σου, χαρίζεις τις παραπομπές σε εκείνη την πλατφόρμα αντί να τις κερδίσεις εσύ. Τα συστήματα AI παραθέτουν την ίδια την έρευνα, όχι το άρθρο που τη μνημονεύει.
Τα δεδομένα πρώτου μέρους ως ισχυρότερο σήμα παραπομπής
Δεδομένα πρώτου μέρους είναι τα δεδομένα που συγκέντρωσες μόνος σου. Αποτελέσματα ερευνών από το κοινό σου. Συγκριτικά στοιχεία από τους πελάτες σου. Μετρήσεις απόδοσης από την πλατφόρμα σου. Αυτά τα δεδομένα δεν αντικαθίστανται. Κανείς άλλος δεν μπορεί να παράγει ακριβώς τα ίδια δεδομένα από ακριβώς την ίδια πηγή.
Επειδή αυτά τα δεδομένα είναι μοναδικά, τα συστήματα AI τα παραθέτουν πιο αξιόπιστα. Όταν ένα σύστημα AI φτιάχνει μια απάντηση για τα στοιχεία αναφοράς ενός κλάδου, για παράδειγμα, ξέρει ότι τα αρχικά στοιχεία που δημοσίευσες εσύ αξίζουν περισσότερο για παραπομπή από την περίληψη κάποιου άλλου.
Φτιάξε πρωτογενή έρευνα κάνοντας ερωτηματολόγια στους πελάτες ή στο κοινό σου. Κάνε δοκιμές και δημοσίευσε τα αποτελέσματα. Ανάλυσε δεδομένα που κανείς άλλος δεν έχει. Δημοσίευσε αυτή την πρωτότυπη γνώση στο δικό σου domain. Η έρευνά σου γίνεται μαγνήτης παραπομπών, γιατί είναι το μόνο μέρος όπου μπορούν να τη βρουν οι αναγνώστες.
Οι εργασίες με ιδιόκτητα δεδομένα έχουν δυσανάλογα μεγάλη προτίμηση στις παραπομπές. Αυτό ισχύει και πέρα από τις ακαδημαϊκές εργασίες. Κάθε περιεχόμενο με ιδιόκτητα δεδομένα που δεν υπάρχουν πουθενά αλλού παρατίθεται συχνότερα.
Η διαφορά ανάμεσα στην πρωτογενή και τη δευτερογενή έρευνα
Πρωτογενής έρευνα είναι τα στοιχεία από πρώτο χέρι που δημιούργησες ή συγκέντρωσες εσύ. Έκανες ένα ερωτηματολόγιο. Έκανες ένα πείραμα. Ανέλυσες δεδομένα. Δημοσίευσες τα αποτελέσματα. Αυτό είναι πρωτογενής έρευνα.
Δευτερογενής έρευνα είναι όταν συνοψίζεις ή αναλύεις την πρωτογενή έρευνα κάποιου άλλου. Διαβάζεις μια μελέτη και εξηγείς τι σημαίνει. Συγκεντρώνεις δεδομένα από πολλές μελέτες. Παραθέτεις γνώμες ειδικών. Αυτό είναι δευτερογενής έρευνα.
Και τα δύο έχουν αξία. Τα συστήματα AI όμως παραθέτουν συχνότερα την πρωτογενή έρευνα, επειδή είναι μοναδική. Αν θέλεις τις περισσότερες παραπομπές από AI, εστίασε στο να φτιάχνεις πρωτογενή έρευνα που ζει στο δικό σου domain.
Πώς να δομήσεις την πρωτογενή έρευνα για παραπομπές AI
Η πρωτογενής έρευνα πρέπει να δημοσιεύεται στο δικό σου domain, σε μορφή που τα συστήματα AI εξάγουν εύκολα. Το schema markup με συγκεκριμένα στοιχεία, όπως μεθοδολογία, ευρήματα και δεδομένα, δείχνει αύξηση 22% στις παραπομπές. Οι πίνακες σύγκρισης με σωστή μορφοποίηση HTML πετυχαίνουν 47% υψηλότερα ποσοστά παραπομπών AI από το αδόμητο περιεχόμενο.
Μορφοποίησε καθαρά την έρευνά σου. Χρησιμοποίησε επικεφαλίδες για να χωρίσεις τις ενότητες. Πρόσθεσε δομημένα δεδομένα που δείχνουν τι είναι η μεθοδολογία, τι τα ευρήματα και τι το συμπέρασμα. Κάνε εύκολο για ένα σύστημα AI να εξάγει συγκεκριμένους ισχυρισμούς και να σε παραθέσει.
Δημοσίευσε επίσης τα ακατέργαστα δεδομένα ή ολόκληρη τη μεθοδολογία. Έτσι το σύστημα AI έχει εμπιστοσύνη ότι η έρευνά σου είναι νόμιμη και επαναλήψιμη. Δίνει επίσης στους αναγνώστες τη δυνατότητα να επαληθεύσουν τα ευρήματά σου.
Πλαίσια πρώτου μέρους και ιδιόκτητες μεθοδολογίες
Η πρωτογενής έρευνα δεν χρειάζεται να είναι ακαδημαϊκή μελέτη. Μπορείς να φτιάξεις ιδιόκτητα πλαίσια. Μπορείς να αναπτύξεις μεθοδολογίες. Μπορείς να δημοσιεύσεις ιδιόκτητα μοντέλα ή εργαλεία αξιολόγησης. Όλα αυτά είναι πρωτογενής έρευνα, αν κανείς άλλος δεν τα δημοσιεύει.
Όταν φτιάχνεις ένα πλαίσιο που το υιοθετεί ο κλάδος σου, τα συστήματα AI το παραθέτουν, γιατί είναι το μόνο μέρος όπου υπάρχει. Όταν αναπτύσσεις μια μεθοδολογία για να λύσεις ένα πρόβλημα, τα συστήματα AI παραθέτουν τη μεθοδολογία σου, γιατί είναι δική σου.
Γι' αυτό τα πλαίσια με όνομα έχουν τόση δύναμη για την ορατότητα στην AI. Δώσε όνομα στη μεθοδολογία σου. Κάν' τη δική σου. Δημοσίευσέ την. Τα συστήματα AI θα σε παραθέτουν ως την πηγή του πλαισίου.
Πώς να φτιάξεις ένα πρόγραμμα έρευνας που παρατίθεται
Ξεκίνα εντοπίζοντας ποια δεδομένα χρειάζεται το κοινό σου και δεν υπάρχουν ακόμα. Ποιες ερωτήσεις κάνουν που χρειάζονται πρωτογενή έρευνα για να απαντηθούν; Ποια κενά υπάρχουν στην διαθέσιμη έρευνα;
Μετά συγκέντρωσε ή δημιούργησε αυτά τα δεδομένα. Κάνε ένα ερωτηματολόγιο. Ανάλυσε δεδομένα που είναι δημόσια διαθέσιμα και βρες μοτίβα που κανείς δεν έχει επισημάνει. Δοκίμασε κάτι στην πλατφόρμα σου και δημοσίευσε τα αποτελέσματα.
Δημοσίευσε την έρευνα στο δικό σου domain. Χρησιμοποίησε καθαρή μορφοποίηση και schema markup. Κάνε εύκολο για τα συστήματα AI να σε παραθέσουν.
Τέλος, προώθησε την έρευνά σου. Βάλε συνδέσμους προς αυτήν από άλλα άρθρα. Αναφέρσου σε αυτήν στις σελίδες του cluster σου. Κάνε εύκολο για τα συστήματα AI να την ανακαλύψουν και να καταλάβουν τη σημασία της.
Συχνές ερωτήσεις
Πρέπει να είμαι ερευνητής για να φτιάξω πρωτογενή έρευνα;
Όχι. Χρειάζεσαι απλώς δεδομένα ή γνώσεις που κανείς άλλος δεν έχει. Κάνε ένα ερωτηματολόγιο στους πελάτες σου. Ανάλυσε τα δικά σου δεδομένα. Δοκίμασε κάτι στην πλατφόρμα σου. Όλα αυτά είναι πρωτογενής έρευνα. Δεν χρειάζεσαι εργαστήριο ή τίτλους για να δημοσιεύσεις πολύτιμες πρωτότυπες γνώσεις. Με τον δημιουργό ιστοσελίδων της WEMASY φτιάχνεις τις δικές σου σελίδες στην ιστοσελίδα σου.
Μπορώ να αναδημοσιεύσω έρευνα από άλλες πηγές στο domain μου;
Όχι. Αυτό είναι δευτερογενής έρευνα, όχι πρωτογενής. Η δική σου ανάλυση και περίληψη αυτής της έρευνας είναι εντάξει. Δεν μπορείς όμως να ισχυριστείς ότι έκανες έρευνα που δεν έκανες. Τα συστήματα AI και οι αναγνώστες θα καταλάβουν τη διαφορά.
Τι γίνεται αν η έρευνά μου έρχεται σε αντίθεση με γνωστά ευρήματα;
Δεν πειράζει. Στην πραγματικότητα αξίζει περισσότερο από το να επιβεβαιώνεις υπάρχουσα έρευνα. Αν έχεις δεδομένα που αντιβαίνουν στην κοινή λογική, δημοσίευσέ τα. Αυτή είναι πρωτογενής έρευνα που τα συστήματα AI θα παραθέσουν, γιατί έχει ειδησεογραφικό ενδιαφέρον.
Πόσο μεγάλο πρέπει να είναι το δείγμα για να είναι αξιόπιστο;
Εξαρτάται από το κοινό και το θέμα. Ένα ερωτηματολόγιο με 100 πελάτες του κλάδου σου μπορεί να είναι αξιόπιστο. Μια μελέτη με 1.000 θα ήταν πιο αξιόπιστη. Το κλειδί είναι η διαφάνεια. Δημοσίευσε τη μεθοδολογία σου. Δείξε πόσους ανθρώπους ρώτησες. Άφησε τον κόσμο να κρίνει μόνος του την αξιοπιστία. Η διαφάνεια χτίζει εμπιστοσύνη.
Να δημοσιεύσω τα ακατέργαστα δεδομένα ή μόνο τα ευρήματα;
Δημοσίευσε καθαρά τα ευρήματα. Τα ακατέργαστα δεδομένα είναι προαιρετικά και εξαρτώνται από ζητήματα απορρήτου. Δημοσίευσε όμως τη μεθοδολογία σου. Δείξε πώς συγκέντρωσες τα δεδομένα. Δείξε τι μέτρησες. Αυτή η διαφάνεια δείχνει ότι η έρευνά σου είναι νόμιμη.
Πόσο συχνά να δημοσιεύω πρωτογενή έρευνα;
Όσο συχνά μπορείς να φτιάχνεις νόμιμη έρευνα. Τριμηνιαία ερωτηματολόγια. Ετήσια στοιχεία αναφοράς. Συνεχείς δοκιμές. Όσο περισσότερη πρωτογενή έρευνα δημοσιεύεις, τόσες περισσότερες ευκαιρίες παραπομπής δημιουργείς. Η ποιότητα όμως μετράει περισσότερο από τη συχνότητα.