Một nghiên cứu đăng lên arXiv ngày 14 tháng 9 phát hiện rằng lợi thế trích dẫn AI của các nguồn xếp hạng cao nhỏ hơn nhiều so với dữ liệu thô cho thấy. Khi các nhà nghiên cứu hoán đổi vị trí của cùng hai nguồn trong khi giữ nguyên mọi thứ khác, tác động của vị trí giảm từ 42,3 điểm phần trăm xuống gần bằng 0. Định dạng có cấu trúc có ảnh hưởng nhất định, nhưng theo hướng hẹp hơn so với nhiều hướng dẫn tối ưu hóa nội dung vẫn mô tả.
Nghiên cứu được thiết kế như thế nào để kiểm tra công bằng?
Phần lớn các nghiên cứu trích dẫn hiện nay so sánh các trang khác nhau ở các vị trí khác nhau, khiến việc tách biệt chất lượng nội dung và vị trí là bất khả thi. Nghiên cứu này cố gắng cô lập từng biến số bằng cách phát lại cùng một cuộc hội thoại, chỉ thay đổi một yếu tố mỗi lần.
Hai nhà nghiên cứu Sriram Selvam và Anneswa Ghosh để một AI agent (tác nhân AI tự thực hiện tìm kiếm và tổng hợp câu trả lời) dùng GPT-5.4, với Exa làm nhà cung cấp kết quả tìm kiếm web, trả lời 130 câu hỏi phổ biến. Mọi tin nhắn, truy vấn và kết quả tìm kiếm đều được lưu trữ nguyên vẹn từng chữ.
Từ 129 câu hỏi được xử lý, nhóm xác định 113 cặp tài liệu, tức các cặp trang khác nhau cùng xuất hiện trong một lần tìm kiếm và cùng hỗ trợ cho một thực tế cụ thể có thể kiểm chứng. Một vòng đánh giá mù (blinded review, người đánh giá không biết kết quả trước) sau đó xác nhận 103 cặp là cạnh tranh thực sự cho cùng thực tế đó.
Nhóm phát lại mỗi cuộc hội thoại đã đóng băng theo bốn cách: đặt một trang cao hơn hoặc thấp hơn trang kia, và trình bày nội dung dưới dạng đoạn văn thuần túy hoặc bản được viết lại với tiêu đề, danh sách, hay bảng. Chỉ có câu trả lời cuối cùng được tạo lại. Cả hai phiên bản đều do Grok 4.3 viết lại, với một vòng kiểm tra độ chính xác riêng. Nghiên cứu được đăng ký trước khi thu thập kết quả và tất cả bản ghi được xác minh bằng hash (mã băm kiểm tra tính toàn vẹn dữ liệu) để đảm bảo không có biến số nào khác thay đổi.
Thứ hạng có thực sự quyết định trích dẫn AI nhiều hơn không?
Con số thô trông rất ấn tượng, nhưng thử nghiệm hoán đổi có kiểm soát lại kể một câu chuyện khác.
Trong các bản ghi được lưu, tài liệu ở hạng 1 (vị trí đầu tiên trong kết quả Exa của một lần tìm kiếm cụ thể) được trích dẫn 85,1% thời gian. Tài liệu ở hạng 5 được trích dẫn 42,8% thời gian, theo bài nghiên cứu trên arXiv. Khoảng cách là 42,3 điểm phần trăm.
Khi nhóm hoán đổi cùng một tài liệu lên vị trí cao hơn trong cặp cạnh tranh của nó, xác suất được trích dẫn tăng 7,9 điểm phần trăm trong bộ phát lại chính. Kết quả này không đạt ngưỡng có ý nghĩa thống kê sau khi điều chỉnh cho nhiều lần kiểm định. Trong một bộ xác nhận độc lập gồm 56 cặp chỉ hoán đổi thứ tự, mức tác động đo được là đúng 0,0 điểm phần trăm, với khoảng tin cậy 95% từ -5,4 đến +5,4.
Bài báo lý giải trực tiếp: các công cụ tìm kiếm đặt trang phù hợp hơn lên trước, nên khoảng cách thô giữa hạng 1 và hạng 5 phản ánh cả vị trí lẫn chất lượng nội dung cùng lúc. Khi cùng một tài liệu được di chuyển để cạnh tranh với đối thủ tương đương, lợi thế chất lượng biến mất và tác động của vị trí trở nên không đáng kể.
Điểm phân biệt này quan trọng với cách diễn giải dữ liệu theo dõi. Một trang liên tục xuất hiện trong trích dẫn AI nhiều khả năng ở đó vì nó phù hợp hơn với truy vấn, không phải vì vị trí đơn thuần kéo theo trích dẫn.
Định dạng có cấu trúc giúp nội dung được trích dẫn AI nhiều hơn không?
Định dạng có cho thấy hiệu ứng, nhưng không theo cách mà nhiều hướng dẫn tối ưu hóa hay mô tả.
Các trang được viết lại với tiêu đề và danh sách nhận được trung bình thêm 0,50 chỉ dẫn trích dẫn (citation marker, ký hiệu số trong ngoặc vuông chỉ nguồn được dẫn trong câu trả lời) mỗi câu trả lời so với cùng trang ở dạng đoạn văn thuần túy, khoảng tin cậy 95% từ +0,20 đến +0,84, Holm-adjusted p=0,033, theo bài nghiên cứu arXiv. Số lượng trích dẫn trung vị là 29 chỉ dẫn mỗi câu trả lời trên sáu tài liệu nguồn.
Điểm quan trọng: tổng số trích dẫn mỗi câu trả lời không tăng, và số lượng trên trang đối thủ hầu như không thay đổi. Nhóm nghiên cứu mô tả đây là phân bổ lại tín nhiệm trích dẫn về phía trang có cấu trúc, thay vì trang đó giành thêm “suất” vào câu trả lời.
Kiểm định chính được định sẵn trong nghiên cứu, tức liệu định dạng có tăng khả năng trang đích được trích dẫn hay không, cho kết quả +4,5 điểm phần trăm với khoảng tin cậy 95% từ -1,4 đến +10,4 (p=0,168). Bài báo xếp kết quả này là không thể kết luận. Thiết kế nghiên cứu có thể phát hiện đáng tin cậy các hiệu ứng khoảng 8,5 điểm phần trăm trở lên nên một hiệu ứng thực nhỏ hơn mức đó sẽ không nhìn thấy được ở đây.
Một phát hiện phụ từ bài báo arXiv cho thêm bối cảnh về cách AI agent thực tế gặp nội dung có định dạng: trong 1.750 bản ghi văn bản kết quả được lưu trong bộ dữ liệu, 93,2% đã chứa tiêu đề theo kiểu markdown, 76,6% chứa dòng đánh dấu danh sách, và 21,3% chứa hàng dạng bảng. Mức nền đã rất cao trước khi thử nghiệm bắt đầu.
Tại sao một lần kiểm thử chưa đủ để kết luận?
Ngay cả khi giữ nguyên mọi đầu vào, trích dẫn AI không có tính xác định hoàn toàn. Nhóm nghiên cứu chạy lại 120 phản hồi với đầu vào giống hệt và thấy rằng quyết định nhị phân “trích dẫn hay không” đối với trang đích thay đổi trong 15% trường hợp, tức khoảng một trong bảy lần, theo bài nghiên cứu arXiv. Họ ước tính khoảng 45% phương sai trong hiệu ứng đo được của một lần chạy đến từ sự ngẫu nhiên của mô hình, tức biến đổi ngẫu nhiên mỗi khi mô hình tạo ra câu trả lời mới, thay vì từ biến số định dạng hay vị trí đang được kiểm tra.
SparkToro cũng báo cáo rằng ChatGPT và Google AI Overviews mỗi công cụ tạo ra cùng một danh sách thương hiệu dưới 1% thời gian khi nhận cùng một prompt lặp đi lặp lại. Nhóm nghiên cứu khuyến nghị chạy kiểm thử trích dẫn nhiều lần và báo cáo tính nhất quán qua các lần chạy, không chỉ một kết quả đơn lẻ.
Bài báo cũng ghi chú một phát hiện liên quan từ báo cáo Ahrefs công bố tháng 5: các trang được AI trích dẫn có khả năng chứa JSON-LD schema (markup dữ liệu có cấu trúc nhúng trong code trang, giúp hệ thống đọc và phân loại nội dung) cao hơn khoảng ba lần, nhưng việc thêm schema không rõ ràng làm tăng trích dẫn. Đây là tương quan chưa có chiều nhân quả được xác nhận.
Góc nhìn Hingewise: đây là điều thực sự thay đổi trong thực hành
Hãy hình dung thế này: nếu bạn thấy trang của đối thủ liên tục xuất hiện trong câu trả lời AI, khả năng cao là vì trang đó bao phủ chủ đề tốt hơn chứ không phải vì nó tình cờ xếp hạng cao hơn. Đuổi theo vị trí sẽ không thu hẹp khoảng cách nếu chất lượng nội dung mới là nguyên nhân thực sự.
Khoảng cách 42 điểm đã được nhiều bên dẫn lại rộng rãi. Nhưng con số đó chưa bao giờ là bằng chứng nhân quả, nó chỉ là quan sát. Điều nghiên cứu này thêm vào là một cơ chế kiểm soát chưa từng có: phát lại cùng cuộc hội thoại, chỉ hoán đổi một yếu tố. Kết quả cho thấy khi chất lượng được giữ cân bằng, lợi thế vị trí gần như biến mất. Đây là bằng chứng nhân quả có trọng lượng hơn hầu hết dữ liệu quan sát đang lưu hành trong ngành.
Quan trọng hơn, nghiên cứu định lượng được “sàn nhiễu” của trích dẫn AI: 15% quyết định thay đổi dù đầu vào giống hệt nhau. Điều đó có nghĩa là báo cáo “chúng tôi được trích dẫn trong AI” dựa trên một lần kiểm tra có thể là may mắn thống kê, không phải tín hiệu thực. Chiến lược đo lường tốt cần nhiều lần chạy, không chỉ một snapshot.
Về định dạng: hiệu ứng +0,50 citation marker trên một câu trả lời có ý nghĩa thực tế hẹp hơn tên gọi. Đây không phải là trang của bạn “lọt vào câu trả lời” nhiều hơn mà là khi đã lọt vào, nó được ghi nhận nhiều lần hơn trong cùng câu trả lời đó. Hai điều này khác nhau hoàn toàn về giá trị hiển thị với người đọc cuối.
Nhận định của Hingewise: đặt cược vào chất lượng nội dung để vào được câu trả lời AI, sau đó dùng định dạng có cấu trúc để tối ưu phân bổ tín nhiệm khi đã ở đó. Và đo lường bằng nhiều lần chạy, không phải một lần duy nhất.
Cần kiểm tra gì trước khi điều chỉnh chiến lược trích dẫn AI
- Xác nhận trang đích và trang đối thủ có thực sự xuất hiện trong cùng tập kết quả tìm kiếm của AI không, trước khi so sánh tỉ lệ trích dẫn.
- Chạy cùng một prompt ít nhất 5 đến 10 lần và ghi lại tỉ lệ nhất quán, không chỉ một lần kiểm tra.
- Phân biệt “được trích dẫn nhiều lần trong một câu trả lời” với “lọt vào câu trả lời”, vì đây là hai chỉ số khác nhau về giá trị hiển thị.
- Kiểm tra mức nền định dạng của nội dung trong bộ kết quả tìm kiếm trước khi kết luận rằng thêm tiêu đề hay danh sách tạo ra khác biệt, vì 93,2% trang đã có markdown headings.
- Khi thấy đối thủ được trích dẫn nhiều hơn, ưu tiên phân tích độ phủ chủ đề và chiều sâu nội dung trước khi điều chỉnh kỹ thuật xếp hạng.
- Với JSON-LD schema: triển khai nếu chưa có vì tương quan với trích dẫn AI tốt hơn, nhưng không kỳ vọng đây là đòn bẩy trực tiếp với quan hệ nhân quả đã xác nhận.
Nghiên cứu này đăng trên arXiv ngày 14 tháng 9 và chưa qua phản biện chuyên môn. Phạm vi bao gồm một GPT-5.4 agent với Exa làm nhà cung cấp kết quả tìm kiếm; các kết luận không tự động áp dụng cho ChatGPT, Perplexity, hay Google AI Overviews vì mỗi hệ thống dùng kiến trúc và nhà cung cấp tìm kiếm khác nhau. Đáng theo dõi thêm khi nghiên cứu nhận phản biện từ cộng đồng học thuật.
Nguồn: arXiv: CiteChoice, tháng 9 | Search Engine Journal
Bài viết được soạn với sự hỗ trợ của AI từ các nguồn dẫn ở trên và đối chiếu với các nguồn đó trước khi đăng. "Góc nhìn Hingewise" là nhận định biên tập của Hingewise, dựa trên khung phân tích và lập trường chúng tôi dùng trong công việc GEO. Cách chúng tôi làm việc: Chính sách biên tập.