Bir GEO kontrol listesini ve bağlantılı kaynakları büyüteçle inceleyen iki uzman

23 Temmuz 2026 tarihinde doğrulandı: Yapay zekâ araması için uygunluğu, kanıt kalitesini, gözlemlenebilirliği ve operasyonel hazırlığı 30 alandaki 449 maddeyle denetleyin. Her madde Ne, Nasıl, Neden ve doğrudan kaynağı içerir; doğrulanmış platform gereksinimi, doğrulanmış hukuki gereklilik, kanıta dayalı uygulama veya deneysel uygulama olarak etiketlenir. Öncelik 5 kritik, öncelik 1 deneysel veya isteğe bağlıdır. Hiçbir madde sıralama, görünürlük, trafik veya atıf garantisi vermez.

Tarayıcıların kullanım amaçlarıyla eşlendiği güncel bir envanter var mı?

Ne: Doğrulanmış platform gereksinimi: Her platform davranışını otomatik tarama, eğitim taraması, kullanıcı isteğiyle getirme veya yanıt sırasında indekslenmiş içeriği yeniden kullanma ya da temellendirme olarak sınıflandırın.
Nasıl: Her ürün tokenını, user-agent kalıbını, kontrol türünü, sorumluyu, hedeflenen yolları ve resmî kaynağı kaydedin; tek bir kuralın diğer türleri de yönettiğini varsaymayın.
Neden: Aynı sağlayıcı erişim, eğitim, kullanıcı eylemleri ve yanıt bağlamı için bağımsız kontroller sunabilir.
Kaynak: OpenAI tarayıcılarına genel bakış

Kuruluş, erişim ve eğitim için ayrı politikaları onayladı mı?

Ne: Kanıta dayalı uygulama: Arama görünürlüğüne ilişkin kararı temel model eğitiminden bağımsız verin.
Nasıl: Googlebot/Google-Extended, OAI-SearchBot/GPTBot, Claude-SearchBot/ClaudeBot ve Applebot/Applebot-Extended için imzalı bir politika matrisi tutun.
Neden: Eğitim amaçlı kullanımı engellemek, arama görünürlüğünden vazgeçmeyi gerektirmez.
Kaynak: Google'ın yaygın tarayıcıları

Her tarayıcı politikası değişikliğinin sorumlu bir sahibi ve gözden geçirme tarihi var mı?

Ne: Kanıta dayalı uygulama: Hukuk, güvenlik, SEO ve mühendislik sorumluluklarını atayın.
Nasıl: Niyeti, onaylayanı, yürürlük tarihini ve bir sonraki inceleme tarihini kuralın yanında saklayın.
Neden: Hızla değişen bot adları ve kullanım amaçları, belgelenmemiş kuralları riskli hâle getirir.
Kaynak: Anthropic tarayıcı kontrolleri

robots.txt kuralları sürüm kontrolünde tutuluyor ve yayına çıkmadan önce test ediliyor mu?

Ne: Kanıta dayalı uygulama: Tarayıcı politikasını üretim yapılandırması olarak yönetin.
Nasıl: Ayrıştırılmış grupların farkını inceleyin, her token için temsili URL'leri test edin ve geri alma kanıtını saklayın.
Neden: Hatalı veya fazla geniş bir kural, tüm bir yanıt yüzeyini erişilemez kılabilir.
Kaynak: Google robots.txt spesifikasyonu

Politika, ilgili her hostname ve alt alan adında uygulanıyor mu?

Ne: Doğrulanmış platform gereksinimi: Ayrı barındırılan her yerel sürümü, medya sunucusunu, CDN'i, dokümantasyon sitesini ve alt alan adını kapsayın.
Nasıl: Her sunucuda /robots.txt dosyasını ve hedef URL'leri getirin.
Neden: Robots kuralları sunucuya özgüdür.
Kaynak: Anthropic tarayıcı kontrolleri

Otomatik tarayıcılarla kullanıcı tarafından tetiklenen erişimler birbirinden ayrılıyor mu?

Ne: Kanıta dayalı uygulama: Kullanıcı isteğiyle yapılan erişimlerin aynı robots politikasına uyup uymadığını belgeleyin.
Nasıl: ChatGPT-User, Claude-User, Perplexity-User ve platforma özgü davranışları test edip kaydedin.
Neden: Arama taramasına verilen izin veya engel, bir kullanıcı isteğini yönetmeyebilir.
Kaynak: OpenAI tarayıcılarına genel bakış

Resmî IP aralığı uç noktaları değişken bağımlılıklar olarak ele alınıyor mu?

Ne: Kanıta dayalı uygulama: Statik IP'leri sonsuza dek politikaya kopyalamak yerine izin listelerini yenileyin.
Nasıl: Sağlayıcının JSON uç noktalarını kontrollü bir takvimle çekin ve değişikliklerde uyarı üretin.
Neden: Eski izin listeleri meşru botları fark edilmeden engeller.
Kaynak: Perplexity tarayıcı dokümantasyonu

Paydaş iletişiminde görünürlük, sıralama veya atıf garantisi vermekten kaçınılıyor mu?

Ne: Doğrulanmış platform gereksinimi: Kontrolleri uygunluk ve keşfedilebilirlik önlemleri olarak tanımlayın.
Nasıl: Brief ve panolardaki garantili görünürlük ifadelerini kaldırın.
Neden: Platformlar seçim kararlarını kendi takdirlerinde tutar.
Kaynak: Google yapay zekâ özellikleri ve web siteleri

Her yanıt motoru için belgelenmiş bir kaldırma ve eskalasyon yolu var mı?

Ne: Kanıta dayalı uygulama: Acil indeks kaldırma, eski atıflar, telif ve tarayıcı arızalarını kapsayın.
Nasıl: Platform araçlarını, gereken kanıtları, iletişim noktalarını ve doğrulama adımlarını kaydedin.
Neden: Robots değişiklikleri, daha önce indekslenmiş içeriği hemen kaldırmayabilir.
Kaynak: Anthropic engelleme ve kaldırma

Olay analizine üçüncü taraf arama indeksi bağımlılıkları da dâhil ediliyor mu?

Ne: Kanıta dayalı uygulama: Bir yanıt motorunun iş ortağı indekslerini kullanabileceğini hesaba katın.
Nasıl: Hem yanıt motorunun hem de altyapıdaki arama motorunun erişim ve indeks durumunu kontrol edin.
Neden: Tek bir özel bota izin vermek, iş ortağı indeksinden gelen sonuçları geri getirmeyebilir.
Kaynak: ChatGPT Search yardımı

Düzenli bir inceleme İngilizce ve Türkçe görünürlüğü, doğruluğu, atıfları, yönlendirmeleri, deneyleri, olayları ve çözülmemiş riskleri karşılaştırıyor mu?

Ne: Kanıta dayalı uygulama: Birbirinden farklı metrikleri tek puana indirgemeden sorumlulara dengeli bir puan kartı sunun.
Nasıl: Platforma özgü panoları, belirsizliği, dil farklarını, olayları ve sonraki kararları yerel sorumlularla inceleyin.
Neden: Eksiksiz bir GEO programı, ölçümü, operasyonları, iş sonuçlarını ve yönetişimi her iki hedef kitle için birleştirir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Her öncelikli içerik varlığı araştırılmış bir kullanıcı ihtiyacına bağlı mı?

Ne: Kanıta dayalı uygulama: Gerçek bir kitlenin ihtiyaç duyduğu kararı, görevi veya anlayışı tanımlayın.
Nasıl: Görüşme, destek, satış, arama veya ürün kanıtını kısa bir ihtiyaç ifadesine ekleyin.
Neden: Yalnızca kurum içi anahtar kelime listesine göre üretilen içerik kullanıcının gerçek sorununu kaçırabilir.
Kaynak: GOV.UK kullanıcı ihtiyaçlarını öğrenme rehberi

Sayfanın açıkça tanımlanmış tek bir ana kitlesi ve amacı var mı?

Ne: Kanıta dayalı uygulama: İçeriğin kime hizmet ettiğini ve başarılı kullanımın nasıl göründüğünü belirtin.
Nasıl: Kitleyi, bağlamı ve hedeflenen sonucu brief'e yazın; tamamlanan sayfayı bunlara göre test edin.
Neden: Birbiriyle uyumsuz kitlelere hizmet etmeye çalışan sayfa belirsizleşir.
Kaynak: Google yararlı içerik rehberi

İçerik fırsatları tam anahtar kelime yazımına göre değil, bilgi ihtiyacına göre mi gruplanıyor?

Ne: Kanıta dayalı uygulama: Aynı yanıtı arayan eş anlamlı istemleri birleştirin.
Nasıl: Varyantları tek bir canonical ihtiyaca eşleyin; yalnızca niyet veya gerekli kanıt farklıysa ayırın.
Neden: Google yapay zekâ sistemlerinin eş anlamları ve anlamı kavradığını belirtir; bu nedenle varyant sayfa çoğaltmak sınırlı değer sağlar.
Kaynak: Google yapay zekâ optimizasyon rehberi

Araştırma bilgilendirici, karşılaştırmalı, işlemsel ve eylem odaklı niyetleri kapsıyor mu?

Ne: Kanıta dayalı uygulama: Kullanıcıların yanıt motorlarından istediği farklı işleri temsil edin.
Nasıl: İstem kanıtını niyete göre sınıflandırın ve her sınıfı çözen içerik veya aracı belgeleyin.
Neden: Yalnızca bilgilendirici bir içerik kütüphanesi kararları ve sonraki eylemleri karşılayamaz.
Kaynak: Google yapay zekâ özellikleri ve web siteleri

Olası takip soruları tutarlı bir yolculuk olarak haritalanıyor mu?

Ne: Kanıta dayalı uygulama: Kullanıcının ilk yanıttan önce ve sonra neye ihtiyaç duyduğunu yakalayın.
Nasıl: Destek konuşmalarını, diyalog oturumlarını ve ilgili soruları analiz edin; her aşamayı bağlamsal bağlantılarla birleştirin.
Neden: Üretken arama diyalog biçimindedir ve ek hedefli sorgular çalıştırabilir.
Kaynak: ChatGPT Search

Karmaşık sorular gerçek alt problemlere ayrılıyor mu?

Ne: Kanıta dayalı uygulama: Eksiksiz yanıt için gereken tanımları, uygunluğu, seçenekleri, kanıtları, riskleri, adımları ve sonuçları belirleyin.
Nasıl: Bir konu haritası oluşturun ve her alt problemi bir bölüme veya bağlantılı uzman sayfasına atayın.
Neden: Google yapay zekâ özellikleri alt konular ve veri kaynakları arasında sorgu fan-out'u kullanabilir.
Kaynak: Google yapay zekâ özellikleri ve web siteleri

İçerik, sonucu anlamlı biçimde değiştiren niteleyici ve kısıtları yanıtlıyor mu?

Ne: Kanıta dayalı uygulama: Kitle, bütçe, zamanlama, coğrafya, uyumluluk, uygunluk ve risk gibi niteleyicileri kapsayın.
Nasıl: Niteleyicileri gerçek kararlardan türetin ve önerilerin nasıl değiştiğini gösterin.
Neden: ChatGPT bir istemi konum veya hatırlanan tercihlerle yeniden yazabilir.
Kaynak: ChatGPT Search

Karşılaştırma soruları açık karar ölçütlerine göre düzenleniyor mu?

Ne: Kanıta dayalı uygulama: Seçenekleri birbirinden ayıran boyutları adlandırın.
Nasıl: Kitleyi, ölçütleri, ağırlıkları veya ödünleşimleri, kanıt tarihini ve her seçeneğin uygun olduğu durumları tanımlayın.
Neden: Okur gerekçeyi denetleyebildiğinde karşılaştırma içeriği daha yararlı olur.
Kaynak: Google yararlı içerik rehberi

“Ne zaman kullanılmamalı?”, hariç tutma ve yanıtsız bırakma ihtiyaçları ele alınıyor mu?

Ne: Kanıta dayalı uygulama: Ürün, yöntem veya önerinin geçerli olmadığı durumları belirleyin.
Nasıl: Kontrendikasyonları, ön koşulları, desteklenmeyen durumları ve eskalasyon yollarını ekleyin.
Neden: Eksiksizlik yalnızca olumlu ve ikna edici iddiaları değil, sınırları da kapsar.
Kaynak: Google yararlı içerik rehberi

Gerçek temellendirme sorguları konu kapsamını geliştirmek için kullanılıyor mu?

Ne: Kanıta dayalı uygulama: Microsoft'un raporladığı erişim ifadelerini, sistemlerin içeriği nasıl eşlediğine dair kanıt olarak ele alın.
Nasıl: Bing Webmaster Tools veya Clarity temellendirme sorgusu örneklerini inceleyin, kullanıcı ilgisini doğrulayın ve önemli boşlukları kapatın.
Neden: Temellendirme sorguları kullanıcının ifadesinden farklı olabilir.
Kaynak: Bing AI Performance

Müşteriyle temas eden ekipler gerçek soru ve terminoloji katkısı sağlıyor mu?

Ne: Kanıta dayalı uygulama: Destek, satış, onboarding, araştırma ve topluluk etkileşimlerinde kullanılan dili benimseyin.
Nasıl: Sıklık, kitle, çözüm ve son görülme tarihini içeren; rıza ve gizlilik kurallarına uygun bir soru deposu tutun.
Neden: Gerçek sorular, arama araçlarının kaçırdığı ihtiyaç ve söz varlığını ortaya çıkarır.
Kaynak: GOV.UK kullanıcı ihtiyaçlarını öğrenme rehberi

Yeni ortaya çıkan sorular kısa ömürlü trend takibinden ayrılıyor mu?

Ne: Kanıta dayalı uygulama: Kalıcı ihtiyaçları haber kaynaklı sıçramalardan ayırın.
Nasıl: Yayımlamadan önce kitle uyumu, kanıt erişimi, bakım sahibi ve beklenen raf ömrü şartlarını arayın.
Neden: Google yalnızca bir konu trend olduğu için içerik yazılmaması konusunda uyarır.
Kaynak: Google yararlı içerik rehberi

Her konu kümesinin net bir canonical yanıtı ve uzmanlık derinliği var mı?

Ne: Kanıta dayalı uygulama: Birden fazla sayfanın çelişen, eksik yanıtlar vermesini önleyin.
Nasıl: Canonical genel bakışı belirleyin, ayrıntılı kanıtlara bağlayın ve gereksiz sayfaları kaldırın veya birleştirin.
Neden: Tutarlı iç ilişkiler, kullanıcıların fan-out alt konuları arasında ilerlemesine yardımcı olur.
Kaynak: Google bağlantı en iyi uygulamaları

Öncelikli ihtiyaçlar için motorlar ve diller arası bir istem paneli tutuluyor mu?

Ne: Deneysel uygulama: Belirli yanıt yüzeylerinin aynı ihtiyacı nasıl ifade edip parçaladığını gözlemleyin.
Nasıl: Doğal istemleri, birkaç yeniden ifadeyi, dilleri, konumları ve tarihleri test edin; çıktıları ve sonuçsuz denemeleri saklayın.
Neden: Motorlar ve bağlamlar farklı kaynak ekosistemlerinden yararlanır.
Kaynak: Kritik GEO araştırması

Her yanıt kullanıcının güvenli sonraki adımını açıkça gösteriyor mu?

Ne: Kanıta dayalı uygulama: Bilgi açığını uygun bir eylem, karar yardımcısı, araç, kaynak veya eskalasyonla kapatın.
Nasıl: Sonraki adımın kanıttan çıktığını ve gizli ön koşullar olmadan çalıştığını test edin.
Neden: İnsan odaklı içerik, kullanıcıya amacına ulaşacak kadar bilgi edindiğini hissettirmelidir.
Kaynak: Google yararlı içerik rehberi

Başlık, sayfanın ayırt edici yanıtını doğru biçimde özetliyor mu?

Ne: Kanıta dayalı uygulama: Gerçek içerikle bağlantılı, açıklayıcı ve sansasyonel olmayan bir başlık kullanın.
Nasıl: Başlığı ana ihtiyaç, kapsam ve sonuçla karşılaştırın; dayanaksız üstünlük iddialarını kaldırın.
Neden: Kullanıcıların ve bilgi erişim sistemlerinin sayfa amacını güvenilir biçimde anlayabilmesi gerekir.
Kaynak: Google yararlı içerik rehberi

Ana yanıt veya sonuç, ayrıntılı açıklamadan önce sunuluyor mu?

Ne: Kanıta dayalı uygulama: Kısa, net ve gerekli koşulları belirten bir yanıtı başta verin.
Nasıl: Sonucu, hedef kitleyi, önemli çekinceyi ve kanıt tarihini belirtin; ardından ayrıntıya geçin.
Neden: Okurlar derinlemesine bağlama erişmeyi sürdürürken konuyu hızla kavrayabilir.
Kaynak: Microsoft Bing AI Performance

Bölüm başlıkları gerçek konuyu veya amacı açıklıyor mu?

Ne: Kanıta dayalı uygulama: Başlıkları yaratıcı ya da genel olmak yerine altındaki içeriği önceden bildirecek biçimde yazın.
Nasıl: Yalnızca başlık hiyerarşisini okuyun ve sayfanın mantığını aktardığını doğrulayın.
Neden: Açıklayıcı başlıklar insanların gezinmesini kolaylaştırır ve içerik ilişkilerini görünür kılar.
Kaynak: WCAG 2.2 başlıklar ve etiketler

Görsel hiyerarşi gerçek semantik başlıklar, listeler ve tablolarla kodlanmış mı?

Ne: Kanıta dayalı uygulama: İlişkileri yalnızca stille değil, işaretleme yapısıyla da koruyun.
Nasıl: Başlık düzeylerini, liste semantiğini, tablo başlıklarını ve bölgeleri DOM ile erişilebilirlik ağacında inceleyin.
Neden: Programatik ilişkiler alternatif sunumlarda ve ajan ayrıştırmasında korunur.
Kaynak: WCAG 2.2 bilgi ve ilişkiler

Her bölüm, gereksiz mikro parçalara ayrılmadan tutarlı tek bir alt soruyu yanıtlıyor mu?

Ne: Kanıta dayalı uygulama: Bölümleri konu sınırlarının doğal olarak değiştiği yerlerde kullanın.
Nasıl: Bağlamdan yoksun küçük parçaları birleştirin; yalnızca okura gezinme veya karşılaştırma değeri sağladığında bölün.
Neden: Google, içeriğin küçük “parçalara” ayrılmasının gerekli olmadığını açıkça belirtir.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Önemli paragraflar, gerekli koşullarıyla birlikte anlaşılabiliyor mu?

Ne: Kanıta dayalı uygulama: İddiayı, özneyi, koşulu, tarihi ve kaynağı birbirine yakın tutun.
Nasıl: Belirsizlik yaratan, neye gönderme yaptığı açık olmayan zamirleri ve ayrı düşmüş çekinceleri düzeltin.
Neden: Bağlam başka bir yerde bırakılmadığında içeriğin yeniden kullanımı daha güvenlidir.
Kaynak: Microsoft Bing AI Performance

Temel terimler ilk anlamlı kullanımlarında tanımlanıyor mu?

Ne: Kanıta dayalı uygulama: Uzmanlık gerektiren bir terimin bu bağlamda ne anlama geldiğini açıklayın.
Nasıl: Kısa bir tanım verin, kısaltmaları açın ve gerektiğinde güncel tutulan bir sözlüğe bağlantı ekleyin.
Neden: Açık tanımlar, varlık ve kavram belirsizliğini azaltır.
Kaynak: WHATWG `dfn` öğesi

Prosedürler sıralı ve test edilebilir adımlar hâlinde sunuluyor mu?

Ne: Kanıta dayalı uygulama: Ön koşulları, eylemleri, beklenen sonuçları ve hata durumlarını birbirinden ayırın.
Nasıl: Güncel ürünle eşleşen komutları veya arayüz etiketlerini içeren sıralı bir liste kullanın.
Neden: Eksiksiz adımların izlenmesi ve doğrulanması, anlatı biçimindeki parçalara göre daha kolaydır.
Kaynak: WCAG 2.2 bilgi ve ilişkiler

Karşılaştırma tablolarında boyutlar, birimler ve erişilebilir başlıklar açıkça belirtilmiş mi?

Ne: Kanıta dayalı uygulama: Satır ve sütun ilişkileriyle karşılaştırmanın dayanağını kodlayın.
Nasıl: Tablo açıklaması, `th`, `scope` veya eşdeğer ilişkilendirmeler kullanın; tarihi ve eksik verileri belirtin.
Neden: Microsoft tablo kullanımını önerirken WCAG ilişkilerin programatik olarak belirlenebilmesini şart koşar.
Kaynak: WCAG 2.2 bilgi ve ilişkiler

Öneriler, ödünleşimler ve seçim koşullarıyla birlikte sunuluyor mu?

Ne: Kanıta dayalı uygulama: Faydaları, maliyetleri, riskleri ve kimlerin farklı bir seçim yapması gerektiğini açıklayın.
Nasıl: Her önemli öneriye bir karar kuralı ve dayandığı kanıtı ekleyin.
Neden: Desteklenmeyen evrensel tavsiyelerin yanlış alıntılanması kolaydır.
Kaynak: Google faydalı içerik rehberi

Ön koşullar ve bağımlılıklar, öneri veya prosedürden önce gösteriliyor mu?

Ne: Kanıta dayalı uygulama: Gerekli erişimi, verileri, becerileri, sürümleri, hukuki yetki alanını ve bütçeyi belirtin.
Nasıl: Bir ön koşullar bloğu ekleyin ve her bağımlılığı yetkili talimatlara bağlayın.
Neden: Eksik ön koşullar, başka bakımdan doğru olan bir yanıtı kullanılamaz hâle getirir.
Kaynak: Google faydalı içerik rehberi

Sınırlamalar, uç durumlar ve desteklenmeyen senaryolar açıkça belirtiliyor mu?

Ne: Kanıta dayalı uygulama: İddianın veya yöntemin sınırlarını çizin.
Nasıl: Bilinen hata durumlarını, istisnaları, belirsizlikleri ve konuyu üst seviyeye taşıma ölçütlerini ilgili yönlendirmenin yanında listeleyin.
Neden: Uzak bir sorumluluk reddi bölümüne ayrılan çekinceler kolayca gözden kaçar.
Kaynak: Google faydalı içerik rehberi

SSS bölümleri gerçek ve birbirinden farklı sorularla sınırlı mı?

Ne: Kanıta dayalı uygulama: Kullanıcı verileriyle doğrulanan ve önemli yeni bilgi ekleyen soruları dahil edin.
Nasıl: Anahtar kelime varyasyonu olan soruları kaldırın ve aynı ihtiyacı çözen yanıtları birleştirin.
Neden: Microsoft SSS bölümlerini önerir; ancak Google yalnızca yapay zekâ için yazılmış varyasyon içeriklerini reddeder.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Kısaltmalar, semboller ve jargon hedef kitle için açıklanıyor mu?

Ne: Kanıta dayalı uygulama: Gerekli hassasiyeti kaybetmeden uzmanlık dilini anlaşılır kılın.
Nasıl: İlk kullanımda tanımlayın ve yinelenen kavramlar için kontrollü bir terminoloji listesi tutun.
Neden: Açık dil, insanların bilgiyi hızla işlemesine yardımcı olur.
Kaynak: GOV.UK erişilebilir belgeler

Görünen yayın, inceleme ve önemli güncelleme bilgileri açık mı?

Ne: Kanıta dayalı uygulama: Sayfanın ne zaman yayımlandığını, incelendiğini ve esaslı biçimde değiştirildiğini birbirinden ayırın.
Nasıl: Tarihleri etiketleyin, büyük değişiklikleri açıklayın ve görünen tarihleri yapılandırılmış değerlerle uyumlu tutun.
Neden: Kullanıcılar sahte bir güncellik algısına kapılmadan içeriğin güncelliğini değerlendirebilmelidir.
Kaynak: Google yazar ve tarih rehberi

Sayfadaki dışarıdan doğrulanabilir iddiaların envanteri çıkarılmış mı?

Ne: Kanıta dayalı uygulama: Destek gerektiren olguları, sayıları, karşılaştırmaları, hukuki ifadeleri ve nedensellik iddialarını belirleyin.
Nasıl: İddia düzeyinde editoryal inceleme yapın; her iddiaya bir kaynak, sorumlu ve inceleme tarihi atayın.
Neden: Sayfa düzeyindeki kaynakçalar tek tek hangi iddiaların desteksiz olduğunu gösteremez.
Kaynak: Google doğruluk kontrolü rehberi

Her önemli iddia için mevcut en güçlü birincil kaynak kullanılıyor mu?

Ne: Kanıta dayalı uygulama: Yasaları, standartları, özgün araştırmaları, resmî veri kümelerini, üretici belgelerini veya birinci el kayıtları tercih edin.
Nasıl: İkincil özetleri kaynak kanıta kadar izleyin ve o sayfaya atıf verin.
Neden: Birincil kaynaklar çarpıtmayı azaltır ve doğrulamayı kolaylaştırır.
Kaynak: Google faydalı içerik rehberi

Atıflar, iddiayı destekleyen en ayrıntılı ve kararlı sayfaya bağlanıyor mu?

Ne: Kanıta dayalı uygulama: Ana sayfalardan, arama sonuçlarından ve genel dokümantasyon dizinlerinden kaçının.
Nasıl: Tam rapora, bölüme, veri kümesine, standarda veya sürüm notuna bağlantı verin; varsa DOI ya da kararlı tanımlayıcıyı koruyun.
Neden: Doğrudan kaynaklar doğrulama maliyetini azaltır.
Kaynak: OpenAI web araması atıfları

Bir inceleyen, her atıf kaynağının yanındaki iddiayı gerçekten desteklediğini doğruladı mı?

Ne: Kanıta dayalı uygulama: Yalnızca bağlantının varlığını değil, çıkarımı, kapsamı ve bağlamı da sınayın.
Nasıl: Kaynağı açın, destekleyen bölümü bulun ve uyuşmazlıkları veya eksik koşulları kaydedin.
Neden: Yapay zekâ sistemleri, oluşturulan ifadeyi desteklemeyen bir sayfaya atıf verebilir.
Kaynak: Eleştirel GEO araştırması

Atıf puanlamasından önce yanıt cümleleri bağımsız doğrulanabilir iddialara ayrılıyor mu?

Ne: Kanıta dayalı uygulama: Her olgusal önermeyi ve ona bağlı atıfları belirleyin.
Nasıl: Belgelenmiş bir iddia ayırma kuralı kullanın ve karmaşık cümleleri insan incelemesine gönderin.
Neden: Dört üretken arama motorunun 2023 tarihli anlık incelemesinde oluşturulan cümlelerin yalnızca %51,5'i tamamen destekleniyordu; bu oranı güncel platform ölçütü değil, riskin tarihsel kanıtı olarak değerlendirin.
Kaynak: Üretken arama motorlarında doğrulanabilirliğin değerlendirilmesi

Yanıttaki dışarıdan doğrulanabilir tüm iddialar atıf desteği açısından kontrol ediliyor mu?

Ne: Kanıta dayalı uygulama: Atıf verilen kanıtlarla tamamen desteklenen iddiaların payını ölçün.
Nasıl: Her iddiayı atıf verilen kaynaklarla karşılaştırın ve kısmi desteği ayrı kaydedin.
Neden: Akıcı yanıtlar atıfsız veya yalnızca kısmen desteklenen olgusal iddialar içerebilir.
Kaynak: Üretken arama motorlarında doğrulanabilirliğin değerlendirilmesi

Her atıf, ilişkilendirildiği iddiayı gerçekten destekliyor mu?

Ne: Kanıta dayalı uygulama: İlgili iddiayı doğrulayan veya temellendiren atıfların payını ölçün.
Nasıl: Atıf verilen kaynağı açın, ilgili bölümü inceleyin ve desteği tam, kısmi veya yok olarak puanlayın.
Neden: Aynı tarihsel dört motor incelemesinde atıfların %74,5'i ilişkilendirildiği cümleyi tamamen destekliyordu; gerçek bir kaynak bile ilgisiz veya yanlış kullanılmış olabilir.
Kaynak: Üretken arama motorlarında doğrulanabilirliğin değerlendirilmesi

Atıflar destekledikleri iddiaların yanında mı yer alıyor?

Ne: Kanıta dayalı uygulama: Kanıt ile iddia arasındaki belirsizliği en aza indirin.
Nasıl: Cümle veya paragraf düzeyinde satır içi bağlantılar ya da işaretler ekleyin; tam künyeler için okunabilir bir kaynak listesi tutun.
Neden: İddia düzeyindeki yakınlık, hem insanların hem otomatik sistemlerin kaynak ilişkilendirmesini denetlemesini kolaylaştırır.
Kaynak: OpenAI web araması atıfları

Güncelliğin önemli olduğu durumlarda kaynağın yayın tarihi, sürümü ve erişim tarihi kaydediliyor mu?

Ne: Kanıta dayalı uygulama: Kanıtın durumunu yeniden üretilebilir kılın.
Nasıl: Notlarda kaynak tarihini veya sürümünü gösterin ve denetim erişim tarihini kurum içinde kaydedin.
Neden: Üretici davranışları, yasalar, fiyatlar ve araştırma sürümleri değişir.
Kaynak: Google yazar ve tarih rehberi

Her istatistik paydasını, birimini, dönemini ve coğrafi kapsamını belirtiyor mu?

Ne: Kanıta dayalı uygulama: Bir sayıyı yorumlamak için gereken asgari bağlamı koruyun.
Nasıl: Örneklemi veya tabanı, pay ve paydayı, birimleri, tarihleri, konumu ve kaynağı istatistiğin yanında verin.
Neden: Bağlamdan kopuk sayılar yanıltıcı biçimde kolayca yeniden kullanılabilir.
Kaynak: Temel GEO makalesi

Araştırma iddialarıyla birlikte çalışma yöntemi, örneklem, evren ve hariç tutulanlar özetleniyor mu?

Ne: Kanıta dayalı uygulama: Sonucun nasıl üretildiğini ve kimlere uygulanabileceğini açıklayın.
Nasıl: Bir yöntem notu ekleyin ve tam protokole veya makaleye bağlantı verin.
Neden: Araştırma tasarımı bağlamı olmadan sunulan çarpıcı bir etki büyüklüğü, hatalı genellemeyi teşvik eder.
Kaynak: Eleştirel GEO araştırması

Karşılaştırmalar aynı başlangıç noktasını, birimi ve gözlem aralığını mı kullanıyor?

Ne: Kanıta dayalı uygulama: Birbiriyle aynı olmayan ölçümlerin karşılaştırılamazlığını görünür kılın.
Nasıl: Geçerli olduğunda normalleştirin; değilse temel farklılıklarını etiketleyin ve yapay bir sıralama oluşturmayın.
Neden: Karşılaştırma tabloları, uyuşmayan girdilerden sahte bir kesinlik üretebilir.
Kaynak: Google Dataset yapılandırılmış verisi

Korelasyon, tahmin ve nedensellik birbirinden ayrılıyor mu?

Ne: Kanıta dayalı uygulama: İddia dilini araştırma tasarımıyla eşleştirin.
Nasıl: Nedensellik bildiren fiilleri rastgele kontrollü veya savunulabilir yarı deneysel kanıtlarla sınırlayın; diğer durumlarda karıştırıcı etkenleri açıklayın.
Neden: Yapay zekâ özetleri, olduğundan güçlü ifade edilmiş bir nedensellik cümlesini daha da yayabilir.
Kaynak: Eleştirel GEO araştırması

Belirsizlikler, aralıklar ve önemli görüş ayrılıkları raporlanıyor mu?

Ne: Kanıta dayalı uygulama: Tahminleri veya tartışmalı sonuçları kesinleşmiş olgular gibi sunmayın.
Nasıl: Güven aralıklarını, makul değer aralıklarını, karşıt kanıtları ve sonucu neyin değiştireceğini dahil edin.
Neden: Olgusal güvenilirlik, belirsizliğin de açıklanmasını gerektirir.
Kaynak: Google faydalı içerik rehberi

Alıntılar birebir, sınırlı ve özgün konuşmacı ile esere atfedilmiş mi?

Ne: Kanıta dayalı uygulama: Bir yeniden ifadeyi alıntı gibi göstermeden özgün söyleyişi koruyun.
Nasıl: Kaynağı doğrulayın, çıkarmaları veya eklemeleri işaretleyin, bağlantı verin; konuşmacıyı, eseri ve tarihi belirtin.
Neden: Temel GEO çalışmasının alıntılarla ilgili sonucu, uydurma veya bağlamından koparılmış alıntıları haklı çıkarmaz.
Kaynak: WHATWG alıntı semantiği

Sayfa, seçmeci davranmak yerine güvenilir ve birbiriyle çelişen kaynakları temsil ediyor mu?

Ne: Kanıta dayalı uygulama: Okurun kararını değiştirebilecek önemli kanıtları görünür kılın.
Nasıl: Kaynak seçme ölçütlerini belgeleyin, görüş ayrılığını özetleyin ve varılan sonucu açıklayın.
Neden: Tek taraflı kaynak kullanımı güveni ve içeriğin farklı bağlamlarda kullanılabilirliğini zayıflatır.
Kaynak: Google faydalı içerik rehberi

Türetilmiş hesaplamalar yeniden üretilebiliyor mu?

Ne: Kanıta dayalı uygulama: Formülü, girdileri, yuvarlama kurallarını, varsayımları ve kaynak verileri gösterin.
Nasıl: Önemli hesaplamalar için adım adım çözülmüş bir örnek veya indirilebilir not defteri ya da hesap tablosu yayımlayın.
Neden: Okurlar sonucu doğrulayabilir ve girdiler değiştiğinde güncelleyebilir.
Kaynak: Google Dataset yapılandırılmış verisi

Paylaşımın güvenli olduğu durumlarda özgün veri kümeleri belgelenmiş ve kullanılabilir biçimlerde sunuluyor mu?

Ne: Kanıta dayalı uygulama: Özgün nicel iddiaların arkasındaki kanıtı yayımlayın.
Nasıl: Şema, sürüm, oluşturucu, lisans, kapsam ve iletişim bilgileriyle kararlı indirmeler veya API erişimi sağlayın.
Neden: Özgün araştırma doğrulanabilir ve bağımsız olarak yeniden kullanılabilir hâle gelir.
Kaynak: Google Dataset yapılandırılmış verisi

Veriler kopyalandığında, dönüştürüldüğünde veya birleştirildiğinde veri kökeni açıkça belirtiliyor mu?

Ne: Kanıta dayalı uygulama: Yeniden yayımlamayı türetmeden ayırın.
Nasıl: Değişmemiş bir kopyanın kanonik özgün kaynağını `sameAs`, önemli ölçüde dönüştürülmüş veya birleştirilmiş verinin kaynağını `isBasedOn` ile belirtin.
Neden: Kullanıcıların veri soyunu izleyebilmesi gerekir.
Kaynak: Google Dataset veri kökeni rehberi

Kaynak lisansları ve yeniden kullanım hakları kaydediliyor mu?

Ne: Kanıta dayalı uygulama: Veriler, görseller, alıntılar ve kod için yasal yeniden kullanım ve atıf koşullarını görünür kılın.
Nasıl: Lisansa bağlantı verin, oluşturucuyu veya hak sahibini belirtin ve zorunlu bildirimleri koruyun.
Neden: Atıf vermek tek başına yeniden kullanım izni sağlamaz.
Kaynak: Google görsel lisansı meta verileri

Bozuk, yönlendirilmiş, geri çekilmiş veya önemli ölçüde değiştirilmiş atıflar izleniyor mu?

Ne: Kanıta dayalı uygulama: Kanıt grafiğini zaman içinde geçerli tutun.
Nasıl: Bağlantı kontrolleri yapın, DOI ve arşiv tanımlayıcılarını koruyun, yönlendirmeleri inceleyin; geri çekilen veya sonucu değişen kaynakları işaretleyin.
Neden: Çalışan bir URL bile artık iddiayı desteklemeyen kanıta yönlendirebilir.
Kaynak: Schema.org `citation`

Değişken iddialara bir inceleme sıklığı ve sorumlu atanmış mı?

Ne: Kanıta dayalı uygulama: Fiyatları, kullanılabilirliği, politikaları, yasaları, ürün davranışlarını ve “güncel” karşılaştırmaları belirleyin.
Nasıl: Kaynağa özgü son kullanma tarihleri ve uyarılar ile güncelleme ya da kaldırma iş akışı oluşturun.
Neden: Microsoft, doğru ve güncel içeriğin yapay zekâ sonuçlarına dahil edilmesi ve atıf alması açısından önemli olduğunu belirtir.
Kaynak: Bing AI Performance

Görünür bir düzeltme mekanizması ve önemli değişiklik geçmişi var mı?

Ne: Kanıta dayalı uygulama: Okurların hataları bildirmesini ve önemli düzeltmeleri görmesini sağlayın.
Nasıl: İletişim ve bildirim yollarını, düzeltme tarihini, ilk hatalı ifadeyi, düzeltilen ifadeyi ve etkilenen kanıtı yayımlayın.
Neden: İzlenebilir düzeltmeler hesap verebilirliği artırır.
Kaynak: Google doğruluk kontrolü rehberi

Sayfa gerçekten ayırt edici bir bakış açısı sunuyor mu?

Ne: Kanıta dayalı uygulama: Sıradan özetlerde bulunmayan analiz veya deneyim ekleyin.
Nasıl: Sayfanın benzersiz iddiasını, kanıtını veya çerçevesini içerik özetinde belirleyin ve düzenleme sonrasında korunduğunu doğrulayın.
Neden: Google, üretken yapay zekâ aramasında benzersiz bir bakış açısını açıkça önerir.
Kaynak: Google yapay zekâ optimizasyonu rehberi

İddia edilen birinci el deneyim doğrulanabilir ayrıntılarla gösteriliyor mu?

Ne: Kanıta dayalı uygulama: Neyin kullanıldığını, ziyaret edildiğini, test edildiğini, gözlemlendiğini veya uygulandığını gösterin.
Nasıl: Hassas verileri korurken tarihleri, kurulumu, kısıtları, kanıt niteliğindeki çıktıları ve sonuçları ekleyin.
Neden: Google, birinci el incelemeyi mevcut içeriğin yeniden anlatılmasından ayırır.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Özgün araştırma sorusunu, yöntemini, veri temelini ve sınırlamalarını yayımlıyor mu?

Ne: Kanıta dayalı uygulama: Kuruma özgü bulguları incelenebilir kılın.
Nasıl: Bir yöntem sayfasına bağlantı verin ve doğrulama için yeterli veri veya toplu sonuç paylaşın.
Neden: Özgün habercilik veya araştırma, yeniden üretilebilir ve sınırları belirli olduğunda daha değerlidir.
Kaynak: Google faydalı içerik rehberi

Kaynak kullanılan içerik, yeniden ifade etmek yerine kapsamlı bir analiz ekliyor mu?

Ne: Kanıta dayalı uygulama: Başka bir sayfayı yeniden yazmanın ötesine geçin.
Nasıl: Taslağı atıf verilen kaynaklarla karşılaştırın ve yeni bir sentez, uygulama, eleştiri, veri kümesi veya örnek eklenmesini zorunlu kılın.
Neden: Google, değer eklemeden kopyalamaya veya yeniden yazmaya karşı açıkça uyarır.
Kaynak: Google faydalı içerik rehberi

Sayfa, mevcut güçlü kaynakların ötesinde önemli bir değer sunuyor mu?

Ne: Kanıta dayalı uygulama: Çözdüğü yanıtlanmamış boşluğu belirleyin.
Nasıl: Önde gelen birincil ve yüksek kaliteli ikincil kaynakları kıyaslayın, ardından ek katkıyı belgeleyin.
Neden: Birbirine benzeyen sayfalar, başka bir kaynağın getirilmesi veya ona atıf verilmesi için çok az neden sunar.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Vaka çalışmaları başlangıç durumunu, müdahaleyi, zaman aralığını ve sonucu açıklıyor mu?

Ne: Kanıta dayalı uygulama: Anekdotları sınırları belirli kanıtlara dönüştürün.
Nasıl: Başlangıç değerini, bağlamı, adımları, ölçümü, sonucu, karıştırıcı etkenleri ve nelerin genellenemeyebileceğini raporlayın.
Neden: Bağlamdan kopuk başarı hikâyeleri hatalı nedensellik çıkarımlarına yol açar.
Kaynak: Google faydalı içerik rehberi

Başarısızlıklar, olumsuz sonuçlar ve ödünleşimler korunuyor mu?

Ne: Kanıta dayalı uygulama: Kararı değiştirdiği durumlarda işe yaramayanları da yayımlayın.
Nasıl: Başarılı sonuçların yanında başarısız yaklaşımları, koşulları, maliyetleri ve çıkarılan dersleri kaydedin.
Neden: Olumsuz kanıt ayırt edicidir ve hayatta kalan yanlılığını azaltır.
Kaynak: Eleştirel GEO araştırması

Ürün testleri veya deneyler belirtilen tarih ve sürümde yeniden üretilebiliyor mu?

Ne: Kanıta dayalı uygulama: Kurulumu, girdileri, ortamı ve beklenen sonucu koruyun.
Nasıl: Test protokolünü, ekran görüntülerini veya günlükleri, sürüm numaralarını ve son yeniden çalıştırma tarihini yayımlayın.
Neden: Ürün davranışı değişir; desteklenmeyen “güncel” testler hızla eskir.
Kaynak: Google üretken yapay zekâ içeriği rehberi

Kuruma özgü veri iddiaları güvenli kanıt çıktılarıyla destekleniyor mu?

Ne: Kanıta dayalı uygulama: Kurum içinde türetilen içgörüleri korunan verileri sızdırmadan denetlenebilir kılın.
Nasıl: Toplu sonuçları, örnekleme kurallarını, anonimleştirme yöntemini, şemayı ve erişim soruları için iletişim yolunu yayımlayın.
Neden: Desteklenmeyen kuruma özgü sayılara güvenmek veya bunları yeniden kullanmak zordur.
Kaynak: Google Dataset yapılandırılmış verisi

Uzman röportajları, görüşülen kişinin kimliğine ve özgün bağlama bağlanıyor mu?

Ne: Kanıta dayalı uygulama: Kimin neyi, ne zaman ve hangi sıfatla söylediğini koruyun.
Nasıl: Onay alın, dökümü veya ilgili alıntıyı yayımlayın, bir profile bağlantı verin ve görüşü olgudan ayırın.
Neden: Kaynağı belli birincil tanıklık, anonim otorite ifadelerinden daha güçlüdür.
Kaynak: Google faydalı içerik rehberi

Sayfada yönlendirmeyi gerçekten uygulayan özgün örnekler kullanılıyor mu?

Ne: Kanıta dayalı uygulama: Kavramı gerçekçi bir senaryoda gösterin.
Nasıl: Test edilmiş çalışmalardan örnekler oluşturun, varsayımları belirtin ve tüm çıktıları doğrulayın.
Neden: Özgün örnekler tanımların ötesinde pratik bilgi sağlar.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Sayfa düz bir ipucu listesi yerine yeniden kullanılabilir bir karar çerçevesi sunuyor mu?

Ne: Kanıta dayalı uygulama: Kanıtları, ölçütleri, seçenekleri ve sonuçları birbirine bağlayın.
Nasıl: Sınırlamalarıyla birlikte bir akış, değerlendirme tablosu, hesaplayıcı veya adım adım çözülmüş karar örneği yayımlayın.
Neden: Bir çerçeve, kullanıcıların uzmanlığı kendi bağlamlarına uygulamasına yardımcı olur.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Ölçekli ve düşük değerli türev içerik üretimi yasaklanmış mı?

Ne: Doğrulanmış platform gereksinimi: Değer eklemeyen sayfaların toplu üretimini engelleyin.
Nasıl: Şablonları, otomasyonu, dış kaynak kullanımını ve yayın ağlarını özgünlük ve insan incelemesi açısından denetleyin.
Neden: Google, sıralamaları manipüle etmek için ölçekli biçimde oluşturulan özgün olmayan içerikleri spam olarak sınıflandırır.
Kaynak: Google spam politikaları

Güncelleme tarihleri yalnızca esaslı bir inceleme veya değişiklikten sonra mı değiştiriliyor?

Ne: Kanıta dayalı uygulama: Yapay güncellik izlenimini reddedin.
Nasıl: Önemli bir güncellemenin ne olduğunu tanımlayın ve inceleme ile değişiklik kanıtlarını saklayın.
Neden: Google, yalnızca sayfaları güncel göstermek amacıyla tarihleri değiştirmeye karşı uyarır.
Kaynak: Google faydalı içerik rehberi

Yayınlamanın temel amacı hedef kitleye yardımcı olmak mı?

Ne: Kanıta dayalı uygulama: Sayfanın yalnızca beklenen yapay zekâ trafiği için değil, gerçek bir ihtiyaç için var olduğunu doğrulayın.
Nasıl: İçerik özetinde bir kullanıcı sonucu, kanıt boşluğu, sorumlu ve bakım planı bulunmasını zorunlu kılın.
Neden: Google, içeriğin insan odaklı bir amacı olup olmadığını sorgular.
Kaynak: Google faydalı içerik rehberi

Her uzmanlık veya editoryal sayfasında gerçeğe uygun, görünür bir yazar adı var mı?

Ne: Kanıta dayalı uygulama: Bir kişi sorumluysa belirsiz bir içerik ekibi yerine hesap verebilir oluşturucuyu belirtin.
Nasıl: Yazar adını başlığın yakınına yerleştirin ve güncel tutulan bir profile bağlayın.
Neden: Google içeriği kimin oluşturduğunu sorar ve doğru yazarlık bilgileri önerir.
Kaynak: Google faydalı içerik rehberi

Her yazar profili ilgili deneyimi ve rolü açıklıyor mu?

Ne: Kanıta dayalı uygulama: Oluşturucunun bu konu için neden yetkin olduğunu gösterin.
Nasıl: Doğrulanabilir yetkinlikleri, birinci el deneyimi, bağlantılı kurumları, açıklamaları, seçilmiş çalışmaları ve iletişim yolunu listeleyin.
Neden: Uzmanlık, yalnızca kullanılan üslupla ima edilmek yerine gösterilebilir olmalıdır.
Kaynak: Google ProfilePage yapılandırılmış verisi

Yazarın uzmanlığı sayfanın konusu ve risk düzeyiyle eşleşiyor mu?

Ne: Kanıta dayalı uygulama: İlgisiz alanlarda genel bir uzman etiketi kullanmaktan kaçının.
Nasıl: Konu kapsamlarını tanımlayın ve her risk sınıfı için uygun oluşturucu veya inceleyen yetkinliklerini zorunlu kılın.
Neden: Google, bir uzman ya da meraklının konuya hâkimiyetini açıkça gösterip göstermediğini sorgular.
Kaynak: Google faydalı içerik rehberi

Uzman inceleyenler, tam inceleme kapsamları ve tarihleriyle birlikte belirtiliyor mu?

Ne: Kanıta dayalı uygulama: Yazım, doğruluk kontrolü, tıbbi veya hukuki inceleme ve editoryal onayı birbirinden ayırın.
Nasıl: İnceleyenin kimliğini, yetkinliğini, incelediği bölümleri, inceleme tarihini ve yeniden incelemeyi tetikleyecek değişikliği gösterin.
Neden: Yalnızca süs amacı taşıyan “uzman incelemesinden geçti” rozeti yanıltıcı olabilir.
Kaynak: Google faydalı içerik rehberi

Her yazar adı tek ve kararlı bir kanonik yazar URL'sine yönleniyor mu?

Ne: Kanıta dayalı uygulama: Her oluşturucuya kalıcı bir kimlik sayfası verin.
Nasıl: Görünür bağlantılarda ve Article `author.url` alanında aynı profil URL'sini kullanın; kullanımdan kaldırılan URL'leri yönlendirin.
Neden: Google, `author.url` alanının yazarı benzersiz biçimde tanımlayabileceğini belirtir.
Kaynak: Google Article yapılandırılmış verisi

Görünür tüm yazarlar Article işaretlemesinde ayrı ayrı temsil ediliyor mu?

Ne: Doğrulanmış platform gereksinimi: Birden fazla yazarın hesap verebilirliğini koruyun.
Nasıl: Her yazar için ayrı bir Person veya Organization nesnesi oluşturun ve adları tek bir alanda birleştirmeyin.
Neden: Google yayıncılara işaretlemeye her yazarı dahil etmelerini açıkça söyler.
Kaynak: Google Article yapılandırılmış verisi

Site yayınını ve yayıncısını açıkça tanımlıyor mu?

Ne: Kanıta dayalı uygulama: Sitenin amacını, editoryal kapsamını, yayıncısını ve kuruluşla ilişkisini açıklayın.
Nasıl: Bir Hakkımızda sayfasını güncel tutun ve içerikten ve gezinme menüsünden bu sayfaya bağlantı verin.
Neden: Google site ve yayıncı geçmişini bir güven göstergesi olarak değerlendirir.
Kaynak: Google faydalı içerik rehberi

Haber içeriklerinde sahiplik, şirket veya ağ ilişkileri şeffaf mı?

Ne: Doğrulanmış platform gereksinimi: Yayının arkasındaki kuruluşu tanımlayın.
Nasıl: Ana şirketi, kontrol eden kuruluşu ve önemli ağ ilişkilerini erişilebilir bir sayfada açıklayın.
Neden: Google News şeffaflık politikası bu bilgileri talep eder.
Kaynak: Google News politikaları

Haber içerikleri için kullanılabilir iletişim bilgileri sunuluyor mu?

Ne: Doğrulanmış platform gereksinimi: Okurlara yayıncıya ulaşabilecekleri bir yol sağlayın.
Nasıl: Takip edilen editoryal ve düzeltme iletişim kanallarıyla gerektiğinde kuruluşun iletişim bilgilerini paylaşın.
Neden: Google News şeffaflık politikası iletişim bilgileri ister.
Kaynak: Google News politikaları

Editoryal süreç ve doğruluk kontrolü süreci yayımlanmış mı?

Ne: Kanıta dayalı uygulama: Kaynak standartlarını, inceleme düzeylerini, güncelleme kurallarını ve bağımsızlığın nasıl korunduğunu açıklayın.
Nasıl: Kısa bir politika yayımlayın ve yüksek riskli içeriklerden bu politikaya bağlantı verin.
Neden: Okurlar iddiaların hangi süreçle yayımlandığını değerlendirebilir.
Kaynak: Google doğruluk kontrolü rehberi

Çalışan bir bildirim yolu içeren, kamuya açık bir düzeltme politikası var mı?

Ne: Kanıta dayalı uygulama: Nelerin düzeltileceğini, ne kadar hızlı düzeltileceğini ve değişikliklerin nasıl gösterileceğini tanımlayın.
Nasıl: Bildirim kanalını test edin ve yakın tarihli düzeltmelerden örnekler inceleyin.
Neden: Google, doğruluk kontrolü uygunluğu için bir düzeltme politikası veya hata bildirim mekanizması zorunlu tutar.
Kaynak: Google doğruluk kontrolü rehberi

Sponsorluk, ödeme, satış ortaklığı menfaati ve önemli destekler açıkça belirtiliyor mu?

Ne: Doğrulanmış platform gereksinimi: Ticari etkiyi bağımsız editoryal içerikten ayırın.
Nasıl: Sponsorluğu etkilenen içeriğin yakınında etiketleyin ve ilişkinin niteliğini açıklayın.
Neden: Google News gizlenen veya yanlış tanıtılan sponsorlu içerikleri yasaklar.
Kaynak: Google News politikaları

Okurların makul olarak bekleyeceği durumlarda önemli otomasyon veya üretken yapay zekâ kullanımı açıklanıyor mu?

Ne: Kanıta dayalı uygulama: Otomasyonun nerede katkıda bulunduğunu ve hangi insan kontrollerinin yapıldığını açıklayın.
Nasıl: Üretimi, verileri, incelemeyi ve sınırlamaları kapsayan bir oluşturma yöntemi notu ekleyin.
Neden: Google, otomatik oluşturulan içeriğin nasıl üretildiğine ilişkin bağlam sunulmasını önerir.
Kaynak: Google üretken yapay zekâ içeriği rehberi

Çıkar çatışmaları ve ilgili kurumsal bağlar iddia düzeyinde açıklanıyor mu?

Ne: Kanıta dayalı uygulama: Yorumu etkileyebilecek ilişkileri ortaya koyun.
Nasıl: Yazar ve inceleyen beyanlarını toplayın; önemli çatışmaları ilgili içeriğin yakınına yerleştirin.
Neden: Teşviklerin şeffaf olması okurların önerileri değerlendirmesine yardımcı olur.
Kaynak: Google News politikaları

Yüksek riskli tavsiyelerde yetkin inceleme ve yetkili yerel kaynaklar kullanılıyor mu?

Ne: Kanıta dayalı uygulama: Sağlık, hukuk, finans, güvenlik ve yurttaşlık yönlendirmelerine daha güçlü kanıt ve inceleme uygulayın.
Nasıl: Yetki alanına uygun birincil kaynakları, uzman incelemesini, güncelleme sıklığını ve konuyu üst seviyeye taşıma ifadelerini zorunlu kılın.
Neden: Hataların maliyeti yüksektir ve kurallar değişir.
Kaynak: Google faydalı içerik rehberi

Öncelikli kişiler, kuruluşlar, ürünler, yerler ve kavramlar için yönetişime tabi bir kayıt sistemi var mı?

Ne: Kanıta dayalı uygulama: Her varlık için tek bir kurum içi kayıt tutun.
Nasıl: Kararlı bir kimlik, kanonik ad, tür, URL, diğer adlar, ilişkiler, kaynak, sorumlu ve inceleme tarihi atayın.
Neden: Kayıt sistemi sayfalar ve akışlar arasında çelişkili kimlikler oluşmasını önler.
Kaynak: Google Organization yapılandırılmış verisi

Her varlığın kanonik herkese açık adı site genelinde tutarlı mı?

Ne: Kanıta dayalı uygulama: Görünür metin, meta veriler, yapılandırılmış veri, profiller ve akışlarda aynı birincil kimliği kullanın.
Nasıl: Şablonları ve veri kaynaklarını varlık kayıt sistemiyle karşılaştırın.
Neden: Google, Organization adlarının site adıyla tutarlı olmasını önerir.
Kaynak: Google Organization yapılandırılmış verisi

Geçerli diğer adlar, kullanıcı adları, kısaltmalar ve eski adlar kaydediliyor mu?

Ne: Kanıta dayalı uygulama: Her yazımı ayrı bir varlık saymadan okurların adları eşleştirmesine yardımcı olun.
Nasıl: İlgili diğer adları profillerde gösterin ve desteklendiği yerlerde `alternateName` kullanın.
Neden: Google, profil ve kuruluş kimliği için `alternateName` alanını sunar.
Kaynak: Google ProfilePage yapılandırılmış verisi

Belirsiz adlar açıkça ayırt ediliyor mu?

Ne: Kanıta dayalı uygulama: Aynı adı veya kısaltmayı paylaşan varlıkları birbirinden ayırın.
Nasıl: İlk kullanımda tür, konum, kurumsal bağ, rol, sürüm ve kanonik bağlantı ekleyin.
Neden: Adlar tek başına bir kişiyi, şirketi, ürünü veya kavramı benzersiz biçimde tanımlamayabilir.
Kaynak: Google Organization yapılandırılmış verisi

Her önemli varlığın tek ve kararlı bir kanonik URL'si var mı?

Ne: Kanıta dayalı uygulama: Varlığa kalıcı bir web kimliği verin.
Nasıl: Yetkili sayfayı seçin, güncel tutun, tutarlı biçimde bağlantı verin ve kullanımdan kaldırılan URL'leri yönlendirin.
Neden: Google, bir Organization URL'sinin kuruluşu benzersiz biçimde tanımlamaya yardımcı olduğunu belirtir.
Kaynak: Google Organization yapılandırılmış verisi

Kuruluşun kanonik sayfası doğru kimlik ve faaliyet bilgilerini belirtiyor mu?

Ne: Kanıta dayalı uygulama: Ad, açıklama, URL, logo, iletişim, adres, tüzel kimlik ve ilgili dış profilleri kapsayın.
Nasıl: Bu bilgileri ana sayfada veya Hakkımızda sayfasında güncel tutun ve işaretlemeyle uyumlu hâle getirin.
Neden: Google, idari ayrıntıları anlamak ve aynı adlı kuruluşları ayırt etmek için Organization verilerini kullanır.
Kaynak: Google Organization yapılandırılmış verisi

İşaretleme eklenen her profil, bağlantılı tek bir Person veya Organization varlığına mı odaklanıyor?

Ne: Doğrulanmış platform gereksinimi: Profilin birincil varlığını açık tutun.
Nasıl: Söz konusu kişi veya kuruluş için `ProfilePage.mainEntity` kullanın ve aynı odağı görünür içerikte gösterin.
Neden: Google, tek varlığa odaklanmayı ProfilePage içerik yönergelerinden biri olarak listeler.
Kaynak: Google ProfilePage yapılandırılmış verisi

Article yazar nesneleri kanonik profil URL'lerine bağlanıyor mu?

Ne: Kanıta dayalı uygulama: Her çalışmayı kararlı bir oluşturucu kimliğine bağlayın.
Nasıl: `author.url` değerini kurum içi yazar sayfasına ayarlayın ve uygun olduğunda bu sayfada ProfilePage işaretlemesi kullanın.
Neden: Google, oluşturucuları benzersiz biçimde tanımlamak için yazar URL'lerini önerir.
Kaynak: Google Article yapılandırılmış verisi

`sameAs` bağlantıları yalnızca yüksek güvenli kimlik eşleşmeleriyle mi sınırlı?

Ne: Kanıta dayalı uygulama: Yalnızca aynı varlığı açıkça temsil eden dış sayfalara bağlantı verin.
Nasıl: Sahipliği, adı, URL'yi ve güncel durumu doğrulayın; eski veya hayranlarca oluşturulmuş profilleri kaldırın.
Neden: `sameAs` bir kimlik iddiasıdır, genel bir ilgili bağlantılar listesi değildir.
Kaynak: Google Organization yapılandırılmış verisi

Resmî tanımlayıcılar yalnızca doğrulandıklarında ve doğru kapsamda mı ekleniyor?

Ne: Kanıta dayalı uygulama: Kurum içi kimlikleri, LEI, VAT, vergi, GS1, ROR, DOI veya diğer tanımlayıcıları doğru varlık türü için kullanın.
Nasıl: Tanımlayıcıyı düzenleyen kayıt sisteminde doğrulayın; yetki alanını ve biçimi kaydedin.
Neden: Tanımlayıcılar sistemler arasında varlıkları ayırt edebilir.
Kaynak: Google Organization yapılandırılmış verisi

Ana kuruluş, iştirak, marka, ürün, kurucu, çalışan ve sahiplik ilişkileri açık mı?

Ne: Kanıta dayalı uygulama: Varlıkların ilişkilerini yalnızca ad yakınlığına güvenmeden modelleyin.
Nasıl: İlişkileri görünür biçimde belirtin ve desteklenen özelliklerle tutarlı şekilde kodlayın.
Neden: Açık ilişkiler, bir modelin veya okurun marka, tüzel kişilik ve ürünü birbirine karıştırmasını önler.
Kaynak: Schema.org Organization

Kişiler, kuruluşlar, ürünler, etkinlikler, yerler ve kavramların türleri doğru belirlenmiş mi?

Ne: Kanıta dayalı uygulama: Birbirinden farklı şeyler için tek bir genel varlık nesnesi kullanmaktan kaçının.
Nasıl: Görünür isimleri ve JSON-LD türlerini varlık kayıt sistemiyle ve kaynak kanıtlarla karşılaştırarak denetleyin.
Neden: Doğru tür ataması anlamı ve özelliklerin geçerliliğini korur.
Kaynak: Google yapılandırılmış veriye giriş

İşaretleme, bir çalışmanın ana konusunu yalnızca bahsettiği varlıklardan ayırıyor mu?

Ne: Kanıta dayalı uygulama: Birincil konuyu ikincil referanslardan ayırın.
Nasıl: Ana konu için `about` veya `mainEntity`, yalnızca ikincil olarak anılan varlıklar için `mentions` kullanın.
Neden: Schema.org bu ilişkileri farklı biçimde tanımlar.
Kaynak: Schema.org `about`

Uzmanlık alanı iddiaları dar kapsamlı, doğrulanabilir ve tanıtım dilinden uzak mı?

Ne: Deneysel uygulama: Bir Person veya Organization varlığının hangi konularda bilgi sahibi olduğunu, desteklenmeyen bir uzmanlık iddiasında bulunmadan açıklayın.
Nasıl: Görünür kanıt kullanın; yararlıysa gerçek çalışmalara bağlı `knowsAbout` bağlantıları veya terimleri ekleyin.
Neden: Schema.org bu özelliğin olası uzmanlığa işaret ettiğini, ancak uzmanlığı kesin olarak göstermediğini belirtir.
Kaynak: Schema.org `knowsAbout`

Varlık bilgileri metin, şema, görsel, video ve indirilebilir verilerde tutarlı mı?

Ne: Kanıta dayalı uygulama: Adlar, özellikler, tarihler, fiyatlar ve iddialar arasındaki biçimler arası çelişkileri önleyin.
Nasıl: Yayın sırasında tüm sunum biçimlerini kanonik varlık kaydıyla karşılaştırın.
Neden: Microsoft, belirsizliği azaltmak için biçimler arasında uyum önerir.
Kaynak: Bing AI Performance

Yerel işletme adı, adresi, telefonu, çalışma saatleri ve hizmet bilgileri her yerde güncel mi?

Ne: Kanıta dayalı uygulama: Yerel faaliyet bilgileri için tek bir doğruluk kaynağı kullanın.
Nasıl: Web sitesini, işaretlemeyi, Bing Places'ı, Google Business Profile'ı, dizinleri ve konum sayfalarını birbiriyle uyumlu hâle getirin.
Neden: Microsoft, konum tabanlı yapay zekâ yanıtları için güncel adres, çalışma saatleri ve iletişim bilgilerinin önemini vurgular.
Kaynak: Bing AI Performance

Kurumun güncel, yasal ve eski adları birbirinden ayrılırken birleşme, satın alma ve yeniden markalama geçmişi tarihlerle belgeleniyor mu?

Ne: Deneysel uygulama: Güncel kurumu eski tüzel kişiler veya adlarla özdeşleştirmeden kimlik sürekliliğini koruyun.
Nasıl: `name`, `legalName`, `alternateName`, tanımlayıcılar ve `sameAs` bağlantılarını tutarlı tutun; tarihli değişiklikleri görünür biçimde açıklayın, yönlendirmeleri ve ilişkileri güncelleyin.
Neden: Tutarlı kimlik alanları kurumun ayırt edilmesine yardımcı olur; tarihli kurumsal geçmiş modeli ise belgelenmiş bir üretken arama sıralama faktörü değil, operasyonel bir çıkarımdır.
Kaynak: Google Kurum yapılandırılmış veri dokümantasyonu

Ürün sürümleri, modelleri, planları ve versiyonları açıkça birbirinden ayrılmış mı?

Ne: Kanıta dayalı uygulama: Özelliklerin veya fiyatların farklı sürümler arasında karışmasını önleyin.
Nasıl: Her önemli varyanta kararlı bir tanımlayıcı, yaşam döngüsü tarihleri, uyumlu sürümler ve kanonik ayrıntı sayfası verin.
Neden: Varlık belirsizliği yanlış önerilere yol açabilir.
Kaynak: Google yapay zekâ optimizasyonu rehberi

İç bağlantılar hedef varlığı veya konuyu açıklayıcı biçimde adlandırıyor mu?

Ne: Kanıta dayalı uygulama: Genel bağlantı metinlerini kısa ve bağlama uygun kimlik etiketleriyle değiştirin.
Nasıl: Önemli varlık sayfalarını, metni bağlam dışında da anlamlı olan gerçek bağlantılar üzerinden erişilebilir kılın.
Neden: Google açıklayıcı ve ilgili bağlantı metni kullanılmasını önerir.
Kaynak: Google bağlantı en iyi uygulamaları

Dış kimlik kaynakları belirli aralıklarla birinci taraf bilgilerle karşılaştırılıyor mu?

Ne: Kanıta dayalı uygulama: Güvenilir kayıt sistemleri, profiller, incelemeler ve bilgi panellerindeki çelişkileri bulun.
Nasıl: Etkisi yüksek dış kayıtları izleyin, yetkili kaynağı belgeleyin; sahip olduğunuz yüzeyleri düzeltin veya düzeltme talep edin.
Neden: Yapay zekâ yanıtları yalnızca markanın sitesini değil, birden fazla kaynağı sentezleyebilir.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Bir “GEO şeması” icat etmeden yalnızca belgelenmiş ve uygulanabilir schema türleri mi kullanılıyor?

Ne: Doğrulanmış platform gereksinimi: Gerçek sayfa için desteklenen en spesifik sözlüğü seçin.
Nasıl: Platform dokümantasyonu ve schema.org ile doğrulayın.
Neden: Yapılandırılmış veri açık ipuçları sağlar; ancak yanıt motorlarına özgü özel bir tür belgelenmemiştir.
Kaynak: Google yapılandırılmış veriye giriş

JSON-LD sözdizimsel olarak geçerli, erişilebilir ve tanımladığı sayfaya bağlı mı?

Ne: Doğrulanmış platform gereksinimi: Bakımı kolay, desteklenen bir biçim kullanın.
Nasıl: Üretim işaretlemesini ayrıştırın; gerekli özellikleri ve URL'leri test edin.
Neden: Google JSON-LD'yi önerir ve işaretlenen sayfaya erişim ister.
Kaynak: Google yapılandırılmış veri yönergeleri

Zorunlu ve yararlı önerilen özellikler eksiksiz, doğru ve güncel mi?

Ne: Doğrulanmış platform gereksinimi: Eksik veya eski makinece okunabilir bilgileri önleyin.
Nasıl: Her sürümde canonical veritabanına ve geçerlilik kurallarına göre doğrulayın.
Neden: Zorunlu özellikleri eksik olan sayfalar özellik uygunluğunu kaybeder; güncelliğini yitiren zamana duyarlı veriler gösterilmeyebilir.
Kaynak: Google yapılandırılmış veri yönergeleri

Yapılandırılmış veride referans verilen görsel ve medya URL'leri taranabilir ve indekslenebilir mi?

Ne: Doğrulanmış platform gereksinimi: Makinelerin beyan edilen varlıklara erişebilmesini sağlayın.
Nasıl: Edge üzerinden durum kodunu, robots kurallarını, canonical değerini, MIME türünü ve kararlı URL'yi test edin.
Neden: Google erişilemeyen görselleri kullanamaz.
Kaynak: Google yapılandırılmış veri yönergeleri

Ücretli içerik, yalnızca tarayıcılara farklı içerik göstermek yerine platformların desteklediği doğru işaretlemeyle beyan ediliyor mu?

Ne: Doğrulanmış platform gereksinimi: Kısıtlı erişimi dürüstçe ayırt edin.
Nasıl: Uygun yerde Google isAccessibleForFree ve hasPart özellikleriyle Apple'ın sayfa düzeyindeki sinyalini uygulayın.
Neden: Doğru işaretleme, kısıtları bildirirken uygunluğu korur.
Kaynak: Google ücretli içerik işaretlemesi

Görsel ilişkiler programatik olarak da belirlenebiliyor mu?

Ne: Kanıta dayalı uygulama: Başlıkları, listeleri, tanımları, tabloları, sayfa bölgelerini ve etiketleri uygun HTML ile kodlayın.
Nasıl: Bileşenlerin eklediği içerik dahil DOM ve erişilebilirlik ağacı çıktısını inceleyin.
Neden: Semantik ilişkiler sunum değiştiğinde de kullanılabilir kalır.
Kaynak: WCAG 2.2 bilgi ve ilişkiler

Atıflar ve iç referanslar gerçek, taranabilir bağlantılar mı?

Ne: Kanıta dayalı uygulama: Tıklama işleyicileri, stillendirilmiş `span` öğeleri veya yalnızca betikle çalışan gezinme yerine `<a href>` kullanın.
Nasıl: Render edilmiş HTML'yi inceleyin ve bağlantıları istemci tarafı JavaScript olmadan test edin.
Neden: Bağlantılar kalıcı bir ilişkiyi ve hedefi görünür kılar.
Kaynak: Google bağlantı en iyi uygulamaları

Bağımsız grafikler, diyagramlar, kod listeleri ve alıntılar `figure` ile `figcaption` içinde gruplanıyor mu?

Ne: Kanıta dayalı uygulama: Bir varlığı açıklaması ve kararlı etiketiyle ilişkilendirin.
Nasıl: Semantik figure işaretlemesi kullanın ve varlığa “yukarıdaki” ya da “aşağıdaki” yerine etiketiyle gönderme yapın.
Neden: WHATWG, figure öğelerini isteğe bağlı açıklamaları olan bağımsız birimler olarak tanımlar.
Kaynak: WHATWG figure semantiği

Blok ve satır içi alıntılar doğru işaretlenip kaynaklandırılıyor mu?

Ne: Kanıta dayalı uygulama: Alıntılanan içeriği yazarın anlatımından ayırın.
Nasıl: Uygun olduğunda `blockquote` veya `q`, yararlıysa geçerli bir kaynak URL'si kullanın; görünür kaynak bilgisini alıntının dışında verin.
Neden: HTML semantiği alıntı sınırlarını korur.
Kaynak: WHATWG blockquote semantiği

`cite` öğesi kişi veya alıntı yerine bir eser adı için mi kullanılıyor?

Ne: Kanıta dayalı uygulama: Atıf semantiğini geçerli tutun.
Nasıl: Yalnızca atıf verilen eserin adını `cite` ile işaretleyin ve ayrıca tıklanabilir bir kaynak sunun.
Neden: WHATWG, `cite` kullanımını açıkça eser adlarıyla sınırlar.
Kaynak: WHATWG `cite` semantiği

Tanımların önemli olduğu yerlerde tanımlayan kullanımlar kodlanmış ve bağlantı verilebilir mi?

Ne: Kanıta dayalı uygulama: Bir terimle tanımını açıkça ilişkilendirin.
Nasıl: `dfn`, kararlı bir parça kimliği ve yararlı olduğunda sonraki kullanımlardan bağlamsal bağlantılar kullanın.
Neden: WHATWG, `dfn` öğesini bir terimin tanımlayıcı kullanımı olarak açıklar.
Kaynak: WHATWG `dfn` semantiği

Yayın, değişiklik, etkinlik ve sona erme tarihleri makinece okunabilir ve doğru etiketlenmiş mi?

Ne: Kanıta dayalı uygulama: Farklı zamansal bilgileri birbirinden ayırın.
Nasıl: Görünür etiketler, geçerli `<time datetime>` değerleri, ilgili olduğunda doğru saat dilimi ve eşleşen yapılandırılmış veri kullanın.
Neden: time öğesi makinece okunabilir bir tarih gösterimi sağlar.
Kaynak: WHATWG `time` semantiği

Yapılandırılmış veri, kullanıcıların gerçekten görebildiği içeriği mi açıklıyor?

Ne: Doğrulanmış platform gereksinimi: JSON-LD içinde gizli, yanıltıcı veya çelişkili iddiaları önleyin.
Nasıl: Her önemli özelliği kanonik render edilmiş sayfa ve kaynak verilerle karşılaştırın.
Neden: Google, işaretlemenin görünür sayfa içeriğini temsil etmesini şart koşar.
Kaynak: Google yapılandırılmış veri yönergeleri

Amaçlanan özellik için Google'ın desteklediği en özgül ve doğru sayfa türü kullanılıyor mu?

Ne: Kanıta dayalı uygulama: Belgelenmiş bir tür varken genel veya uydurma şema kullanmaktan kaçının.
Nasıl: İlgili Google özellik rehberinden başlayın; ardından yalnızca gerçeğe uygun ikincil anlam için daha geniş Schema.org türleri ekleyin.
Neden: Google, kendi davranışı için Search dokümantasyonunun belirleyici olduğunu söyler.
Kaynak: Google yapılandırılmış veriye giriş

Geniş ama eksik işaretleme yerine daha az sayıda eksiksiz ve doğru özellik mi tercih ediliyor?

Ne: Kanıta dayalı uygulama: Veri kalitesine öncelik verin.
Nasıl: Zorunlu ve anlamlı önerilen özellikleri yönetişime tabi kaynaklardan doldurun; bilinmeyen değerleri eklemeyin.
Neden: Google, mümkün olan her özelliği eklemek yerine daha az sayıda eksiksiz ve doğru özellik sunmayı önerir.
Kaynak: Google yapılandırılmış veriye giriş

Article yazar, tarih, başlık ve görsel değerleri makaleyle eşleşiyor mu?

Ne: Doğrulanmış platform gereksinimi: Oluşturucu ve yayın meta verilerini uyumlu tutun.
Nasıl: Her yazarı ayrı ayrı, kararlı yazar URL'lerini, doğru tarihleri ve içeriği temsil eden taranabilir görselleri doğrulayın.
Neden: Google'ın Article rehberi desteklenen alanları ve yazar en iyi uygulamalarını tanımlar.
Kaynak: Google Article yapılandırılmış verisi

Organization işaretlemesi gelişigüzel yinelenmek yerine kanonik ana sayfada veya Hakkımızda sayfasında mı yer alıyor?

Ne: Kanıta dayalı uygulama: Kimlik ayrıntılarını merkezileştirin.
Nasıl: Tek ve eksiksiz bir Organization düğümünü güncel tutun; diğer işaretlemelerden kararlı `@id` değerine başvurun.
Neden: Google kuruluş ayrıntılarının tek bir ana sayfada veya Hakkımızda sayfasında sunulmasını önerir.
Kaynak: Google Organization yapılandırılmış verisi

Birinci taraf veri kümeleri keşfedilebilir meta verilerle açıklanıyor mu?

Ne: Kanıta dayalı uygulama: Adı, açıklamayı, oluşturucuyu, tanımlayıcıyı, lisansı, kapsamı, dağıtımı ve veri kökenini yayımlayın.
Nasıl: Kanonik veri kümesi açılış sayfasına Dataset/DataDownload işaretlemesi ekleyin ve doğrulayın.
Neden: Google, Dataset Search keşfi için yapılandırılmış meta verileri kullanır.
Kaynak: Google Dataset yapılandırılmış verisi

`citation` ve `isBasedOn` yalnızca çalışma soyunu gerçeğe uygun biçimde ifade ettiğinde mi kullanılıyor?

Ne: Deneysel uygulama: Görünür atıflara ek olarak bir referansı veya türemeyi kodlayın.
Nasıl: Bu Schema.org özelliklerini CreativeWork nesnelerine ekleyin ve ölçeklemeden önce tüketici sistemlerde doğrulayın.
Neden: Bu sözlük, veri kökeni ilişkilerini açık hâle getirebilir.
Kaynak: Schema.org `citation`

Yapılandırılmış veri bir yapay zekâ atıf düğmesi gibi sunulmadan doğrulanıyor mu?

Ne: Kanıta dayalı uygulama: Sözdizimini, özellik uygunluğunu, görünür içerikle tutarlılığı ve dağıtım sonrası hataları test edin.
Nasıl: Doğrulayıcıyı ve platform raporlarını kullanın, ardından sonuçları ölçün.
Neden: Google, üretken yapay zekâ araması için yapılandırılmış verinin zorunlu olmadığını ve özel bir yapay zekâ şeması bulunmadığını belirtir.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Görseller ve videolar yalnızca dekorasyon değil, kanıt veya açıklama da sunuyor mu?

Ne: Kanıta dayalı uygulama: Kullanıcının ihtiyacını yanıtlamaya yardımcı olan medya kullanın.
Nasıl: Her varlığı bir iddia, prosedür, karşılaştırma veya gösterimle eşleyin; yinelenen stok görselleri kaldırın.
Neden: Google, üretken yapay zekâ araması fırsatları için yüksek kaliteli ve ilgili medya önerir.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Bilgi taşıyan her görselin yararlı ve bağlama uygun alternatif metni var mı?

Ne: Kanıta dayalı uygulama: Görselin amacını ve temel bilgisini aktarın.
Nasıl: Sayfa bağlamına uygun kısa bir alternatif metin yazın; dekoratif görsellerde boş alt değeri kullanın ve anahtar kelime doldurmaktan kaçının.
Neden: Google alternatif metni en önemli görsel meta verisi olarak niteler; WCAG ise metin alternatiflerini zorunlu kılar.
Kaynak: Google Görseller en iyi uygulamaları

Her önemli görsel açıklayıcı metnin ve olgusal bir görsel açıklamasının yakınına yerleştirilmiş mi?

Ne: Kanıta dayalı uygulama: Medyayı çevresindeki iddiayla ilişkilendirin.
Nasıl: İlgili bölüme yerleştirin, varlıkları adlandırın, önemliyse görsele tarih ekleyin ve kaynağına atıf verin.
Neden: Google görselin konusunu yakındaki sayfa içeriği, görsel açıklamaları ve başlıklardan çıkarır.
Kaynak: Google Görseller en iyi uygulamaları

Grafiklerin ve diyagramların eksiksiz bir metin veya veri eşdeğeri var mı?

Ne: Kanıta dayalı uygulama: Eğilimleri, etiketleri, birimleri ve sonuçları piksellerin dışında da sunun.
Nasıl: Alternatif metin yetersiz kaldığında kısa alternatif metne ek olarak yakında bir yorum, veri tablosu veya uzun açıklama sağlayın.
Neden: WCAG, karmaşık metin dışı içeriğin eşdeğer bilgi sunan bir alternatife sahip olmasını şart koşar.
Kaynak: WCAG metin dışı içerik

Şekillere kararlı açıklamalar verilmiş ve konumları yerine etiketleriyle mi başvuruluyor?

Ne: Kanıta dayalı uygulama: Duyarlı yerleşimlerde ve içerik çıkarımında anlamı koruyun.
Nasıl: `figure`, `figcaption`, bir kimlik ve “Şekil 2” gibi referanslar kullanın.
Neden: WHATWG, “yukarıdaki” veya “aşağıdaki” gibi konum referansları yerine etiketleri önerir.
Kaynak: WHATWG figure semantiği

Tercih edilen önizleme görseli içeriği temsil ediyor, özgül ve yüksek kaliteli mi?

Ne: Kanıta dayalı uygulama: Genel logolardan veya yanıltıcı küçük resimlerden kaçının.
Nasıl: İlgili bir görsel seçin, tutarlı görsel meta verileri sunun; kırpmaları ve en-boy oranlarını inceleyin.
Neden: Google içeriği temsil eden, genel olmayan ve yüksek çözünürlüklü tercih edilen görseller önerir.
Kaynak: Google Görseller en iyi uygulamaları

Görsel dosya adları, alternatif metinler, açıklamalar ve görsele gömülü metinler yerelleştirilmiş mi?

Ne: Kanıta dayalı uygulama: Varlığın tamamını hedef kitleye uyarlayın.
Nasıl: Anlam taşıyan meta verileri çevirin ve yalnızca kısmi çeviri katmanları eklemek yerine metin ağırlıklı grafikleri yeniden oluşturun.
Neden: Google yerelleştirilmiş görsel dosya adlarının ve bağlamsal meta verilerin çevrilmesini önerir.
Kaynak: Google Görseller en iyi uygulamaları

Önemli medya varlıkları kararlı, taranabilir kanonik URL'ler kullanıyor mu?

Ne: Kanıta dayalı uygulama: Yeniden kullanım sırasında keşfedilebilirliği ve kaynak ilişkilendirmesini koruyun.
Nasıl: Herkese açık varlıklarda süresi dolan imzalı URL'lerden kaçının, değiştirilen varlıkları yönlendirin ve aynı varlık tekrar kullanıldığında aynı görsel URL'sini kullanın.
Neden: Google tutarlı görsel URL'leri ve kararlı video URL'leri önerir.
Kaynak: Google Görseller en iyi uygulamaları

Yeniden kullanılabilir varlıklara oluşturucu, kaynak, telif hakkı, lisans ve edinme bilgileri eklenmiş mi?

Ne: Kanıta dayalı uygulama: Kaynak ilişkilendirmesini ve hakları koruyun.
Nasıl: IPTC veya yapılandırılmış meta veri, görünür kaynak bilgisi, lisans URL'si ve ilgili olduğunda lisans veren tarafa erişim yolu ekleyin.
Neden: Google, Görseller'de oluşturucu ve lisans bilgilerini gösterebilir.
Kaynak: Google görsel lisansı meta verileri

Yapay zekâ ile üretilen e-ticaret görselleri ve ürün verileri gerekli meta verilerle etiketlenmiş mi?

Ne: Doğrulanmış platform gereksinimi: Sentetik ürün medyasını ve oluşturulan katalog alanlarını tanımlayın.
Nasıl: Yapay zekâ görsellerine IPTC `DigitalSourceType` `TrainedAlgorithmicMedia` değerini gömün ve oluşturulan ürün alanlarını etiketli yapay zekâ içeriği olarak ayrı gönderin.
Neden: Google Merchant Center politikası bu işlemi zorunlu kılar.
Kaynak: Google üretken yapay zekâ içeriği rehberi

İş akışı desteklediğinde yüksek riskli özgün medya varlıkları doğrulanabilir Content Credentials taşıyor mu?

Ne: Kanıta dayalı uygulama: Kaynak ve düzenlemeleri kriptografik olarak doğrulanabilir, kurcalandığında bunu belli eden köken bilgisiyle belgeleyin.
Nasıl: Bir C2PA 2.4 manifesti oluşturup varlığa bağlayın ve imzalayın; doğrulanmış bileşen kökenini yetkili dönüşümler boyunca koruyun ve teslim edilen varlığı doğrulayın.
Neden: C2PA, medya iş akışları için imzalı köken beyanlarını, içerik bağlarını ve doğrulama durumlarını standartlaştırır.
Kaynak: C2PA Content Credentials 2.4 spesifikasyonu

Uygun olduğunda her birincil videonun kendine ait, kararlı bir izleme sayfası var mı?

Ne: Kanıta dayalı uygulama: Videoya kendi kanonik bağlamını verin.
Nasıl: Videonun ana içerik olduğu, benzersiz başlık ve açıklamaya sahip bir sayfa oluşturun.
Neden: Google, video özelliklerine uygunluk için özel bir izleme sayfası zorunlu tutar.
Kaynak: Google Video en iyi uygulamaları

Video meta verileri ve işaretleme gerçek videoyu doğru tanımlıyor mu?

Ne: Doğrulanmış platform gereksinimi: Başlığı, açıklamayı, küçük resmi, tarihleri, içerik URL'sini ve bölgeleri medyayla uyumlu hâle getirin.
Nasıl: VideoObject öğesini doğrulayın ve her alanı oynatılabilir varlıkla karşılaştırın.
Neden: Google yapılandırılmış verinin video içeriği ve diğer meta verilerle tutarlı olmasını zorunlu kılar.
Kaynak: Google Video en iyi uygulamaları

Önceden kaydedilmiş ses ve videolarda doğru altyazılar ve açıklayıcı dökümler bulunuyor mu?

Ne: Kanıta dayalı uygulama: Konuşmayı, ilgili sesleri ve temel görsel bilgileri metin olarak sunun.
Nasıl: Altyazıları insan incelemesinden geçirin, bir döküm yayımlayın, konuşmacıları belirtin ve görselleri anlamak için gerekli açıklamaları ekleyin.
Neden: W3C, altyazıları ve dökümleri erişilebilirlik alternatifleri olarak tanımlar.
Kaynak: W3C ses ve videoyu erişilebilir kılma rehberi

Video bölümleri, zaman damgaları, dökümdeki iddialar ve çevredeki sayfa metni birbiriyle uyumlu mu?

Ne: Kanıta dayalı uygulama: Biçimler arasında çelişki yaratmadan önemli anları erişilebilir kılın.
Nasıl: Doğru bölüm etiketleri veya Clip/SeekToAction verileri ekleyin; tarihleri, adları, sayıları ve sonuçları biçimler arasında uyumlu hâle getirin.
Neden: Google önemli anları destekler; Microsoft ise biçimler arasında varlık tutarlılığı önerir.
Kaynak: Google Video önemli anlar

Yerel sürüm alternatifleri doğru işaretlenmiş ve karşılıklı olarak tutarlı mı?

Ne: Doğrulanmış platform gereksinimi: Dil ve bölge eşdeğerlerini birbirine bağlayın.
Nasıl: hreflang kodlarını, kendine ve karşılıklı dönüş referanslarını, canonical değerlerini ve site haritası veya HTML işaretlemelerini doğrulayın.
Neden: Google'ın doğru yerel URL'yi seçmesine yardımcı olur.
Kaynak: Yerelleştirilmiş sayfa sürümleri

Robots, meta, durum kodu, canonical ve yapılandırılmış veri kuralları yerel sürümler arasında tutarlı mı?

Ne: Doğrulanmış platform gereksinimi: Bir dil sürümünün uygunluğu fark edilmeden kaybetmesini önleyin.
Nasıl: Her yerel sürüm için eksiksiz erişim matrisini çalıştırın.
Neden: Google, yerel uyarlamalı sitelerde robots kontrollerinin tutarlı uygulanmasını açıkça ister.
Kaynak: Yerel uyarlamalı tarama

Önemli yerelleştirilmiş içeriğe IP veya Accept-Language bağımlılığı ve zorunlu yönlendirme olmadan erişilebiliyor mu?

Ne: Doğrulanmış platform gereksinimi: Kararlı yerel URL'leri her geçerli tarayıcıya sunun.
Nasıl: ABD ve hedef bölgelerden, eksik veya farklı dil üstbilgileriyle test edin.
Neden: Googlebot çoğunlukla ABD IP'leri kullanır ve Accept-Language göndermez.
Kaynak: Yerel uyarlamalı tarama

Her dil sürümünün ayrı ve kararlı bir URL'si var mı?

Ne: Kanıta dayalı uygulama: Yerelleştirilmiş içeriği bağımsız olarak adreslenebilir kılın.
Nasıl: Dile özgü yollar veya alan adları kullanın; yalnızca çerez ya da üstbilgiyle çalışan dil değişikliklerinden kaçının.
Neden: Google, dinamik varyasyonların tümü taranamayabileceği için farklı URL'ler önerir.
Kaynak: Google çok dilli site rehberi

Tüm `hreflang` varyantları kendilerini ve karşılıklı her sürümü mutlak URL'lerle listeliyor mu?

Ne: Doğrulanmış platform gereksinimi: Dil-bölge kümesini eksiksiz ve çift yönlü tutun.
Nasıl: Tek ve tutarlı bir küme oluşturun, dil-bölge kodlarını doğrulayın ve dönüş bağlantılarını test edin.
Neden: Google karşılıklı olmayan veya eksik ek açıklamaları yok sayabilir.
Kaynak: Google yerelleştirilmiş sürümler rehberi

Eşleşmeyen dil veya bölge kullanıcıları için bir `x-default` seçeneği tanımlanmış mı?

Ne: Kanıta dayalı uygulama: Nötr seçiciyi veya varsayılan sayfayı belirtin.
Nasıl: Aynı alternatif kümesine `hreflang="x-default"` ekleyin ve amacını doğrulayın.
Neden: Google, açıkça hedeflenmeyen dil-bölge kullanıcıları için `x-default` kullanımını belgeler.
Kaynak: Google yerelleştirilmiş sürümler rehberi

Her sayfa içerik ve gezinme için tek ve açık bir birincil görünür dil mi kullanıyor?

Ne: Kanıta dayalı uygulama: Karma dilli sayfalardan ve yalnızca ortak şablon metninin çevrildiği içeriklerden kaçının.
Nasıl: Ana içeriği, menüleri, bileşenleri, hata mesajlarını, açıklamaları ve yapılandırılmış metni denetleyin.
Neden: Google dili görünür içerikten belirler ve sayfa başına tek dil önerir.
Kaynak: Google çok dilli site rehberi

Yerelleştirilmiş içerik, yerel niyete ve teamüllere hedef dile hâkim bir kişi tarafından uyarlanmış mı?

Ne: Kanıta dayalı uygulama: Cümle yapısını mekanik biçimde kopyalamak yerine anlamı koruyun.
Nasıl: Terminolojiyi, örnekleri, tonu, hukuki bağlamı, kaynakları ve kullanıcı görevlerini yerel uzmanla inceleyin.
Neden: Değişmeden kalan içeriğin etrafındaki çevrilmiş bir kabuk kötü kullanıcı deneyimi yaratır.
Kaynak: Google çok dilli site rehberi

Kullanıcılar zorunlu otomatik yönlendirme olmadan dil veya bölge değiştirebiliyor mu?

Ne: Kanıta dayalı uygulama: Kullanıcı kontrolünü ve bağlantı verilebilirliği koruyun.
Nasıl: Görünür alternatif bağlantılar sunun, URL'leri gizlemeden tercihi hatırlayın; IP'ye veya dile dayalı zorunlu yönlendirmelerden kaçının.
Neden: Google, otomatik yönlendirmelerin kullanıcıların ve tarayıcıların sürümleri görmesini engelleyebileceği konusunda uyarır.
Kaynak: Google çok dilli site rehberi

Belge dili kök öğede geçerli bir `lang` değeriyle tanımlanmış mı?

Ne: Doğrulanmış platform gereksinimi: Sayfanın varsayılan insan dilini belirtin.
Nasıl: `<html>` üzerinde geçerli bir BCP 47 etiketi kullanın ve oluşturulan yerleşimleri test edin.
Neden: W3C, `lang` özelliğini metin işleme ve erişilebilirlik için standart dil bildirimi olarak tanımlar.
Kaynak: W3C HTML'de dil bildirimi

Satır içi dil değişiklikleri ve çift yönlü metin doğru işaretlenmiş mi?

Ne: Doğrulanmış platform gereksinimi: Telaffuzu, karakter biçimlendirmesini ve okuma sırasını koruyun.
Nasıl: Başka bir dildeki bölümlere `lang` ekleyin; uygun `dir`, `bdi` veya `bdo` işlemesini kullanın.
Neden: W3C rehberi, dilin geçerli en üst düzeyde ve yönün ayrıca bildirilmesini gerektirir.
Kaynak: W3C HTML'de dil bildirimi

Para birimi, vergi, birimler, tarihler, saat dilimleri, kullanılabilirlik ve örnekler yerel olarak doğru mu?

Ne: Kanıta dayalı uygulama: Yanıtı pazara göre değiştiren bilgileri uyarlayın.
Nasıl: Değerleri her dil-bölge için ayrı kaynaktan alın, birimleri ve dönüşüm temelini gösterin; değişken ayrıntılara tarih ekleyin.
Neden: Konum, yanıtın ilgililiğinin bir parçasıdır ve ChatGPT yaklaşık veya hassas konum kullanabilir.
Kaynak: ChatGPT Search

Hukuki, düzenleyici, tıbbi ve yurttaşlıkla ilgili iddialar hedef yetki alanının yetkili kaynaklarına atıf veriyor mu?

Ne: Kanıta dayalı uygulama: Bir ülkenin kuralının küresel olarak genellenmesini önleyin.
Nasıl: Yetki alanını, yürürlük tarihini, düzenleyen kurumu ve istisnaları iddianın yakınında belirtin.
Neden: Yerel bağlam yüksek riskli yanıtları önemli ölçüde değiştirir.
Kaynak: Google çok dilli site rehberi

Yerel adres, telefon, çalışma saatleri, hizmet bölgesi ve iletişim yöntemleri tutarlı mı?

Ne: Kanıta dayalı uygulama: Konum varlıklarını her dil-bölge sürümünde doğru tutun.
Nasıl: Sayfa metnini, şemayı, platform listelemelerini, haritaları ve yerel profilleri yönetişime tabi tek bir kaynaktan uyumlu hâle getirin.
Neden: Google yerel adresleri, telefon numaralarını, para birimini ve yerel bağlantıları dil-bölge sinyalleri arasında sayar.
Kaynak: Google çok dilli site rehberi

Yerel adlar, harf çevirileri, dil bilgisel biçimler ve diğer adlar aynı varlıkla eşleştirilmiş mi?

Ne: Kanıta dayalı uygulama: Yerel kullanımı silmeden dile özgü etiketleri birbirine bağlayın.
Nasıl: Dil-bölge farklarını gözeten kanonik adları ve diğer adları tutun; bunları aynı kararlı varlık kimliğine bağlayın.
Neden: Çeviriler ayrı varlıklar gibi göründüğünde varlık çözümleme başarısız olabilir.
Kaynak: Google ProfilePage yapılandırılmış verisi

Her yerelleştirilmiş sayfa o hedef kitle için güvenilir ve erişilebilir kaynaklara atıf veriyor mu?

Ne: Kanıta dayalı uygulama: Tüm kanıtları başka bir dil veya pazardan aktarmaktan kaçının.
Nasıl: Yetkili yerel birincil kaynakları tercih edin, geçerli olduğunda küresel kaynakları koruyun ve pazarlar arası aktarımı açıklayın.
Neden: Arama ve yapay zekâ kaynak ekosistemleri dil ve coğrafyaya göre değişir.
Kaynak: Arama motorları arası GEO çalışması

Öncelikli istemler dil, ülke, şehir ve kişiselleştirme bağlamlarında test ediliyor mu?

Ne: Deneysel uygulama: Yanıtların, atıfların ve varlık eşleşmelerinin nerede farklılaştığını saptayın.
Nasıl: Adı belirtilmiş dil-bölge ayarları, yerel dilde doğal yeniden ifadeler, farklı tarihler ve kontrollü konumlarla çalıştırın; sonuç alınmayan denemeleri de kaydedin.
Neden: OpenAI konuma duyarlı yeniden yazmayı belgeler; araştırmalar ise diller arası farklılıklar bulur.
Kaynak: ChatGPT Search

Aynı dildeki bölgesel kopyalarda kanonik ve `hreflang` sinyalleri birbiriyle uyumlu mu?

Ne: Doğrulanmış platform gereksinimi: Bölgesel hedeflemeyi korurken tercih edilen kopyayı seçin.
Nasıl: Her bölgesel sürümü amaçlanan kanoniğe yönlendirin ve eksiksiz alternatif kümesini koruyun.
Neden: Google, aynı dildeki bölgesel kopyalar için kanonik ile `hreflang` kullanımını açıkça önerir.
Kaynak: Google çok dilli site rehberi

Her hedef sayfa Google Search'te indeksli ve snippet ile gösterilmeye uygun mu?

Ne: Doğrulanmış platform gereksinimi: Yapay zekâ özelliği uygunluğu için temel durumu belirleyin.
Nasıl: Search Console'da canonical ve indeks durumuyla snippet kontrollerini inceleyin.
Neden: Bu, destekleyici bağlantılar için Google'ın belirttiği teknik geçittir.
Kaynak: Google yapay zekâ özellikleri ve web siteleri

Googlebot her hedef sayfayı ve gerekli kaynağı tarayabiliyor mu?

Ne: Doğrulanmış platform gereksinimi: Yapay zekâ görünürlüğü istenen yerlerde arama taramasına izin verin.
Nasıl: Robots kurallarını, HTTP yanıtını, render edilmiş HTML'i, CSS'i, JavaScript'i ve medyayı test edin.
Neden: Googlebot, Search içindeki yapay zekâ özelliklerinin erişim kontrolüdür.
Kaynak: Google yapay zekâ özellikleri ve web siteleri

Google yapay zekâ atıf uygunluğu istenen yerlerde nosnippet yönergesi bulunmuyor mu?

Ne: Doğrulanmış platform gereksinimi: Sayfa ve üstbilgi yönergelerini denetleyin.
Nasıl: Canonical ve yinelenen yanıtlardaki HTML ile X-Robots-Tag değerlerini kontrol edin.
Neden: nosnippet, içeriğin AI Overviews ve AI Mode'a doğrudan girdi olmasını engeller.
Kaynak: Google robots meta spesifikasyonları

max-snippet değeri, istenen yapay zekâ önizleme politikasına göre bilinçli biçimde ayarlanmış mı?

Ne: Doğrulanmış platform gereksinimi: Yanlışlıkla sıfır veya gereğinden kısıtlı değer kullanılmasını önleyin.
Nasıl: Proxy ve CDN birleşiminden sonra geçerli olan yönergeleri envanterleyin.
Neden: Google bu sınırı, AI Overviews ve AI Mode'a doğrudan girdi olarak uygular.
Kaynak: Google robots meta spesifikasyonları

data-nosnippet yalnızca Google yapay zekâ önizlemelerinden özellikle çıkarılmak istenen içeriğe mi uygulanıyor?

Ne: Doğrulanmış platform gereksinimi: Sayfanın tamamını bastırmadan seçili metni koruyun.
Nasıl: Özniteliği ilk veya render edilmiş DOM'daki geçerli div, span ya da section öğelerine ekleyin.
Neden: Bu öznitelik metin düzeyindeki önizleme kullanımını kontrol eder.
Kaynak: Google robots meta spesifikasyonları

Google yapay zekâ özellikleri için hedeflenen sayfalarda noindex yönergesi bulunmuyor mu?

Ne: Doğrulanmış platform gereksinimi: HTML'i ve HTML dışı üstbilgileri kontrol edin.
Nasıl: Origin, CDN, mobil ve render edilmiş yanıtları karşılaştırın.
Neden: Bir sayfanın Search indekslemeye uygun kalması gerekir.
Kaynak: Google yapay zekâ özellikleri ve web siteleri

Google-Extended, Google Search yapay zekâ özelliklerinden ayrı mı ele alınıyor?

Ne: Doğrulanmış platform gereksinimi: Google-Extended'ı AI Overviews veya AI Mode anahtarı olarak kullanmayın.
Nasıl: Yalnızca Gemini Apps/Vertex grounding ve gelecekteki Gemini eğitim politikası için ayarlayın.
Neden: Search'e dâhil olmayı yönetmez.
Kaynak: Google'ın yaygın tarayıcıları

GoogleOther, Google Search görünürlük kararlarının dışında mı tutuluyor?

Ne: Doğrulanmış platform gereksinimi: Onu AI Overviews tarayıcısı olarak adlandırmayın.
Nasıl: Belirli bir resmî kullanım belgelenmedikçe genel ürün ekibi ve Ar-Ge erişimi olarak sınıflandırın.
Neden: Kuralları belirli bir ürünü etkilemez.
Kaynak: Google'ın yaygın tarayıcıları

Google inceleme aracı sonuçlarıyla üretimdeki Googlebot erişimi birbirinden ayrılıyor mu?

Ne: Doğrulanmış platform gereksinimi: Hem araç çıktısını hem de gerçek tarama ve indeks kanıtını test edin.
Nasıl: Yalnızca Google-InspectionTool'a izin veren WAF kurallarından kaçının.
Neden: Bu token Search'ü değil, testleri etkiler.
Kaynak: Google'ın yaygın tarayıcıları

Şüpheli Googlebot trafiği user-agent dizesinin ötesinde doğrulanıyor mu?

Ne: Doğrulanmış platform gereksinimi: Gerçek taramaları engellemeden sahteciliğe karşı korunun.
Nasıl: Ters DNS veya Google'ın yayımladığı IP aralıklarını kullanın.
Neden: User-agent dizeleri taklit edilebilir.
Kaynak: Googlebot dokümantasyonu

Mobil yanıt, eşdeğer ana içerik, meta veriler, bağlantılar ve yapılandırılmış veri içeriyor mu?

Ne: Doğrulanmış platform gereksinimi: Akıllı telefon Googlebot'unun gördüğünü denetleyin.
Nasıl: Render edilmiş mobil ve masaüstü DOM'larını ve yanıt yönergelerini karşılaştırın.
Neden: Google öncelikle mobil içeriği indeksler.
Kaynak: Mobil öncelikli indeksleme en iyi uygulamaları

İlgili alt konular sorgu fan-out'u için bağımsız olarak taranabiliyor mu?

Ne: Kanıta dayalı uygulama: Destekleyici sayfa ve bölümleri standart bağlantılarla keşfedilebilir kılın.
Nasıl: Konu kümesini merkez sayfasından tarayın; canonical ve indeks durumunu inceleyin.
Neden: AI Mode ve AI Overviews birbiriyle ilişkili birden çok arama yapabilir.
Kaynak: Google yapay zekâ özellikleri ve web siteleri

Google üretken yapay zekâ görünürlüğü doğru Search Console görünümlerinde ölçülüyor mu?

Ne: Doğrulanmış platform gereksinimi: Kullanılabildiğinde özel raporu kullanın ve genel Web raporunu koruyun.
Nasıl: Özel raporun mülk için kullanıma açılıp açılmadığını kaydedin ve karşılaştırılabilir tarih aralıklarını dışa aktarın.
Neden: Yapay zekâ özelliği verileri genel performansa dâhil olmaya devam eder.
Kaynak: Arama üretken yapay zekâ performans raporları

Google'ın üretken yapay zekâ raporunda URL, ülke, cihaz ve zaman boyutları inceleniyor mu?

Ne: Doğrulanmış platform gereksinimi: Görünürlük değişimlerini yüzey bağlamına göre ayırın.
Nasıl: Mülk için sunulan sayfa, ülke, cihaz ve saatlik, günlük, haftalık veya aylık eğilimleri izleyin.
Neden: Toplam veriler bölgesel veya şablon kaynaklı arızaları gizleyebilir.
Kaynak: Arama üretken yapay zekâ performans raporları

Önizleme kontrolü değişikliklerinden sonra yeniden tarama ve işleme için süre tanınıp sonuç doğrulandı mı?

Ne: Doğrulanmış platform gereksinimi: Bir değişikliği hemen etkisiz ilan etmeyin.
Nasıl: Getirilen HTML'i inceleyin, yeniden tarama isteyin ve canonical yeniden işlenene kadar izleyin.
Neden: Google, değişikliklerin yeniden taranmasının günler ile aylar sürebileceğini belirtir.
Kaynak: Google yapay zekâ özellikleri ve web siteleri

Ekip, Google'a özgü olduğu iddia edilen özel bir “GEO gereksinimini” reddetti mi?

Ne: Doğrulanmış platform gereksinimi: Google yapay zekâ uygunluğunu Search teknik gereksinimleri ve politikalarına dayandırın.
Nasıl: Özel bir etiket, dosya veya işaretleme eklemeden önce resmî kaynak şartı koyun.
Neden: Google ek teknik gereksinim veya özel optimizasyon olmadığını belirtir.
Kaynak: Google yapay zekâ özellikleri ve web siteleri

ChatGPT Search özetleri ve atıflarında görünmesi hedeflenen her sayfada OAI-SearchBot'a izin veriliyor mu?

Ne: Doğrulanmış platform gereksinimi: Aramaya özgü bota izin verin.
Nasıl: Canonical içerik ve varlıklar için geçerli robots grubunu test edin.
Neden: Gezinme bağlantıları kalabilse de erişimi kapatılan siteler Search yanıtlarında gösterilmez.
Kaynak: OpenAI tarayıcılarına genel bakış

CDN ve WAF, user-agent ile birlikte güncel OAI-SearchBot IP aralıklarına da izin veriyor mu?

Ne: Doğrulanmış platform gereksinimi: Ağ katmanındaki yanlış engelleri kaldırın.
Nasıl: https://openai.com/searchbot.json kaynağını tüketin, IP ve UA koşullarını birlikte uygulayın ve origin loglarını test edin.
Neden: OpenAI, yayımlanan aralıklardan gelen trafiğe sunucu ve CDN erişimi verilmesini açıkça ister.
Kaynak: ChatGPT Search yardımı

User-agent kuralları OAI-SearchBot sürüm değişikliklerini ve robots işaretleyicisini tolere ediyor mu?

Ne: Doğrulanmış platform gereksinimi: Sabitlenmiş tam dizeyi değil, kararlı ürün tokenını eşleştirin.
Nasıl: Normal istek biçimini ve robots.txt işaretleyicisi taşıyan biçimi test edin.
Neden: OpenAI sürüm numaralarının değişebileceğini ve robots isteklerinin ek bir işaretleyici taşıyabileceğini belirtir.
Kaynak: OpenAI tarayıcılarına genel bakış

GPTBot politikası OAI-SearchBot politikasından bağımsız mı?

Ne: Doğrulanmış platform gereksinimi: Search görünürlüğünü yanlışlıkla bastırmadan eğitim kullanımına karar verin.
Nasıl: Her token için ayrı robots grubu ve testler oluşturun.
Neden: OpenAI, model eğitimi taramasına izin vermeden Search'e izin tanınmasını destekler.
Kaynak: OpenAI tarayıcılarına genel bakış

ChatGPT-User otomatik Search'e dâhil edilme mantığının dışında mı tutuluyor?

Ne: Doğrulanmış platform gereksinimi: Onu Search izin veya engel tokenı olarak kullanmayın.
Nasıl: Search'ü OAI-SearchBot üzerinden yönetin; ChatGPT-User'ı kullanıcı tarafından tetiklenen erişim olarak ele alın.
Neden: OpenAI, ChatGPT-User'ın Search'te görünmeyi belirlemediğini söyler.
Kaynak: OpenAI tarayıcılarına genel bakış

Site, kullanıcı tarafından tetiklenen ChatGPT erişimini robots kontrollü taramadan ayrı olarak test etti mi?

Ne: Doğrulanmış platform gereksinimi: ChatGPT-User'dan gelen işlemleri gözlemleyin.
Nasıl: Temsili herkese açık URL'leri test edin; kimlik doğrulama ve WAF davranışlarını inceleyin.
Neden: robots.txt, kullanıcı tarafından başlatılan işlemlere uygulanmayabilir.
Kaynak: OpenAI tarayıcılarına genel bakış

Bir OpenAI değişikliğinden sonra belgelenen robots politikası yayılım süresi hesaba katıldı mı?

Ne: Doğrulanmış platform gereksinimi: Erken olumlu veya olumsuz yargılardan kaçının.
Nasıl: Belirtilen uyarlama süresi geçtikten sonra yeniden test edin ve canlı istekleri doğrulayın.
Neden: OpenAI, Search sistemlerinin uyum sağlamasının yaklaşık 24 saat sürebileceğini belirtir.
Kaynak: OpenAI tarayıcılarına genel bakış

Başlık ve bağlantı görünürlüğü bile yasaklanacaksa yalnızca OAI-SearchBot engeline güvenmek yerine taranabilir sayfada noindex kullanılıyor mu?

Ne: Doğrulanmış platform gereksinimi: Kontrolü kaldırma hedefiyle uyumlu hâle getirin.
Nasıl: Botun noindex değerini okumasına izin verin, ardından indeksten kaldırılmayı doğrulayın.
Neden: OpenAI başka yerlerden öğrendiği engelli bir URL'yi veya başlığı gösterebilir.
Kaynak: OpenAI yayıncı SSS

ChatGPT yönlendirme trafiği belgelenmiş kampanya parametresiyle tanımlanıyor mu?

Ne: Doğrulanmış platform gereksinimi: utm_source=chatgpt.com parametresini koruyun ve raporlayın.
Nasıl: Yönlendirmelerin parametreyi kaldırmasını önleyin; açılış ve dönüşüm analitiğini segmentleyin.
Neden: OpenAI bu parametreyi yönlendirme URL'lerine ekler.
Kaynak: OpenAI yayıncı SSS

ChatGPT Search için hedeflenen sayfalara giriş, CAPTCHA veya onay çıkmazı olmadan herkese açık biçimde erişilebiliyor mu?

Ne: Doğrulanmış platform gereksinimi: Kullanılabilir, herkese açık bir yanıt sunun.
Nasıl: Doğrulanmış bot yolu ve temiz oturumla CDN ve origin üzerinden erişimi test edin.
Neden: OpenAI herkese açık web sitelerini uygun kabul eder; kimlik doğrulama ve doğrulama engellerini ayrıca sorun olarak belirtir.
Kaynak: OpenAI reklamveren tarayıcı rehberi

ChatGPT Search yalnızca tam markalı istemlerle değil, olası yeniden yazılmış ve takip sorgularıyla da test ediliyor mu?

Ne: Kanıta dayalı uygulama: Sorgu varyantları üzerinden keşfedilebilirliği doğrulayın.
Nasıl: Alt konu, güncellik, karşılaştırma ve yerel sürüm senaryolarını kapsayan bir istem seti tutun.
Neden: ChatGPT tek bir istemi, iş ortaklarında çalıştırılan birden fazla hedefli sorguya dönüştürebilir.
Kaynak: ChatGPT Search yardımı

E-ticaret sitelerinde güncel birinci taraf ürün verileri, uygun olduğunda desteklenen entegrasyon veya akışlarla sağlanıyor mu?

Ne: Kanıta dayalı uygulama: Eski ürün bilgilerini azaltın.
Nasıl: Shopify Catalog entegrasyonunu doğrulayın veya doğrudan ürün akışı erişimine başvurun; akış ile sayfa verisini uzlaştırın.
Neden: OpenAI doğrudan akışların güncel ürünleri yansıtmaya yardımcı olduğunu belirtir.
Kaynak: ChatGPT Search ile alışveriş

Stok, fiyat, açıklama ve satıcı kimliği gibi e-ticaret alanları akış, yapılandırılmış meta veri ve açılış sayfasında tutarlı mı?

Ne: Doğrulanmış platform gereksinimi: Çelişen ürün bilgilerini ortadan kaldırın.
Nasıl: Her güncellemede katalog dışa aktarımını canonical sayfalarla karşılaştırın.
Neden: ChatGPT satıcı ve üçüncü taraf meta verilerini kullanır; satıcı seçeneklerini kısmen stok ve fiyata göre sıralar.
Kaynak: ChatGPT Search ile alışveriş

Etkileşimli sayfalar Atlas'taki ChatGPT Agent için semantik olarak kullanılabilir mi?

Ne: Kanıta dayalı uygulama: Düğmeleri, menüleri, formları, rolleri, etiketleri ve durumları makinece okunabilir kılın.
Nasıl: WAI-ARIA kalıplarına göre denetleyin ve temsili agent yolculuklarını çalıştırın.
Neden: OpenAI, Atlas'ın arayüzleri yorumlamak için ARIA semantiğini kullandığını belirtir.
Kaynak: OpenAI yayıncı SSS

Bingbot hedef içeriği ve kaynakları tarayabiliyor mu?

Ne: Doğrulanmış platform gereksinimi: Bing ve yapay zekâ destekli deneyimleri besleyen Bing indeks uygunluğunu sağlayın.
Nasıl: Bing Webmaster Tools'ta robots kurallarını, canlı getirmeyi, yanıtı ve render edilmiş işaretlemeyi test edin.
Neden: Bing, Copilot keşfini tarama ve indeks erişilebilirliğine bağlar.
Kaynak: Yapay zekâ destekli aramada Bing site haritaları

Özel bir Bingbot grubu varsa gerekli genel yönergeleri tekrarlıyor mu?

Ne: Doğrulanmış platform gereksinimi: İstenmeyen politika boşluklarını önleyin.
Nasıl: Yıldız grubunun birleştiğini varsaymak yerine geçerli Bingbot grubunu ayrıştırın.
Neden: Bing, özel bir grubun genel yönergeleri yok saymasına neden olduğunu belirtir.
Kaynak: Bing robots.txt rehberi

Bing yönergeyi görene kadar noindex taşıyan sayfaları Bingbot tarayabiliyor mu?

Ne: Doğrulanmış platform gereksinimi: Doğru kaldırma mekanizmasını kullanın.
Nasıl: Robots engelini kaldırın, noindex sunun ve indeks durumunu izleyin.
Neden: Bing'in noindex değerini okuyabilmesi için sayfayı getirmesi gerekir.
Kaynak: URL'leri Bing'den engelleme

Microsoft'un üretken model eğitim tercihi, tarama erişiminden çıkarım yapılmak yerine bilinçli biçimde yapılandırılıyor mu?

Ne: Doğrulanmış platform gereksinimi: Güncel belgelenmiş eğitim kullanımı yönergesi dâhil, Bing'in desteklediği meta ve X-Robots kontrollerini denetleyin.
Nasıl: Geçerli etiketin tam değerini kaydedin; getirilen HTML veya üstbilgide doğrulayın.
Neden: Bing içerik gösterimi ve üretken yapay zekâ veri kullanım kontrollerini ayrı ayrı belgeler.
Kaynak: Bing robots meta etiketleri

IndexNow'a katılan arama motorları hedef pazarlarınız için önemliyse yeni, anlamlı biçimde değişen ve silinen URL'ler gönderiliyor mu?

Ne: Kanıta dayalı uygulama: IndexNow'ı taranabilir bağlantılar ve XML site haritalarının yanında isteğe bağlı bir güncellik bildirimi olarak kullanın.
Nasıl: Güvenilir bir CMS veya CDN entegrasyonunu etkinleştirin ya da doğrulanmış bir API anahtarı kurun; yalnızca yakın tarihli yaşam döngüsü değişikliklerini gönderin.
Neden: Katılımcı arama motorları değişiklik bildirimlerini daha erken alabilir; ancak bir URL'nin taranıp indekslenip indekslenmeyeceğine ve ne zaman işleneceğine her motor kendisi karar verir.
Kaynak: IndexNow protokol dokümantasyonu

IndexNow ve XML site haritaları birbirinin alternatifi değil, birlikte mi kullanılıyor?

Ne: Kanıta dayalı uygulama: Gerçek zamanlı değişiklik bildirimini kapsamlı envanterle eşleştirin.
Nasıl: Gönderilen değişiklik loglarını site haritası kapsamıyla karşılaştırın.
Neden: Bing yapay zekâ destekli arama için iki sinyalin birlikte kullanılmasını açıkça önerir.
Kaynak: Yapay zekâ destekli aramada Bing site haritaları

Hedef URL'ler Bing URL Inspection'da hem indeksli hem Live URL görünümleriyle kontrol ediliyor mu?

Ne: Doğrulanmış platform gereksinimi: Saklanan indeks durumunu güncel getirme durumundan ayırın.
Nasıl: Keşif, tarama, HTTP, HTML, canonical, işaretleme ve canlı yanıtı inceleyin.
Neden: Araç, Bingbot'un ne gördüğünü ve bir URL'nin neden hariç tutulduğunu gösterir.
Kaynak: Bing URL Inspection

Bing tarama hızı hata yanıtlarıyla değil, desteklenen kontrollerle mi sınırlandırılıyor?

Ne: Doğrulanmış platform gereksinimi: Erişimi bozmadan kapasiteyi koruyun.
Nasıl: Crawl Control veya bilinçli bir crawl-delay kullanın, ardından güncelliği izleyin.
Neden: Bing, crawl-delay değerine panel ayarlarından önce uyar.
Kaynak: Bing Crawl Control

Perplexity arama görünürlüğü istenen yerlerde PerplexityBot'a izin veriliyor mu?

Ne: Doğrulanmış platform gereksinimi: Otomatik arama indeksi tarayıcısına izin verin.
Nasıl: Canonical içerik ve kaynaklarda robots grubunu test edin.
Neden: Perplexity sonuçlarda görünmek için bota izin verilmesini önerir.
Kaynak: Perplexity tarayıcı dokümantasyonu

WAF, hem user-agent hem de IP doğrulamasıyla PerplexityBot trafiğine izin veriyor mu?

Ne: Doğrulanmış platform gereksinimi: Güvenlik kontrollerinin robots niyetini geçersiz kılmasını önleyin.
Nasıl: UA eşleştirmesini resmî perplexitybot.json aralıklarıyla birlikte uygulayın.
Neden: Perplexity iki koşulun birlikte kullanılmasını açıkça önerir.
Kaynak: Perplexity tarayıcı dokümantasyonu

Perplexity IP setleri resmî uç noktalardan otomatik olarak yenileniyor mu?

Ne: Doğrulanmış platform gereksinimi: Cloudflare ve AWS kurallarını güncel tutun.
Nasıl: Bot ve kullanıcı JSON kaynaklarını düzenli çekin; doğrulayın, kademeli uygulayın ve farklarda uyarı üretin.
Neden: Perplexity adreslerin düzenli olarak güncellendiğini belirtir.
Kaynak: Perplexity tarayıcı dokümantasyonu

Perplexity-User, PerplexityBot'tan ayrı mı ele alınıyor?

Ne: Doğrulanmış platform gereksinimi: Kullanıcı isteğiyle yapılan sayfa erişimlerini bağımsız denetleyin.
Nasıl: Her iki kimliği de test edin ve istenen erişimi belgeleyin.
Neden: Perplexity-User soru anındaki işlemleri destekler ve otomatik indeks tarayıcısı değildir.
Kaynak: Perplexity tarayıcı dokümantasyonu

Tarayıcı kuralı değişikliklerinden sonra Perplexity'nin belirttiği politika yayılım süresi beklendi mi?

Ne: Doğrulanmış platform gereksinimi: Çok erken test yapmaktan kaçının.
Nasıl: Belgelenen süre geçtikten sonra doğrulamayı tekrarlayın ve logları kontrol edin.
Neden: Perplexity değişikliklerin yansımasının 24 saate kadar sürebileceğini belirtir.
Kaynak: Perplexity tarayıcı dokümantasyonu

PerplexityBot model eğitimi vazgeçme matrisinin dışında mı tutuluyor?

Ne: Doğrulanmış platform gereksinimi: Botun amacını yanlış sınıflandırmayın.
Nasıl: Onu arama indeksleme olarak sınıflandırın ve eğitim politikasını başka kontrollerle yönetin.
Neden: Perplexity bu botun temel model eğitimi için tarama yapmadığını belirtir.
Kaynak: Perplexity tarayıcı dokümantasyonu

Perplexity'de her türlü görünürlük yasaklanacaksa robots engeli uygun bir kaldırma kontrolüyle tamamlanıyor mu?

Ne: Doğrulanmış platform gereksinimi: Alan adı, başlık veya özetin sınırlı biçimde indekste kalabileceğini hesaba katın.
Nasıl: Görüntülenmeye devam eden veriyi doğrulayın ve gerektiğinde yayıncı desteğine eskale edin.
Neden: Perplexity engellenen sitelere ait sınırlı bilgilerin yine de indekslenebileceğini belirtir.
Kaynak: Perplexity robots.txt kurallarına nasıl uyar?

Claude arama görünürlüğü istenen yerlerde Claude-SearchBot'a izin veriliyor mu?

Ne: Doğrulanmış platform gereksinimi: Arama kalitesi tarayıcısına izin verin.
Nasıl: Her sunucu ve kritik yolda tam tokenı test edin.
Neden: Anthropic, botun engellenmesinin kullanıcı arama sonuçlarındaki görünürlük ve doğruluğu azaltabileceğini belirtir.
Kaynak: Anthropic tarayıcı kontrolleri

Claude-User erişimi bilinçli olarak yapılandırılıp test ediliyor mu?

Ne: Doğrulanmış platform gereksinimi: Claude'un kullanıcı yönlendirmesiyle sayfa getirip getiremeyeceğine karar verin.
Nasıl: Temsili herkese açık, ücretli ve korumalı yolları test edin.
Neden: Erişimin kapatılması, kullanıcı tarafından başlatılan getirmeyi engeller ve görünürlüğü azaltabilir.
Kaynak: Anthropic tarayıcı kontrolleri

ClaudeBot eğitim politikası Claude-SearchBot ve Claude-User'dan bağımsız mı?

Ne: Doğrulanmış platform gereksinimi: Model geliştirme için veri toplamayı yanıt erişiminden ayırın.
Nasıl: Üç ayrı ve açık robots grubu tutun.
Neden: Anthropic her bot için farklı bir amaç ve etki belgeler.
Kaynak: Anthropic tarayıcı kontrolleri

Anthropic kuralları erişime açılan veya kapatılan her alt alan adında bulunuyor mu?

Ne: Doğrulanmış platform gereksinimi: Eksik politika kapsamını önleyin.
Nasıl: Her sunucuda /robots.txt dosyasını ve hedef yanıtları ayrı ayrı getirin.
Neden: Anthropic, yayıncılardan her alt alan adını yapılandırmalarını açıkça ister.
Kaynak: Anthropic tarayıcı kontrolleri

Anthropic tarama yükünün sınırlandırılması gerekiyorsa desteklediği standart dışı crawl-delay dikkatle kullanılıyor mu?

Ne: Doğrulanmış platform gereksinimi: Engellemek veya hata döndürmek yerine tarama hızını sınırlayın.
Nasıl: Tokena özgü makul bir değer belirleyin; güncellik ve logları inceleyin.
Neden: Anthropic, uygun yerlerde botlarının crawl-delay desteklediğini belirtir.
Kaynak: Anthropic tarayıcı kontrolleri

Anthropic botlarının kaynak IP adresleri güncel resmî aralık listesine göre doğrulanıyor mu?

Ne: Doğrulanmış platform gereksinimi: Statik bir liste varsaymak yerine Anthropic'in yayımladığı bot aralıklarını kimlik doğrulama sinyali olarak kullanın.
Nasıl: Resmî JSON dosyasını kontrollü bir takvimle alın, beyan edilen bot ile kaynak aralığını eşleştirin ve değişikliklerde uyarı üretin.
Neden: Anthropic artık güncellenen bir bot aralık listesi yayımlar ve IP engellemenin kalıcı bir vazgeçme yöntemi olmadığını belirtir.
Kaynak: Anthropic bot IP aralıkları

İçeriğin Claude web araması çıktılarında görünmemesi gerektiğinde noindex kullanılıyor mu?

Ne: Doğrulanmış platform gereksinimi: Arama iş ortaklarına sayfayı indekslememeleri için sinyal verin.
Nasıl: Taranabilir bir noindex sunun ve zaman içinde kaybolduğunu doğrulayın.
Neden: Anthropic bunu tüm içerik türleri için bir hariç tutma kontrolü olarak belgeler.
Kaynak: Anthropic engelleme ve kaldırma

Gizli içerik, tarayıcı kurallarına güvenmek yerine kimlik doğrulamayla korunuyor mu?

Ne: Doğrulanmış platform gereksinimi: Erişimi uygulama sınırında zorunlu kılın.
Nasıl: Yetkilendirme isteyin, sızmış herkese açık URL'leri kaldırın ve içerik zaten gösterildiyse sahip doğrulamalı kaldırma yolunu kullanın.
Neden: Anthropic özel içerik için parola korumasını önerir.
Kaynak: Anthropic engelleme ve kaldırma

Meta-WebIndexer'ın Meta AI tarafından keşfedilmesini istediğiniz tüm herkese açık URL sınıflarına erişimi açıkça tanımlı mı?

Ne: Kanıta dayalı uygulama: Herkese açık kanonik içerikler için Meta-WebIndexer'a özgü bir robots politikası oluşturun.
Nasıl: Bir `User-agent: meta-webindexer` grubu yayınlayın, hedeflenen herkese açık rotalara izin verin, herkese açık olmayan rotaları hariç tutun ve üretimdeki robots yanıtını istek loglarıyla karşılaştırın.
Neden: Meta, bu tarayıcının Meta AI sonuçlarının alaka ve doğruluğunu desteklediğini ve erişim verilmesinin içeriğe atıf ve bağlantı verilmesine yardımcı olduğunu belirtir.
Kaynak: Meta Web Tarayıcıları: Meta-WebIndexer

Meta-ExternalAgent, eğitim ve indeksleme politikanız kapsamında Meta-WebIndexer'dan ayrı yönetiliyor mu?

Ne: Kanıta dayalı uygulama: Meta-ExternalAgent için açık bir izin veya engelleme kararı verin.
Nasıl: Ayrı bir `User-agent: meta-externalagent` grubu yayınlayın, sorumlusunu ve izin verilen URL kapsamını belgeleyin ve kararı WebIndexer politikasından bağımsız inceleyin.
Neden: Meta, ExternalAgent'ı temel model eğitimi veya doğrudan indeksleme yoluyla ürün geliştirme için kullandığını belirtir.
Kaynak: Meta Web Tarayıcıları: Meta-ExternalAgent

Meta-ExternalFetcher robots.txt kurallarını aşsa bile özel ve hassas rotalar erişim denetimleriyle korunuyor mu?

Ne: Kanıta dayalı uygulama: Kullanıcı isteğiyle yapılan getirmelerde robots.txt dosyasını yetkilendirme sınırı değil tarama tercihi olarak ele alın.
Nasıl: Herkese açık olmayan her kaynakta kimlik doğrulama ve sunucu taraflı yetkilendirme uygulayın, sırları herkese açık URL ve işaretlemelerden çıkarın ve korumalı rotaları oturum açmadan test edin.
Neden: Meta, ExternalFetcher'ın kullanıcı isteği üzerine tekil bağlantıları getirdiğini ve robots.txt kurallarını aşabileceğini belirtir.
Kaynak: Meta Web Tarayıcıları: Meta-ExternalFetcher

Meta'ya yönelik robots.txt değişiklikleri belgelenen önbellek süresi dikkate alınarak doğrulanıyor mu?

Ne: Kanıta dayalı uygulama: Değişikliklerin yansıması için 24 saate kadar süre tanıyın.
Nasıl: Yayın zamanını kaydedin, bu süre içinde çelişen değişiklikler yapmayın, önceki ve sonraki tarayıcı isteklerini karşılaştırın ve kuralın çalışmadığı sonucuna erken varmayın.
Neden: Meta, tarayıcılarının robots.txt içeriğini 24 saate kadar önbelleğe alabileceğini belirtir.
Kaynak: Meta Web Tarayıcıları: robots.txt

Loglar Meta-WebIndexer, Meta-ExternalAgent ve Meta-ExternalFetcher trafiğini birbirinden ayırabiliyor mu?

Ne: Kanıta dayalı uygulama: Ham User-Agent değerinin yanında standartlaştırılmış bir tarayıcı kimliği saklayın.
Nasıl: Belgelenen belirteçleri ayrı sınıflandırın; zaman, URL, durum kodu, aktarım boyutu, gecikme, kaynak IP ve doğrulama durumunu kaydedin.
Neden: Meta bu tarayıcılar için farklı amaçlar ve User-Agent değerleri tanımlar.
Kaynak: Meta Web Tarayıcıları: tarayıcı User-Agent değerleri

Meta tarayıcısı olduğunu belirten istekler WAF, hız sınırı veya erişim muafiyeti verilmeden önce doğrulanıyor mu?

Ne: Kanıta dayalı uygulama: User-Agent eşleşmesini sınıflandırma için kullanın, tek başına güvenilir kimlik kanıtı saymayın.
Nasıl: Belgelenen belirteci eşleştirin ve yalnızca resmî sayfanın yöntem sunduğu durumlarda Meta'nın yayımladığı kaynak IP doğrulamasını kullanın; yeni tarayıcılar için başka aralıkları uyarlamayın veya aralık uydurmayın.
Neden: Bir istek yalnızca belgelenmiş bir User-Agent değeri gönderdiği için ayrıcalıklı işlem görmemelidir.
Kaynak: Meta Web Tarayıcıları: tarayıcı gereksinimleri

Meta tarayıcı istekleri herkese açık URL'leri yazma, satın alma, oturum oluşturma veya başka bir durum değişikliği başlatmadan getirebiliyor mu?

Ne: Kanıta dayalı uygulama: Anonim olarak taranabilen URL'leri salt okunur ve tekrarlanabilir tutun.
Nasıl: Durum değiştiren işlemlerde kimliği doğrulanmış niyet, yetkilendirme ve onay isteyin; CSRF koruması uygulayın, desteklenmeyen yöntemleri reddedin ve anonim GET ile HEAD isteklerinin yan etkisiz olduğunu doğrulayın.
Neden: Meta, ExternalFetcher'ın kullanıcı görevleri için aracılı site gezinmesini destekleyebildiğini ve robots.txt kurallarını aşabileceğini belirtir.
Kaynak: Meta Web Tarayıcıları: Meta-ExternalFetcher

Meta tarayıcı tercihleri NoAI etiketlerine bel bağlamak yerine robots.txt içinde tanımlanmış mı?

Ne: Doğrulanmış platform gereksinimi: Meta'ya ilişkin tarama kararlarını ilgili robots.txt User-Agent gruplarıyla ifade edin.
Nasıl: Üretimdeki kök robots dosyasını denetleyin, geçerli her Meta belirteci için açık bir grup ekleyin, sunulan yanıtı doğrulayın ve lisans bildirimlerini tarayıcı erişim denetiminden ayrı tutun.
Neden: Meta, robots.txt dosyasını desteklediği sektör standardı tercih mekanizması olarak tanımlar ve standart dışı NoAI etiketlerinden ayırır.
Kaynak: Meta Web Tarayıcıları: robots.txt

Apple araması ve kaynak bağlantılı yanıt görünürlüğü istenen yerlerde Applebot'a izin veriliyor mu?

Ne: Doğrulanmış platform gereksinimi: Apple'ın arama tarayıcısına izin verin.
Nasıl: Applebot robots grubunu, HTTP erişimini ve logları denetleyin.
Neden: Apple, taranan verilerin Spotlight, Siri, Safari ve güncel bağlamlı yapay zekâ yanıtlarını beslediğini belirtir.
Kaynak: Applebot hakkında

Applebot-Extended politikası Applebot arama erişiminden bağımsız mı?

Ne: Doğrulanmış platform gereksinimi: Temel model eğitimi kullanımına ayrı karar verin.
Nasıl: Arama görünürlüğü isteniyorsa Applebot'u engellemeden Extended tokenını yapılandırın.
Neden: Applebot-Extended bir kullanım kontrol tokenıdır ve sayfaları kendisi taramaz.
Kaynak: Applebot hakkında

nosnippet yalnızca içeriğin Apple yapay zekâ yanıt bağlamının dışında kalması gerektiğinde mi kullanılıyor?

Ne: Doğrulanmış platform gereksinimi: Standart keşfedilebilirliği korurken yanıtların kaynakla temellendirilmesini kontrol edin.
Nasıl: Applebot'a özgü meta veya üstbilgi kurallarını tam hedef içeriğe uygulayın.
Neden: Apple, nosnippet yönergesinin içeriği geniş dünya bilgisi kullanan yapay zekâ yanıtlarından çıkardığını belirtir.
Kaynak: Applebot hakkında

Ücretli veya kullanım kotası olan içerik Applebot için isAccessibleForFree: false olarak işaretleniyor mu?

Ne: Doğrulanmış platform gereksinimi: Sayfa düzeyindeki kısıtlı erişimi beyan edin.
Nasıl: Doğru JSON-LD ekleyin ve sunulan sayfaya göre doğrulayın.
Neden: Apple işaretli sayfaları sonuçlara uygun tutar ancak içeriklerini yapay zekâ yanıt bağlamının dışında bırakır.
Kaynak: Applebot hakkında

PDF, görsel ve diğer HTML dışı kaynaklara yönelik Applebot kontrolleri X-Robots-Tag üzerinden gönderiliyor mu?

Ne: Doğrulanmış platform gereksinimi: HTML meta etiketi içeremeyen varlıkları kapsayın.
Nasıl: Her dosya türü için CDN ve origin üstbilgilerini inceleyin.
Neden: Apple, HTML dışı kaynaklar için üstbilgi düzeyindeki yönergeleri belgeler.
Kaynak: Applebot hakkında

robots.txt, Googlebot kurallarını yanlışlıkla devralmak yerine Applebot'u açıkça belirtiyor mu?

Ne: Doğrulanmış platform gereksinimi: Belirsiz yedek davranışı ortadan kaldırın.
Nasıl: Bilinçli bir Applebot grubu ekleyin ve test edin.
Neden: Apple, Applebot grubu yokken Googlebot grubu varsa onun yönergelerini izlediğini belirtir.
Kaynak: Applebot hakkında

Applebot araması, yanıt bağlamı ve model eğitimi sonuçları üç ayrı durum olarak test ediliyor mu?

Ne: Kanıta dayalı uygulama: Amaçlanan kombinasyonu doğrulayın.
Nasıl: Arama keşfedilebilirliğini, snippet ve bağlam yönergelerini ve Applebot-Extended politikasını bağımsız kontrol edin.
Neden: Apple'ın belgelenmiş kontrolleri farklı ürün kullanımlarını etkiler.
Kaynak: Applebot hakkında

WAF kararlarından önce Applebot trafiği Apple'ın belgelenmiş doğrulama yöntemiyle doğrulanıyor mu?

Ne: Doğrulanmış platform gereksinimi: Gerçek trafiği sahte UA dizelerinden ayırın.
Nasıl: Apple'ın bot doğrulama talimatlarını izleyin ve kanıtı güvenlik loglarında saklayın.
Neden: Yalnızca UA'ya dayanan erişim kararları güvenli değildir.
Kaynak: Applebot hakkında

Uygun sayfalar anlamlı içerik barındıran gerçek bir 200 yanıtı döndürüyor mu?

Ne: Doğrulanmış platform gereksinimi: Durumu ve gövdeyi birlikte doğrulayın.
Nasıl: Her hedef bot kimliğiyle origin ve edge üzerinden getirme yapın.
Neden: Başarı kodu içeriği işlemeye gönderir; ancak boş veya hatalı gövdeler soft 404 olarak değerlendirilebilir.
Kaynak: Google HTTP durum kodu işleme

Uygulama hata sayfalarının 200 döndürmesi engelleniyor mu?

Ne: Doğrulanmış platform gereksinimi: Soft 404'leri ortadan kaldırın.
Nasıl: Eksik, süresi dolmuş ve hatalı kayıtları anlamlı durum kodlarına eşleyin; SPA yedeklerini test edin.
Neden: Tarayıcılar hata içeriği taşıyan 200 yanıtlarını yok sayabilir.
Kaynak: Google JavaScript SEO temelleri

Kaldırılan kaynaklar zayıf bir başarı sayfası yerine 404 veya 410 döndürüyor mu?

Ne: Doğrulanmış platform gereksinimi: Kalıcı olarak bulunmadığını açıkça bildirin.
Nasıl: Silinen URL'leri CDN, yönlendirmeler ve uygulama rotaları üzerinden test edin.
Neden: Doğru durum kodu kaldırmayı hızlandırır ve eski erişimleri önler.
Kaynak: Google HTTP durum kodu işleme

Kalıcı taşımalar kısa zincirli, doğrudan kalıcı yönlendirme kullanıyor mu?

Ne: Doğrulanmış platform gereksinimi: Eski URL'leri nihai canonical altında birleştirin.
Nasıl: Her adımı, durum kodunu ve hedef yanıtı test edin.
Neden: Kalıcı yönlendirmeler canonical sinyalidir; uzun zincirler tarama kaynaklarını boşa harcar.
Kaynak: Google yönlendirme rehberi

429 ve 5xx yanıtları nadir, izlenen ve doğru kapsamlandırılmış mı?

Ne: Doğrulanmış platform gereksinimi: Tarama yavaşlatmasını ve zamanla indeks kaybını önleyin.
Nasıl: Bot, rota, edge ve origin bazında uyarı üretin; hataları rutin hız kontrolü olarak kullanmak yerine kapasiteyi düzeltin.
Neden: Google 429 ve 5xx yanıtlarında taramayı yavaşlatır; kalıcı hatalarda sayfaları indeksten çıkarabilir.
Kaynak: Google HTTP durum kodu işleme

/robots.txt yüksek erişilebilirlikle ve bilinçli durum kodu davranışıyla sunuluyor mu?

Ne: Doğrulanmış platform gereksinimi: Bu dosyayı kritik altyapı olarak yönetin.
Nasıl: Kırılgan uygulama bağımlılıklarını devre dışı bırakın, içerik ve durum kodunu izleyin ve hata senaryolarını test edin.
Neden: robots.txt için 5xx yanıtı, Google yeniden denerken taramayı durdurabilir.
Kaynak: Google robots.txt spesifikasyonu

DNS, TLS, IPv4/IPv6 ve edge yönlendirmesi dış bot bölgelerinden sağlıklı mı?

Ne: Kanıta dayalı uygulama: HTML'i incelemeden önce bağlantıyı doğrulayın.
Nasıl: Birden fazla coğrafyadan çözümleme, sertifika zinciri, el sıkışma ve yanıt için sentetik kontroller yapın.
Neden: Ağ hataları tüm erişimi engeller.
Kaynak: Google ağ ve DNS hataları

Hedeflenen botlar CAPTCHA, JavaScript doğrulaması, geçiş ekranı ve giriş döngülerinden muaf mı?

Ne: Doğrulanmış platform gereksinimi: İçeriğe ulaşmayı engelleyen kapıları tarayıcı yollarından kaldırın.
Nasıl: Doğrulanmış kimliği dar kapsamlı WAF kurallarıyla birleştirin ve temiz oturumları test edin.
Neden: OpenAI bu kontrolleri yaygın tarayıcı arızaları olarak belirtir.
Kaynak: OpenAI reklamveren tarayıcı rehberi

Ülke ve ASN engelleri tarayıcı çıkış konumlarına göre kontrol ediliyor mu?

Ne: Kanıta dayalı uygulama: Fark edilmeyen coğrafi erişim engellerini önleyin.
Nasıl: ABD ve belgelenen diğer tarayıcı konumlarından tüm edge politikası üzerinden test yapın.
Neden: Google çoğunlukla ABD'den çıkar ve başka bölgelerden de tarayabilir.
Kaynak: Google tarayıcılarına genel bakış

Kararlı kaynaklarda ETag, Last-Modified ve doğru 304 yanıtları uygulanıyor mu?

Ne: Kanıta dayalı uygulama: Verimli yeniden taramayı destekleyin.
Nasıl: Koşullu istekleri doğrulayın ve güncellemelerin doğrulayıcıları geçersiz kıldığından emin olun.
Neden: Google her iki önbellek doğrulayıcısını da destekler ve değişmeyen içeriği yeniden kullanabilir.
Kaynak: Google tarayıcılarına genel bakış

Kritik metin tarayıcı dosya boyutu sınırlarından önce yer alıyor mu?

Ne: Doğrulanmış platform gereksinimi: Ana içeriği ve meta verileri erkene alın, yanıtları yalın tutun.
Nasıl: Sıkıştırılmamış HTML ve kaynak boyutlarını ölçün; kesilme durumunu test edin.
Neden: Google tarayıcıları ürüne özgü sınırların ötesini işlemeyi bırakır.
Kaynak: Google tarayıcılarına genel bakış

API'ler, medya, CSS ve JavaScript doğru MIME türleriyle ve botlara açık yanıtlarla sunuluyor mu?

Ne: Kanıta dayalı uygulama: Bağımlılıkların getirilebilir ve yorumlanabilir olmasını sağlayın.
Nasıl: Kaynak grafiklerini tarayın; durum kodu, içerik türü, önbellek ve WAF sonuçlarını karşılaştırın.
Neden: Engellenen veya bozuk kaynaklar anlamı ve işaretlemeyi gizleyebilir.
Kaynak: Google JavaScript SEO temelleri

Arama, eğitim ve kullanıcı tetiklemeli erişim aracıları ayrı ayrı izleniyor mu?

Ne: Kanıta dayalı uygulama: User-agent bilgisini, doğrulanmış kaynağı, URL'yi, durumu, bayt miktarını ve zamanlamayı koruyun.
Nasıl: Tek bir “yapay zekâ botu” grubu yerine amaca özgü günlük görünümleri oluşturun.
Neden: Erişim kararları ve tanısal anlam tarayıcı rolüne göre değişir.
Kaynak: Anthropic tarayıcı dokümantasyonu

Yapay zekâ tarayıcısı olduğu iddia edilen istekler yalnızca user-agent ile değil, resmî IP kaynakları veya belgelenmiş doğrulamayla onaylanıyor mu?

Ne: Kanıta dayalı uygulama: Gerçek platform erişimini sahte bot trafiğinden ayırın.
Nasıl: User-agent bilgisini güncel resmî IP verileriyle eşleştirin ve doğrulama durumunu saklayın.
Neden: User-agent dizelerinin taklit edilmesi kolaydır.
Kaynak: Perplexity tarayıcı dokümantasyonu

ChatGPT arama kapsamına alınma ve model eğitimi tercihleri birbirinden bağımsız yapılandırılıp denetleniyor mu?

Ne: Doğrulanmış platform gereksinimi: OAI-SearchBot ile GPTBot'u farklı kontroller olarak ele alın.
Nasıl: Değişikliklerden sonra her aracı için robots kurallarını ve günlükleri inceleyin.
Neden: OpenAI, arama kapsamına alınma ile eğitimden çıkma tercihleri için ayrı botlar kullanıldığını belirtir.
Kaynak: OpenAI yayıncılar ve geliştiriciler SSS

`PerplexityBot` indeksleme istekleri kullanıcı tetiklemeli `Perplexity-User` getirmelerinden ayrılıyor mu?

Ne: Doğrulanmış platform gereksinimi: İki rolü bağımsız olarak izleyin ve yapılandırın.
Nasıl: WAF ve günlüklerde resmî user-agent bilgilerini ve güncel yayımlanmış IP aralıklarını kullanın.
Neden: Perplexity iki aracının amaçlarını ve robots davranışlarını farklı tanımlar.
Kaynak: Perplexity tarayıcı dokümantasyonu

`ClaudeBot`, `Claude-User` ve belgelenmiş diğer Anthropic aracıları amaçlanan kullanıma göre yapılandırılıyor mu?

Ne: Doğrulanmış platform gereksinimi: Tek bir robots kuralını tüm Anthropic erişiminin karşılığı olarak kullanmayın.
Nasıl: Her politika değişikliğinden önce güncel tutulan tarayıcı dokümantasyonunu inceleyin.
Neden: Eğitim amaçlı toplama ile kullanıcı isteğine bağlı erişim farklı amaçlardır.
Kaynak: Anthropic tarayıcı dokümantasyonu

Doğrulanmış yanıt motoru istekleri `403`, güvenlik sorgusu, hız sınırı ve origin hataları açısından izleniyor mu?

Ne: Kanıta dayalı uygulama: robots.txt dışındaki kazara engellemeleri tespit edin.
Nasıl: Doğrulanmış aracı bazındaki durum değişiklikleri için uyarı oluşturun ve etkilenen URL'leri örnekleyin.
Neden: İzin veren bir robots dosyası engelleyici WAF veya CDN ayarını geçersiz kılmaz.
Kaynak: Perplexity tarayıcı dokümantasyonu

Temsili herkese açık URL'ler dağıtımlardan sonra robots, indekslenebilirlik, render edilebilirlik ve getirme durumu açısından otomatik kontrol ediliyor mu?

Ne: Kanıta dayalı uygulama: Pano eğilimleri düşmeden önce erişim gerilemelerini tespit edin.
Nasıl: Herkese açık yollar ve doğrulanmış günlük kanıtıyla bir İngilizce/Türkçe kanarya kümesini test edin.
Neden: Küçük yapılandırma değişiklikleri bütün bir içerik sınıfını engelleyebilir.
Kaynak: Google yapay zekâ özellikleri ve web siteniz

`noindex` kullanıldığında amaçlanan tarayıcı sayfayı getirip direktifi okuyabiliyor mu?

Ne: Doğrulanmış platform gereksinimi: Tarayıcının hariç tutma sinyalini görmeden engellenmesini önleyin.
Nasıl: Robots erişimini ve render edilmiş meta veya başlık direktiflerini birlikte test edin.
Neden: OpenAI, tarayıcısının `noindex` direktifini algılamak için sayfaya erişmesi gerektiğini belirtir.
Kaynak: OpenAI yayıncılar ve geliştiriciler SSS

Cloudflare Markdown for Agents etkinse kaynak sunucu onaylı politikayla eşleşen açık bir `Content-Signal` başlığı gönderiyor mu?

Ne: Doğrulanmış platform gereksinimi: Dönüştürülen Markdown yanıtlarının fark edilmeden Cloudflare'ın izin verici varsayılanını almasını önleyin.
Nasıl: Başlığı kaynak sunucuda ayarlayın; ardından temsili URL'leri `Accept: text/markdown` ile isteyip etkin yanıtı rotalar ve önbellekler genelinde doğrulayın.
Neden: Cloudflare kaynak sunucunun başlığını korur; başlık yoksa dönüştürülen Markdown'a `ai-train=yes, search=yes, ai-input=yes` ekler.
Kaynak: Cloudflare Markdown for Agents dokümantasyonu

Ana yanıtı taşıyan metin ilk HTML'de bulunuyor mu?

Ne: Kanıta dayalı uygulama: Erişimi bütünüyle istemci tarafı yürütmeye bağımlı kılmayın.
Nasıl: Ham yanıtı; başlıklar, bilgiler, bağlantılar ve atıflar bakımından render edilmiş DOM ile karşılaştırın.
Neden: Google sunucu tarafı veya ön render yaklaşımını önerir ve her botun JavaScript çalıştırmadığını belirtir.
Kaynak: Google JavaScript SEO temelleri

Google'ın render ettiği HTML, kaynak yanıttaki hedef içerik ve yönergelerle aynı mı?

Ne: Doğrulanmış platform gereksinimi: Hydration ve render sırasında oluşan kayıpları tespit edin.
Nasıl: URL Inspection'da render edilmiş HTML ve ekran görüntüsünü kullanın; canonical, robots, yapılandırılmış veri ve gövdeyi karşılaştırın.
Neden: Google JavaScript sayfaları için render edilmiş HTML'i indeksler.
Kaynak: Google JavaScript SEO temelleri

Ana içeriğe tıklama, kaydırma, yazma veya onay etkileşimi olmadan erişilebiliyor mu?

Ne: Doğrulanmış platform gereksinimi: Etkileşim gerektiren bilgiyi erişim yolundan çıkarın.
Nasıl: Herhangi bir işlemden önce temiz oturumdaki HTML'i ve render edilmiş DOM'u inceleyin.
Neden: Google ana içeriği lazy-load etmek için kullanıcı etkileşimi tetiklemez.
Kaynak: Mobil öncelikli indeksleme en iyi uygulamaları

Render için kritik JavaScript ve CSS yolları taranabiliyor mu?

Ne: Doğrulanmış platform gereksinimi: Eksik render işlemini önleyin.
Nasıl: Kaynak grafiğini tarayın; robots kurallarını, yanıtları ve CSP veya CDN hatalarını inceleyin.
Neden: Google engellenen dosya veya sayfalardaki JavaScript'i render etmez.
Kaynak: Google JavaScript SEO temelleri

Keşfedilebilir bağlantılar çözümlenebilir URL'lere sahip gerçek, taranabilir anchor öğeleri olarak render ediliyor mu?

Ne: Doğrulanmış platform gereksinimi: Gezinme ve atıfları standart HTML içinde sunun.
Nasıl: Ham ve render edilmiş anchor öğelerini inceleyin; tarayıcı geçmiş API'sine dayanmadan merkez sayfalardan tarayın.
Neden: Tarayıcılar URL'leri öncelikle bağlantılar üzerinden keşfeder.
Kaynak: Googlebot dokümantasyonu

İndekslenebilir her sayfa, hedeflenen herkese açık URL ile eşleşen tek bir geçerli canonical belirtiyor mu?

Ne: Doğrulanmış platform gereksinimi: Yinelenen sürümleri birleştirin.
Nasıl: Durum kodunu, mutlak URL'yi, indekslenebilirliği ve uyumlu iç sinyalleri doğrulayın.
Neden: Canonical seçimi, indeks ve atıf sinyallerini hangi sürümün taşıyabileceğini belirler.
Kaynak: Google canonical rehberi

Yönlendirmeler, HTML ve üstbilgi canonical değerleri, site haritası URL'leri, hreflang ve iç bağlantılar birbiriyle uyumlu mu?

Ne: Kanıta dayalı uygulama: Çelişen URL kimliği sinyallerini kaldırın.
Nasıl: Sayfa başına bir sinyal matrisi oluşturun ve çelişen hedeflerde işlemi başarısız kılın.
Neden: Tutarlılık, birleştirmeyi ve tarama verimliliğini artırır.
Kaynak: Google canonical rehberi

İzleme, sıralama, filtre, yazdırma, oturum ve harf büyüklüğü varyantlarının rakip yanıt adaylarına dönüşmesi engelleniyor mu?

Ne: Kanıta dayalı uygulama: Yinelenen URL envanterini kontrol edin.
Nasıl: Bağlantıları normalleştirin, gerçek kopyaları yönlendirin, gerektiğinde canonical kullanın ve gereksiz tarama alanlarını engelleyin.
Neden: Yinelenen envanter tarama kaynaklarını tüketir ve URL kimliğini parçalar.
Kaynak: Google tarama bütçesi rehberi

Canonical sinyalleri PDF ve diğer HTML dışı belgeleri de kapsıyor mu?

Ne: Doğrulanmış platform gereksinimi: Eşdeğer indirilebilir ve HTML sürümlerini birleştirin.
Nasıl: Uygun olduğunda Link: <...>; rel=canonical yanıt üstbilgisi sunun.
Neden: HTML canonical etiketleri HTML dışı dosyaların içinde yer alamaz.
Kaynak: Google canonical rehberi

Mobil ve masaüstü robots yönergeleri, başlık, açıklama, canonical ve yapılandırılmış veriler eşdeğer mi?

Ne: Doğrulanmış platform gereksinimi: Cihaza özgü uygunluk kaybını önleyin.
Nasıl: Sunulan ve render edilmiş varyantları karşılaştırın.
Neden: Google mobil sürümü indeksler ve farklı yönergelerin indekslemeyi engelleyebileceği konusunda uyarır.
Kaynak: Mobil öncelikli indeksleme en iyi uygulamaları

Atıf almaya değer her belge ve medya varlığının kararlı, doğrudan getirilebilir bir URL'si var mı?

Ne: Kanıta dayalı uygulama: Geçici blob'lardan, süresi dolan imzalı bağlantılardan ve yalnızca uygulama içinden erişilen hedeflerden kaçının.
Nasıl: Uzun ömürlü URL'leri oturum durumu olmadan test edin.
Neden: Yanıt sistemlerinin kaynakları getirip bağlantı verebilmesi için çözümlenebilir URL'ler gerekir.
Kaynak: OpenAI reklamveren tarayıcı rehberi

Sayfa yapısı semantik başlıklar, landmark'lar, erişilebilir adlar, roller ve durumlarla kodlanmış mı?

Ne: Kanıta dayalı uygulama: İçeriği ve eylemleri makinece okunabilir kılın.
Nasıl: Erişilebilirlik ağacı ve agent görevi denetimleri çalıştırın.
Neden: OpenAI, Atlas'ın etkileşimli sayfaları yorumlamak için ARIA kullandığını belirtir.
Kaynak: OpenAI yayıncı SSS

İndekslenebilir rotalarda yalnızca hash fragment ile adreslenen içerik bulunmuyor mu?

Ne: Doğrulanmış platform gereksinimi: İçeriğe sunucu tarafından çözümlenebilen kararlı yollar verin.
Nasıl: Her canonical URL'yi önceden uygulama durumu olmadan isteyin ve eski AJAX fragment yapılarını taşıyın.
Neden: Google AJAX tarama düzenini kullanımdan kaldırdı ve ayrı belgeler için URL fragment'lerine güvenmez.
Kaynak: JavaScript arama sorunlarını düzeltme

Yapılandırılmış veri, dağıtımdan sonra render edilmiş sayfada mevcut ve geçerli mi?

Ne: Doğrulanmış platform gereksinimi: Yalnızca şablonları değil, tarayıcıların aldığı çıktıyı test edin.
Nasıl: Üretim URL'lerinde Rich Results Test, URL Inspection ve Bing işaretleme incelemesini çalıştırın.
Neden: Şablonlama veya sunum hataları, yayından sonra geçerli kaynak kodunu bozabilir.
Kaynak: Google yapılandırılmış veriye giriş

XML site haritası yalnızca tercih edilen canonical, indekslenebilir üretim URL'lerini mi içeriyor?

Ne: Doğrulanmış platform gereksinimi: Temiz bir keşif envanteri yayımlayın.
Nasıl: Site haritası girdilerini canonical, durum kodu, noindex, ortam ve yönlendirmelerle karşılaştırın.
Neden: Arama motorları site haritalarını canonical ve keşif ipucu olarak kullanır.
Kaynak: Google site haritası rehberi

Site haritası konumları tam nitelikli, mutlak ve kodlanmış URL'ler olarak hedeflenen kaynağı döndürüyor mu?

Ne: Doğrulanmış platform gereksinimi: Bozuk keşif hedeflerini ortadan kaldırın.
Nasıl: Örneklenen her URL'yi ayrıştırın, normalleştirin, getirin ve karşılaştırın.
Neden: Google URL'leri site haritasında yazıldığı biçimde tarar.
Kaynak: Google site haritası rehberi

Büyük site haritaları protokol sınırlarına uygun biçimde bölünüp geçerli indekslerden referans alıyor mu?

Ne: Doğrulanmış platform gereksinimi: Her dosyanın işlenebilir kalmasını sağlayın.
Nasıl: Her site haritasını sıkıştırılmamış en fazla 50 MB veya 50.000 URL ile sınırlayın ve indeksleri doğrulayın.
Neden: Sınırı aşan dosyaların işlenmesi başarısız olabilir.
Kaynak: Google site haritası rehberi

lastmod yalnızca önemli bir sayfa güncellemesinden sonra mı değişiyor?

Ne: Doğrulanmış platform gereksinimi: Doğru güncellik sinyalleri gönderin.
Nasıl: Değeri dağıtım veya site haritası zamanından değil; ana içerik, yapılandırılmış veri veya anlamlı bağlantı değişikliklerinden türetin.
Neden: Bing, doğru değerleri taramayı odaklamak için kullanır.
Kaynak: Yapay zekâ destekli aramada Bing site haritaları

Site haritasındaki priority ve changefreq alanları GEO puanlaması ve operasyonel taahhütlerin dışında mı tutuluyor?

Ne: Doğrulanmış platform gereksinimi: Yok sayılan alanlara güvenmeyi bırakın.
Nasıl: Bu alanları güncellik veya sıralama girdisi olarak kullanan pano ve kontrolleri kaldırın.
Neden: Bing her iki alanın da yok sayıldığını belirtir.
Kaynak: Yapay zekâ destekli aramada Bing site haritaları

Site haritası gönderim durumu, son okunma zamanı ve işleme hataları izleniyor mu?

Ne: Doğrulanmış platform gereksinimi: Keşif altyapısının gerçekten tüketildiğini doğrulayın.
Nasıl: Google ve Bing webmaster araçlarında eski okumalar, getirme arızaları ve ayrıştırma hataları için uyarı üretin.
Neden: Yayımlanmış ancak okunmayan bir site haritası zamanında sinyal sağlayamaz.
Kaynak: Yapay zekâ destekli aramada Bing site haritaları

IndexNow kullanılıyorsa hat yayımlama, önemli güncelleme, yönlendirme ve silme olaylarını yinelenen gönderim fırtınaları oluşturmadan işliyor mu?

Ne: Kanıta dayalı uygulama: İsteğe bağlı değişiklik bildirimlerini güvenilir ve idempotent bir güncellik kanalı olarak işletin.
Nasıl: Kanonik URL'leri kuyruğa alın, önemsiz sunum değişikliklerini filtreleyin, yanıt kodlarına göre yeniden deneyin, alındı yanıtlarını kaydedin ve kaçırılan olayları uzlaştırın.
Neden: IndexNow, yaşam döngüsü bildirimlerinin otomatikleştirilmesini ve anlamlı değişiklik olmadan yinelenen gönderimlerden kaçınılmasını önerir.
Kaynak: IndexNow operasyon rehberi

Hızla değişen editoryal içerik için RSS veya Atom akışları sunulup gönderiliyor mu?

Ne: Kanıta dayalı uygulama: Tam site haritasının yanında yakın tarihli değişiklik akışı sağlayın.
Nasıl: Girdileri, canonical bağlantıları, zaman damgalarını ve akış erişilebilirliğini doğrulayın.
Neden: Google RSS 2.0 ve Atom 1.0 biçimlerini site haritası olarak kabul eder.
Kaynak: Google site haritası rehberi

Kullanımdan kaldırılan Google site haritası ping uç noktası kaldırıldı mı?

Ne: Doğrulanmış platform gereksinimi: Etkisiz HTTP ping'leri göndermeyi bırakın.
Nasıl: Uygun olduğu üzere robots.txt, Search Console veya API, site haritası getirme, RSS/Atom ya da WebSub üzerinden gönderin.
Neden: Google ping uç noktasını kullanımdan kaldırdı ve uç nokta 404 döndürüyor.
Kaynak: Google site haritası ping özelliğinin kaldırılması

Doğrudan ürün akışları ile herkese açık açılış sayfaları atomik olarak mı güncelleniyor?

Ne: Kanıta dayalı uygulama: Yanıt motorunun çelişen stok, fiyat, URL veya açıklama görmesini önleyin.
Nasıl: Sürümlenmiş işlerle yayımlayın, iki yüzeyi de doğrulayın, ardından keşif sistemlerine bildirin.
Neden: OpenAI gecikmeler olabileceğini belirtir ve güncel ürün verisi için doğrudan akışları önerir.
Kaynak: ChatGPT Search ile alışveriş

Her GEO ölçümü genel bir görünürlük puanı yerine belirli bir karara mı bağlı?

Ne: Kanıta dayalı uygulama: Kararı, hedef kitleyi, metriği, karar eşiğini ve sorumluyu belirtin.
Nasıl: Bu alanları her yinelenen raporun ve deney özetinin başına yerleştirin.
Neden: Bir karara bağlı olmayan metrikler sonradan anlatı oluşturmayı ve işine gelen metriği seçmeyi teşvik eder.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

Her GEO metriğinin belirlenmiş bir sorumlusu, inceleme sıklığı ve üst bildirim alıcısı var mı?

Ne: Kanıta dayalı uygulama: Veri toplama, yorumlama ve düzeltme sorumluluğunu kaydedin.
Nasıl: Metrik sözlüğünün yanında yalın bir RACI tablosu tutun.
Neden: Sahipsiz gösterge panoları bozulur ve uyarılar yanıtsız kalır.
Kaynak: NIST AI 600-1 Generative AI Profile

Yanıtlarda bahsedilme, atıflar, yönlendirme ziyaretleri, dönüşümler ve gelir ayrı sonuç katmanları olarak mı raporlanıyor?

Ne: Kanıta dayalı uygulama: Tek bir birleşik GEO puanı yerine farklı paydalara sahip bir huni kullanın.
Nasıl: Gözlemlenebilir her katman için bir metrik tanımlayın ve aralarındaki eksik bağlantıları açıklayın.
Neden: Atıf ne bir tıklama ne de bir dönüşümdür.
Kaynak: Bing Webmaster Tools AI Performance

GEO metrikleri pay, payda, birim, kapsam ve bilinen kör noktalarıyla birlikte tanımlanmış mı?

Ne: Kanıta dayalı uygulama: Yaygınlık, atıf payı, doğruluk ve dönüşüm metriklerinin kesin formüllerini belgeleyin.
Nasıl: Ortak bir metrik sözlüğünü sürümleyin ve her panodan bu sözlüğe bağlantı verin.
Neden: Benzer etiketler çoğu zaman birbiriyle uyumsuz hesaplamaları gizler.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Kapsamdaki yanıt motorları, yüzeyler, hesaplar ve pazarların tam listesi kayıt altına alınmış mı?

Ne: Kanıta dayalı uygulama: Her şeyi “yapay zekâ araması” altında toplamak yerine her ürün yüzeyini ayrı ayrı adlandırın.
Nasıl: Platformu, yüzeyi, erişim biçimini, abonelik durumunu, dili ve ülkeyi izleyin.
Neden: Ürünler bilgiyi farklı biçimlerde getirebilir, atıf verebilir, kişiselleştirebilir ve raporlayabilir.
Kaynak: ChatGPT Search yardım sayfası

İzleme; markanın resmî adını, yazım varyasyonlarını, ürünlerini, kişilerini ve yaygın diğer adlarını kapsıyor mu?

Ne: Kanıta dayalı uygulama: Hangi varlık ifadelerinin marka anılması sayılacağını ve hangilerinin belirsizlik yaratacağını belirleyin.
Nasıl: Diğer adları marka, hukuk ve yerel dil sorumlularıyla üç ayda bir gözden geçirin.
Neden: Tam dize eşleştirmesi varyasyonları eksik sayabilir ve ilgisiz varlıkları birleştirebilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Markaya ait, marka tarafından işletilen, iş ortağına veya bayiye ait ve bağlantısız alan adları açıkça sınıflandırılmış mı?

Ne: Kanıta dayalı uygulama: Atıf verilen hangi barındırıcıların birinci taraf görünürlüğü sayılacağını belirleyin.
Nasıl: Alt alan adlarını, taşımaları ve ülkeye özel alan adlarını içeren sürümlü bir kayıt tutun.
Neden: Barındırıcı düzeyindeki toplulaştırma, iş ortağı veya eski mülkleri yanlış tarafa atfedebilir.
Kaynak: Google Üretken Yapay Zekâ performans raporu

Rakip veya emsal kümesi açık dâhil etme kurallarıyla sürümleniyor mu?

Ne: Kanıta dayalı uygulama: Pay ve öneri karşılaştırmalarında kullanılan varlıkları koruyun.
Nasıl: Emsalleri yalnızca ilan edilmiş raporlama sınırlarında ekleyin veya çıkarın.
Neden: Yanıt motorunun davranışı değişmese bile emsal kümesini değiştirmek normalize edilmiş payları değiştirir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Başlangıç ve bitiş zamanı, saat dilimi, sıklık ve veri toplanmayan dönemler kaydediliyor mu?

Ne: Kanıta dayalı uygulama: Zamansal örnekleme çerçevesini açıkça belirtin.
Nasıl: Her çalıştırma için UTC zaman damgalarını ve iş saat dilimini saklayın.
Neden: Yanıt motorları ve indekslenen içerik zaman içinde değişir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Her gözleme platform, yüzey, istem, bağlam, yerel ayar, hesap durumu ve zaman damgası eşlik ediyor mu?

Ne: Kanıta dayalı uygulama: Bir çalıştırmayı açıklamaya veya yeniden üretmeye yetecek meta veriyi saklayın.
Nasıl: Değiştirilemez bir çalıştırma kimliği ve yapılandırılmış gözlem şeması kullanın.
Neden: Yürütme bağlamı olmayan bir yanıt zayıf bir kanıttır.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Politikalara uygun biçimde tam yanıt metni, atıflar, görünür kaynak panelleri ve ekran görüntüleri saklanıyor mu?

Ne: Kanıta dayalı uygulama: Türetilmiş puanların arkasındaki denetlenebilir kanıtları koruyun.
Nasıl: Zaman damgalı bir anlık görüntüyü erişim kontrolleri ve saklama sınırlarıyla depolayın.
Neden: Arayüzler ve atıflar toplama sonrasında değişebilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Doğrudan marka ve gezinme amaçlı istemler keşif istemlerinden ayrı ölçülüyor mu?

Ne: Kanıta dayalı uygulama: Varlığı zaten arayan kullanıcılar için ayrı bir segment oluşturun.
Nasıl: Yalnızca marka, marka artı konu ve URL/gezinme istemlerini etiketleyin.
Neden: Gezinme sorgularındaki yüksek görünürlük, kategori keşfindeki zayıflığı gizleyebilir.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

İstem kümesi markasız kategori ve sorun keşfi ihtiyaçlarını içeriyor mu?

Ne: Kanıta dayalı uygulama: Markanın adı geçmeden önce görünür olup olmadığını ölçün.
Nasıl: İstemleri arama talebinden, destek kayıtlarından, satış görüşmelerinden ve kullanıcı araştırmalarından derleyin.
Neden: Markasız keşif, marka hatırlanırlığından farklı bir görünürlük fırsatıdır.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

“En iyi”, “alternatif”, “karşılaştırma” ve kısa liste istemleri ayrı bir segment olarak analiz ediliyor mu?

Ne: Kanıta dayalı uygulama: Karşılaştırmalı yanıtlarda listeye alınmayı, dışarıda bırakılmayı, belirtilen ölçütleri ve atıf verilen kanıtları izleyin.
Nasıl: Rakipleri ve karar ölçütlerini dengeli biçimde kapsayan istemler oluşturun.
Neden: Karşılaştırmalı yanıtlar daha yüksek ticari risk ve marka riski taşır.
Kaynak: Anthropic: Başarı ölçütlerini tanımlama ve değerlendirmeler oluşturma

Birinci taraf gerçeklerine atıf vermesi gereken bilgilendirici istemler, öneri istemlerinden ayrı ölçülüyor mu?

Ne: Kanıta dayalı uygulama: Özellikler, politikalar, kişiler, fiyatlar ve süreçlerle ilgili soruları belirleyin.
Nasıl: Her istemi güncel tutulan tek doğru kaynak URL'si ve beklenen gerçekler kümesiyle eşleştirin.
Neden: Olgusal doğruluk ile ticari öneri farklı değerlendirme ölçütleri gerektirir.
Kaynak: Üretken arama motorlarında doğrulanabilirliğin değerlendirilmesi

Her istem farkındalık, değerlendirme, karar, destek veya elde tutma niyetine göre etiketlenmiş mi?

Ne: Kanıta dayalı uygulama: Görünürlüğü kullanıcıdan beklenen bir sonraki eyleme bağlayın.
Nasıl: Belgelenmiş bir niyet ölçütü uygulayın ve belirsiz istemleri iki değerlendiriciye inceletin.
Neden: Birbirinden farklı niyetleri eşit ağırlıklandırmak ticari önemi çarpıtır.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

İngilizce ve Türkçe istem sonuçları ayrı kohortlar olarak toplanıp raporlanıyor mu?

Ne: Kanıta dayalı uygulama: Dile özgü görünürlük, doğruluk ve atıf metriklerini koruyun.
Nasıl: Kelimesi kelimesine çeviriler yerine doğal istemler kullanın ve yalnızca eşdeğer niyetleri karşılaştırın.
Neden: Toplulaştırma, dile özgü hataları ve kaynak seçimi farklılıklarını gizleyebilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Ülke, arayüz yerel ayarı ve sorgu dili birbirinden bağımsız kaydediliyor mu?

Ne: Kanıta dayalı uygulama: Her gözlemde coğrafya ile dili birbirinden ayırın.
Nasıl: Beyan edilen konumu, gözlenen konumu, yerel ayarı, saat dilimini ve VPN/proxy kullanımını kaydedin.
Neden: Arama sonuçları ve sorgu yeniden yazımları genel konuma göre değişebilir.
Kaynak: ChatGPT Search yardım sayfası

Oturum açılmış, bellek etkin veya kişiselleştirilmiş testler temiz oturum testlerinden ayrılıyor mu?

Ne: Kanıta dayalı uygulama: Kullanıcı bağlamını deneysel bir etken olarak ele alın.
Nasıl: Hesap durumunu kaydedin ve gerçek kullanıcı senaryolarının yanında istikrarlı bir temiz oturum karşılaştırması yürütün.
Neden: Bellek ve konuşma bağlamı, sorgunun yeniden yazılmasını ve yanıtları değiştirebilir.
Kaynak: ChatGPT Search yardım sayfası

Gözlemlerde masaüstü, mobil, uygulama, tarayıcı ve gömülü yüzeyler belirtiliyor mu?

Ne: Kanıta dayalı uygulama: Her yanıtın üretildiği arayüzü kayıt altında tutun.
Nasıl: Her çalıştırmada cihaz sınıfını ve ürün yüzeyini kaydedin.
Neden: Sunum biçimi ve yerel özellikler yüzeye göre değişebilir.
Kaynak: ChatGPT Search yardım sayfası

Karşılaştırma kümesi yalnızca sentetik istemlere değil, gerçek kullanıcı ihtiyaçlarına da dayanıyor mu?

Ne: Kanıta dayalı uygulama: İzinli üretim sorularını, araştırmayı, arama talebini ve uzmanların hazırladığı uç durumları birleştirin.
Nasıl: Her istemin kaynağını ve örnekleme kurallarını kaydedin.
Neden: Kolayca hazırlanmış bir istem listesi hedef kitle yerine karşılaştırmayı tasarlayan kişiyi ölçebilir.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

Raporlama, gerçek istem sıklığı ağırlıklarını korurken ağırlıksız bir tanı görünümü de sunuyor mu?

Ne: Kanıta dayalı uygulama: İş hacmine göre ağırlıklandırılmış performansı benzersiz ihtiyaçların kapsama düzeyinden ayırın.
Nasıl: Hem gerçekleşme ağırlığını hem de her isteme bir oy veren sonucu saklayın.
Neden: Tekrarlanan tüm ihtiyaçları tekilleştirmek talep yoğunluğunu görünmez kılabilir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Derlem; belirsiz, yanlış yazılmış, hasmane ve yüksek riskli olgu istemlerini içeriyor mu?

Ne: Kanıta dayalı uygulama: Sorunsuz senaryoların ötesindeki gerçekçi hata biçimlerini test edin.
Nasıl: Olaylardan, destek taleplerinden ve red team incelemelerinden beslenen bir uç durum paketi tutun.
Neden: Ortalama görünürlük iyi görünürken ciddi marka güvenliği sorunları yaşanabilir.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

İstemler haricî sistemlere ulaşmadan önce kişisel, gizli, sözleşmeye bağlı ve ambargolu ayrıntılar kaldırılıyor mu?

Ne: Kanıta dayalı uygulama: Test derlemine veri minimizasyonu ve onay kuralları uygulayın.
Nasıl: Tanımlayıcıları maskeleyin, sentetik karşılıklar kullanın ve gizli bilgi içeren istemleri yasaklayın.
Neden: GEO izlemesi kontrolsüz bir bilgi ifşası kanalına dönüşmemelidir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Her karşılaştırma çalıştırması değiştirilemez bir istem kümesi sürümüne bağlı mı?

Ne: Kanıta dayalı uygulama: İstem metnini, meta verileri, ağırlıkları, eklemeleri, çıkarmaları ve gerekçeleri koruyun.
Nasıl: Sürümlü bir depo veya yalnızca eklemeye açık bir veri kümesi manifesti kullanın.
Neden: Payda sessizce değiştiğinde eğilim çizgileri yorumlanamaz.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Uzun dönemli karşılaştırma için istikrarlı bir istem alt kümesi korunuyor mu?

Ne: Kanıta dayalı uygulama: Ayrı ve gelişen bir keşif derlemine izin verirken sabit bir panel tutun.
Nasıl: Her ikisini de sürümleyin ve yeniden ifade etmeden eğilim çizgilerini birbirine eklemeyin.
Neden: Aksi hâlde derlem yenilemeleri performans değişimi gibi görünebilir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Bir optimizasyonun genellenebilirliğini test etmek için görülmemiş bir istem alt kümesi ayrılmış mı?

Ne: Kanıta dayalı uygulama: Ayarlama istemlerini doğrulama istemlerinden ayırın.
Nasıl: Saklı doğrulama kümesine erişimi kısıtlayın ve yalnızca planlanmış kontrol noktalarında değerlendirin.
Neden: Aynı istemler üzerinde tekrar tekrar optimizasyon yapmak karşılaştırmaya aşırı uyuma yol açar.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

Dâhil etme, hariç tutma, tekilleştirme ve kullanımdan kaldırma kuralları belgelenmiş mi?

Ne: Kanıta dayalı uygulama: Derlem seçimini yeniden üretilebilir hâle getirin.
Nasıl: Derlemdeki her önemli değişiklik için bir neden kodu ve inceleyen kişi zorunlu kılın.
Neden: İstemlerin seçilerek kaldırılması yapay bir iyileşme yaratabilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Her olgusal istem, kendisini desteklemesi beklenen yetkili marka sayfasını veya kaydını belirtiyor mu?

Ne: Kanıta dayalı uygulama: İstem ile kanıt arasında bir eşleme oluşturun.
Nasıl: Beklenen URL'leri, onaylı gerçekleri, güncellik sorumlusunu ve inceleme tarihini saklayın.
Neden: Bir marka, güncel tutulan bir referans noktası olmadan yanıt doğruluğunu değerlendiremez.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Doğruluk, alaka, ton, atıf ve güvenlik ölçütleri puanlamadan önce belirlenmiş mi?

Ne: Kanıta dayalı uygulama: Tek bir “iyi yanıt” yargısı yerine çok boyutlu bir ölçüt kullanın.
Nasıl: Her istem sınıfı için puan düzeyleri açık örneklerle tanımlanmış ölçekleri ve kabul edilemez hata koşullarını belirleyin.
Neden: Belirsiz ölçütler tutarsız incelemelere ve geriye dönük puanlamaya yol açar.
Kaynak: Anthropic: Başarı ölçütlerini tanımlama ve değerlendirmeler oluşturma

Atıf verilen sayfanın içeriği gözlem anında kaydediliyor veya karması alınıyor mu?

Ne: Kanıta dayalı uygulama: Yanıt motorunun o anda getirebildiği içeriğe ilişkin kanıtı koruyun.
Nasıl: İzin verilen bir anlık görüntüyü veya içerik sağlama toplamını; getirme zaman damgası ve durumuyla birlikte saklayın.
Neden: Sonraki sayfa düzenlemeleri yanıt motoru tutarsızlığı sanılabilir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Zaman aşımları, CAPTCHA'lar, aramasız yanıtlar, ayrıştırma hataları ve kısmi yanıtlar sonuç olarak saklanıyor mu?

Ne: Kanıta dayalı uygulama: Başarısız çalıştırmaları sessizce çıkarmak yerine eksikliği görünür kılın.
Nasıl: Açık hata nedeni kodları kullanın ve hata oranını raporlayın.
Neden: Rastgele olmayan eksik gözlemler görünürlüğü olduğundan yüksek gösterebilir.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

Ölçüm, web'de arama yapan yanıtlarla yapmayan yanıtları birbirinden ayırıyor mu?

Ne: Kanıta dayalı uygulama: Gözlenebilir arama etkinleşmesini ve atıf kullanılabilirliğini kaydedin.
Nasıl: Varsa arayüz göstergelerini kullanın, belirsiz durumları “bilinmiyor” olarak etiketleyin.
Neden: Bilgi getirme hiç gerçekleşmediyse atıf yokluğu karşılaştırılabilir değildir.
Kaynak: ChatGPT Search yardım sayfası

Ham gözlemler, tekilleştirilmiş ve normalize edilmiş metriklerle birlikte saklanıyor mu?

Ne: Kanıta dayalı uygulama: Barındırıcı, sayfa veya varlık düzeyinde toplulaştırmadan önce atıf olaylarını koruyun.
Nasıl: Dönüşümleri değiştirilemez ham kayıtlardan, sürümlü kodla üretin.
Neden: Toplulaştırma kuralları sonuçları değiştirebilir ve denetlenebilir olmalıdır.
Kaynak: Google Üretken Yapay Zekâ performans raporu

Her çalıştırmaya tarayıcı, toplayıcı, çıkarım aracı, sınıflandırıcı ve ölçüt sürümleri ekleniyor mu?

Ne: Kanıta dayalı uygulama: Ölçüm kodu değişikliklerini olası süreksizlikler olarak ele alın.
Nasıl: Commit veya sürüm kimliklerini saklayın ve dağıtımları açıklama notlarıyla işaretleyin.
Neden: Bir ayrıştırıcı değişikliği görünürlük değişimi gibi görünebilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Her önemli istem tek bir sıralama kontrolü sayılmak yerine tekrarlı olarak örnekleniyor mu?

Ne: Kanıta dayalı uygulama: Aynı istem ve bağlam için yanıt dağılımını tahmin edin.
Nasıl: Önceden belirlenmiş zamanlarda tekrar çalıştırın ve geçerli çalıştırma sayısını raporlayın.
Neden: Aynı istemler farklı yanıtlar ve atıflar üretebilir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Gözlemler birden fazla güne ve ilgili gün dilimlerine yayılıyor mu?

Ne: Kanıta dayalı uygulama: Tek bir toplama dalgası yerine zamansal değişkenliği yakalayın.
Nasıl: Zaman damgaları ve istikrarlı bir istem karışımıyla planlı bir panel kullanın.
Neden: Aynı oturumdaki toplu çalıştırmalar durağan olmama etkisini olduğundan az gösterebilir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

İstem yürütme sırası rastgeleleştiriliyor veya dengeleniyor mu?

Ne: Kanıta dayalı uygulama: Zaman, hız sınırlaması veya oturum sırası etkilerinin tek bir müdahaleyle örtüşmesini önleyin.
Nasıl: Platform, yerel ayar ve niyet blokları içinde rastgeleleştirin.
Neden: Sabit sıra, müdahale etkisiyle toplama koşullarını birbirine karıştırabilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Örneklem büyüklüğü olumlu sonuçlara bakılmadan önce seçiliyor mu?

Ne: Kanıta dayalı uygulama: Toplama hacmini pilot varyansa, istenen kesinliğe ve maliyete dayandırın.
Nasıl: Durdurma kuralını çalışma planına yazın ve sabit tutun.
Neden: İsteğe bağlı durdurma yanlış keşif olasılığını artırır.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Olumlu bir sonuç görülse bile toplama önceden taahhüt edilen bitiş noktasına kadar sürüyor mu?

Ne: Kanıta dayalı uygulama: Planlanmış durdurma kuralını uygulayın.
Nasıl: Takvimi kilitleyin veya erken durdurma için belgelenmiş bağımsız onay şartı koyun.
Neden: Şans eseri gelen bir sonuçta durmak yapay bir güven oluşturur.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Görünürlük tahminleri yalnızca nokta tahminiyle değil, belirsizlik aralıklarıyla da raporlanıyor mu?

Ne: Kanıta dayalı uygulama: Yaygınlık, pay ve kalite metriklerini aralık tahminleriyle birlikte sunun.
Nasıl: Uygun bir bootstrap veya model kullanın ve varsayımları açıklayın.
Neden: Küçük görünen farklar ölçüm gürültüsü olabilir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Her puan; denenen istem, geçerli yanıt ve hesaba katılan gözlem sayılarını gösteriyor mu?

Ne: Kanıta dayalı uygulama: Paydaları ve eksik verileri görünür kılın.
Nasıl: Her segmentin yanında `n` değerini gösterin ve yeterli güce sahip olmayan karşılaştırmaları yayımlamayın.
Neden: Paydası olmayan bir yüzde olduğundan daha kesin görünür.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Düşük sıklıktaki alan adları ve markalar özellikle kararsız olarak işaretleniyor mu?

Ne: Kanıta dayalı uygulama: Seyrek atıf yaygınlığını ihtiyatla ele alın.
Nasıl: Zorla sıralama üretmek yerine sıfır sayılarını, aralıkları ve düşük taban uyarısını gösterin.
Neden: Nadir olaylar oynak yüzdeler ve sıralar üretir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Eski ve yeni gözlemler birleştirilmeden önce platform sapması test ediliyor mu?

Ne: Kanıta dayalı uygulama: Zaman içinde düzey, varyans veya kaynak dağılımı değişikliklerini arayın.
Nasıl: Hareketli tanılar tutun ve platform veya toplayıcı değişikliklerine açıklama notu ekleyin.
Neden: Geçmiş örneklemler mevcut sistemi artık doğru tahmin etmeyebilir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Yöntem, tek bir sabit çalıştırma sayısını her platform ve istem sınıfı için yeterli saymaktan kaçınıyor mu?

Ne: Kanıta dayalı uygulama: Kesinliği yerel varyansa ve karar riskine göre ayarlayın.
Nasıl: Bir pilot yürütün, belirsizliği tahmin edin ve ardından belgelenmiş bir toplama planı belirleyin.
Neden: Değişkenlik platforma, konuya, dile ve sonuca göre farklılık gösterir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Müdahale karşılaştırmaları platform, istem, yerel ayar, yüzey ve toplama zaman aralığı bakımından eşleştiriliyor mu?

Ne: Kanıta dayalı uygulama: Gözlemleri önemli bağlam değişkenlerine göre bloklayın veya eşleştirin.
Nasıl: Kontrol ve müdahale için aynı örnekleme takvimini ve istem sürümünü kullanın.
Neden: Bağlamlar arası farklar müdahale etkisinden daha büyük olabilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Birleşik bir indeksten önce platforma özgü metrikler gösteriliyor mu?

Ne: Kanıta dayalı uygulama: Her platformun kendine özgü atıf ve bilgi getirme davranışını koruyun.
Nasıl: Bir bileşik kullanılıyorsa ağırlıkları açıklayın ve bileşenleri gösterin.
Neden: Ham atıf sayıları platformlar arasında doğrudan karşılaştırılamaz.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Atıf payı, ilan edilmiş bir platform, istem kümesi ve emsal evreni içinde normalize ediliyor mu?

Ne: Kanıta dayalı uygulama: Paydayı oluşturan toplamı kesin biçimde belirtin.
Nasıl: Hem ham atıf sayısını hem de normalize edilmiş payı yayımlayın.
Neden: Aksi hâlde “görünürlük payı” kolayca pazar payı sanılabilir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Önemli sonuçlar makul alternatif istem ve iş ağırlıklarına karşı dayanıklı mı?

Ne: Deneysel uygulama: Sonucun tek bir ağırlıklandırma düzeninden kaynaklanıp kaynaklanmadığını test edin.
Nasıl: Ağırlıklı, ağırlıksız ve segment düzeyindeki görünümleri raporlayın.
Neden: Gizli ağırlıklar karşılaştırmalı sıralamaları tersine çevirebilir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Bir deneyden önce karar açısından anlamlı en küçük iyileşme tanımlanmış mı?

Ne: Kanıta dayalı uygulama: Pratik etkiyi sıfırdan farklı herhangi bir sayısal değişimden ayırın.
Nasıl: Paydaşlarla bir etki eşiği belirleyin ve çalışmanın gücünü buna göre planlayın.
Neden: Küçük değişiklikler istatistiksel gürültü olabilir veya ticari açıdan önemsiz kalabilir.
Kaynak: Anthropic: Başarı ölçütlerini tanımlama ve değerlendirmeler oluşturma

Marka anılma yaygınlığı, varlığı içeren geçerli yanıtların payı olarak ölçülüyor mu?

Ne: Kanıta dayalı uygulama: Yanıt düzeyindeki varlığı atıf sayısından ayırın.
Nasıl: Sürümlü diğer ad kümesini uygulayın ve geçerli yanıt paydasını yayımlayın.
Neden: Tek bir yanıttaki tekrarlı atıflar markanın görünme sıklığını şişirmemelidir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Markaya ait alan adlarına atıf yaygınlığı, marka anılmalarından ayrı izleniyor mu?

Ne: Kanıta dayalı uygulama: En az bir markaya ait atıf içeren yanıtları sayın.
Nasıl: Atıf verilen URL'leri sürümlü marka alan adı kaydıyla eşleştirin.
Neden: Yanıt motorları bir markayı atıf vermeden anabilir veya markayı belirgin biçimde anmadan ona atıf verebilir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Ham atıf sayısı bir sıralama gibi yorumlanmadan betimleyici bir metrik olarak saklanıyor mu?

Ne: Kanıta dayalı uygulama: Tekilleştirmeden önce gözlenen atıf olaylarını sayın.
Nasıl: Sayıyı yaygınlık, pay ve örneklem büyüklüğüyle birlikte raporlayın.
Neden: Sayılar operasyonel açıdan yararlıdır ancak yanıt ve platform biçimine büyük ölçüde bağlıdır.
Kaynak: Bing Webmaster Tools'da yapay zekâ performansı

Atıf verilen benzersiz marka sayfalarının sayısı ve dağılımı izleniyor mu?

Ne: Kanıta dayalı uygulama: Görünürlüğün tek bir URL'ye mi, dayanıklı bir içerik kümesine mi bağlı olduğunu ölçün.
Nasıl: URL'leri kanonikleştirin ve sayfa bazında yoğunlaşmayı raporlayın.
Neden: Alan adı toplamı, tek bir içeriğe yönelik kırılgan bağımlılığı gizleyebilir.
Kaynak: Bing Webmaster Tools'da yapay zekâ performansı

Atıf verilen tüm kaynak alan adlarının çeşitliliği ve yoğunlaşması izleniyor mu?

Ne: Kanıta dayalı uygulama: Yanıt kanıtlarının yayıncılar arasında ne kadar yoğunlaştığını takip edin.
Nasıl: İstem segmentine göre benzersiz alan adlarını ve bir yoğunlaşma istatistiğini raporlayın.
Neden: Kaynak yoğunlaşması bağımlılık ve bilgi kalitesi risklerini açığa çıkarabilir.
Kaynak: Sentetik kaynaklar mı?

Atıf verilen marka sayfaları ürün, hizmet, araştırma, rehber, profil, politika veya destek içeriği olarak sınıflandırılıyor mu?

Ne: Deneysel uygulama: Yanıt motorlarının her niyet için hangi içerik türlerini kullandığını belirleyin.
Nasıl: Kanonik URL'leri istikrarlı bir içerik sınıflandırmasına eşleyin.
Neden: Sayfa türü örüntüleri, bir sıralama faktörünü ortaya çıkardığı iddiasına girmeden testlere yön verebilir.
Kaynak: Bing Webmaster Tools'da yapay zekâ performansı

Varlığın anlatıdaki belirginliği atıf görülmesinden ayrı puanlanıyor mu?

Ne: Deneysel uygulama: Markanın merkezde, destekleyici, ikincil veya hiç yer almayan konumda olduğunu değerlendirin.
Nasıl: Puan düzeyleri açık örneklerle tanımlanmış bir insan değerlendirme ölçütü kullanın ve yanıt metnini koruyun.
Neden: Dipnot düzeyindeki bir kaynak ile merkezi bir öneri farklı görünürlük yaratır.
Kaynak: GEO: Üretken Motor Optimizasyonu

Raporlama, Bing atıf toplamlarını veya URL sayılarını yerleşim verisi gibi ele almaktan kaçınıyor mu?

Ne: Doğrulanmış platform gereksinimi: Doğrudan gözlenip saklanmadığı sürece yerleşimi “kullanılamıyor” olarak etiketleyin.
Nasıl: Bing Yapay Zekâ Performansı dışa aktarımlarından sıralamayı çağrıştıran etiketleri kaldırın.
Neden: Platform, bu metriklerin yerleşimi veya önemi göstermediğini açıkça belirtir.
Kaynak: Bing Webmaster Tools'da yapay zekâ performansı

Olumlu, tarafsız, olumsuz, karma ve yalnızca olgusal yaklaşım, puan düzeyleri açık örneklerle tanımlanmış bir ölçütle puanlanıyor mu?

Ne: Deneysel uygulama: Görünürlüğü yanıtın varlığa karşı tutumundan ayırın.
Nasıl: İnsanlarca incelenmiş örnekler ve açık bir “uygulanamaz” durumu kullanın.
Neden: Bağlam yanlış veya olumsuz olduğunda daha fazla anılma zararlı olabilir.
Kaynak: Anthropic: Başarı ölçütlerini tanımlama ve değerlendirmeler oluşturma

Kısa listeye veya öneriye dâhil edilme yalnızca önerinin uygun olduğu istemlerde mi ölçülüyor?

Ne: Deneysel uygulama: Dâhil edildi, hariç tutuldu, aleyhinde uyarıldı veya uygulanamaz durumlarını kaydedin.
Nasıl: Niyete özgü puanlama uygulayın ve belirtilen seçim ölçütlerini saklayın.
Neden: Her anılmayı öneri saymak ticari görünürlüğü abartır.
Kaynak: GEO: Üretken Motor Optimizasyonu

Atıf verilen sayfa kullanıcının sorusu ve atıf verilen iddiayla doğrudan ilgili mi?

Ne: Kanıta dayalı uygulama: Konusal örtüşmeyi iddiayı yanıtlayan kanıttan ayırın.
Nasıl: Puan düzeyleri açık örneklerle tanımlanmış bir alaka ölçeği kullanın.
Neden: Yalnızca genel olarak ilgili kaynaklar yanıltıcı bir destek görünümü yaratabilir.
Kaynak: Anthropic: Başarı ölçütlerini tanımlama ve değerlendirmeler oluşturma

Marka, ürün, kişi, politika, konum ve fiyat gerçekleri güncel yetkili kayıtlarla karşılaştırılıyor mu?

Ne: Kanıta dayalı uygulama: Gerçek düzeyinde doğruluğu ve önem derecesini puanlayın.
Nasıl: Tarih belirtilmiş bir doğrular kümesi tutun ve yüksek riskli iddialar için konu uzmanı incelemesini zorunlu kılın.
Neden: Atıf bulunması yanıtın doğru olduğunu garanti etmez.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Yanıtların markayı benzer adlı kuruluş, kişi veya ürünlerle karıştırıp karıştırmadığı kontrol ediliyor mu?

Ne: Kanıta dayalı uygulama: Kimlik çakışmalarını ayrı ve kritik bir hata olarak kaydedin.
Nasıl: Diğer adları ve belirsiz istemleri test edin; resmî tanımlayıcıları ve alan adlarını doğrulayın.
Neden: Bir yanıt görünürlük sağlıyor gibi görünürken yanlış varlığı anlatabilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

İddialar doğru kuruluş, yazar, çalışma veya sayfaya atfediliyor mu?

Ne: Kanıta dayalı uygulama: Atfın doğruluğunu olgusal doğruluktan bağımsız puanlayın.
Nasıl: Yanıttaki atfı, kaynakta belirtilen yazarlık ve bağlamla karşılaştırın.
Neden: Doğru gerçekler bile yanlış kaynağa atfedildiğinde güveni zedeleyebilir.
Kaynak: Üretken arama motorlarında doğrulanabilirliğin değerlendirilmesi

Atıf verilen gerçeklerin ve sayfaların toplama anındaki geçerliliği kontrol ediliyor mu?

Ne: Kanıta dayalı uygulama: Kaynak tarihini, son doğrulama tarihini ve iddianın zamana duyarlı olup olmadığını izleyin.
Nasıl: Fiyat, kişi, politika ve mevzuat gerçeklerine daha kısa inceleme aralıkları uygulayın.
Neden: Atıfları sağlam bir yanıt yine de güncelliğini yitirmiş olabilir.
Kaynak: Bing Webmaster Tools'da yapay zekâ performansı

Yüksek riskli istemlerde birincil, resmî veya özgün kanıtlara verilen atıfların payı izleniyor mu?

Ne: Kanıta dayalı uygulama: Kaynakları yalnızca alan adı popülerliğine göre değil, kökenlerine göre sınıflandırın.
Nasıl: Belgelenmiş bir kaynak katmanı ölçütü kullanın ve istisnaları inceleyin.
Neden: İkincil özetler anlam kaymasına yol açabilir veya iddiaların koşullarını çıkarabilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Yüksek riskli yanıtların sentetik görünümlü veya hesap verebilirliği düşük kaynaklara dayanıp dayanmadığı inceleniyor mu?

Ne: Deneysel uygulama: Kaynağın kökenini, yazarlığını, kanıt zincirini ve editoryal hesap verebilirliğini inceleyin.
Nasıl: Risk temelli bir örneklemi elle denetleyin ve belirsizliği kaydedin.
Neden: Sentetik kaynaklar, dayanaksız iddiaları tekrar yoluyla güçlendirebilir.
Kaynak: Sentetik kaynaklar mı?

Bir kaynak yalnızca yapay zekâ içerik algılayıcısının puanına dayanılarak yapay zekâ üretimi olarak etiketlenmekten kaçınılıyor mu?

Ne: Kanıta dayalı uygulama: Algılayıcı çıktısını köken kanıtı değil, zayıf bir ön eleme sinyali olarak ele alın.
Nasıl: Yazarlık, açıklama, köken veya editoryal kanıtla doğrulama şartı koyun.
Neden: Algılayıcı doğruluğu veri kümesine ve modele bağlıdır.
Kaynak: Sentetik kaynaklar mı?

Atıf verilen URL'ler hata, güvensiz yönlendirme, oturum açma engeli veya kaldırılmış içerik olmadan açılıyor mu?

Ne: Kanıta dayalı uygulama: Kullanıcıların atıf verilen kanıtı inceleyip inceleyemediğini ölçün.
Nasıl: Bağlantıları gözlem anında getirin; durum, yönlendirme ve erişim engelini sınıflandırın.
Neden: Erişilemeyen bir atıf pratikte doğrulanabilirlik sağlayamaz.
Kaynak: Üretken arama motorlarında doğrulanabilirliğin değerlendirilmesi

URL parametreleri, parçaları, yönlendirmeleri ve yinelenen yollar sayfa düzeyinde raporlamadan önce çözümleniyor mu?

Ne: Kanıta dayalı uygulama: Ham URL'leri korurken gözlenen bağlantıları istikrarlı kanonik kimliklerle eşleştirin.
Nasıl: Güvenli yönlendirmeleri izleyin ve anomali kontrolleriyle birlikte ilan edilen kanonikleri kullanın.
Neden: URL varyasyonları atıf verilen sayfa çeşitliliğini şişirebilir.
Kaynak: Google Üretken Yapay Zekâ performans raporu

Aynı sayfaya tek bir yanıt içinde tekrar tekrar atıf verilmesi tutarlı biçimde sayılıyor mu?

Ne: Kanıta dayalı uygulama: Olayları koruyun ancak yanıt düzeyinde tekilleştirmeyi tanımlayın.
Nasıl: Ham olay, benzersiz sayfa ve yanıt yaygınlığı metriklerini yayımlayın.
Neden: Farklı arayüzler bağlantıları farklı biçimlerde tekrarlar.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Öznel GEO ölçütleri için değerlendiriciler arası uyum ölçülüyor mu?

Ne: Kanıta dayalı uygulama: Belirginlik, alaka, tutum ve destek yargılarındaki tutarlılığı nicelleştirin.
Nasıl: Katmanlı bir örneklemi iki kez puanlayın ve sistematik anlaşmazlıkları karara bağlayın.
Neden: İnsanların bir ölçütü uygulaması tek başına o ölçütü güvenilir kılmaz.
Kaynak: Anthropic: Başarı ölçütlerini tanımlama ve değerlendirmeler oluşturma

Hukuk, güvenlik, kimlik, fiyat ve itibarla ilgili hatalar yetkin bir kişi tarafından doğrulanıyor mu?

Ne: Kanıta dayalı uygulama: Otomatik puanların yüksek etkili olayları tek başına kapatmasını önleyin.
Nasıl: Kritik işaretleri konu uzmanı, hukuk veya marka incelemesine yönlendirin.
Neden: Otomatik değerlendiriciler yüksek güvenle yanılabilir.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

Her otomatik LLM değerlendiricisi temsili örneklerde körlenmiş insan yargılarıyla karşılaştırılıyor mu?

Ne: Kanıta dayalı uygulama: Puanlamayı ölçeklendirmeden önce değerlendiricinin doğruluğunu onaylayın.
Nasıl: Bir altın standart kümesi, karışıklık analizi ve düzenli yeniden ayarlama süreci tutun.
Neden: Doğrulanmamış bir değerlendirici yanlılığı ve sapmayı otomatikleştirebilir.
Kaynak: Anthropic: Başarı ölçütlerini tanımlama ve değerlendirmeler oluşturma

Otomatik değerlendiricilerden açık uçlu izlenimler yerine sınıflandırma, ikili seçim veya düzeyleri açık örneklerle tanımlanmış puanlar isteniyor mu?

Ne: Kanıta dayalı uygulama: Puanlamayı denetlenebilir kararlarla sınırlandırın.
Nasıl: Açık etiketler, kanıt şartları ve çekimser kalma seçeneği kullanın.
Neden: Sınırları belli görevlerin ayarlanması ve yeniden üretilmesi daha kolaydır.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

Her puan bir ölçüt sürümüne ve örnek kümesine bağlı mı?

Ne: Kanıta dayalı uygulama: Ölçüt değişikliklerini ölçüm değişiklikleri olarak ele alın.
Nasıl: Sürümü, yürürlük tarihini, onaylayanı ve geçmiş veriyi yenileme politikasını saklayın.
Neden: Sessiz ölçüt sapması uzun dönemli eğilimleri bozar.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Belirsiz ve ihtilaflı yargılar tek bir etikete zorlanmak yerine saklanıyor mu?

Ne: Kanıta dayalı uygulama: Çekimser, belirsiz ve karara bağlanmış durumlarını ekleyin.
Nasıl: Anlaşmazlık oranlarını raporlayın ve iki ilk puanı da saklayın.
Neden: Anlaşmazlık çoğu zaman belirsiz istemleri veya zayıf ölçütleri ortaya çıkarır.
Kaynak: Anthropic: Başarı ölçütlerini tanımlama ve değerlendirmeler oluşturma

Türkçe yanıtlar akıcı Türkçe bilen, İngilizce yanıtlar da akıcı İngilizce bilen değerlendiricilerce inceleniyor mu?

Ne: Kanıta dayalı uygulama: Anlamı, akıcılığı, kültürel nüansı ve olgusal terminolojiyi kendi dilinde değerlendirin.
Nasıl: Ortak bir diller arası ölçütü kullanan ana dil düzeyinde veya mesleki akıcılığa sahip değerlendiricilerle çalışın.
Neden: Makine çevirisi tonu, belirsizliği ve olgusal hataları gizleyebilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

İngilizce ve Türkçe karşılaştırmaları kelimesi kelimesine çeviri yerine eşdeğer kullanıcı niyetine mi dayanıyor?

Ne: Kanıta dayalı uygulama: Her pazarda doğal karşılanan eşleştirilmiş istemler oluşturun.
Nasıl: İleri çeviri, ana dilde yeniden yazım ve bağımsız niyet incelemesi kullanın.
Neden: Kelimesi kelimesine çeviri sıklığı, nezaket düzeyini, özgüllüğü ve bilgi getirme davranışını değiştirebilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Doğruluk, atıf desteği, görünürlük ve olay oranları İngilizce ve Türkçe için ayrı gösteriliyor mu?

Ne: Kanıta dayalı uygulama: Önemli dil eşitliği farklarını görünür kılın.
Nasıl: Dil düzeyinde aralıklar gösterin ve birleşik puanın bir dildeki hatayı gizlemesine izin vermeyin.
Neden: Genel ortalamalar bir dildeki zayıf performansı gizleyebilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

İngilizce ve Türkçe olgusal istemler eşit derecede güncel ve yetkili birinci taraf kaynaklara bağlanıyor mu?

Ne: Kanıta dayalı uygulama: Eksik çevirileri ve güncelliğini yitirmiş yerelleştirilmiş kanıtları denetleyin.
Nasıl: Dil çiftleri arasında tek doğru kaynak kapsamını ve inceleme tarihlerini karşılaştırın.
Neden: Daha zayıf bir Türkçe kanıt tabanı daha kötü atıflara ve gerçeklere yol açabilir.
Kaynak: Google yerelleştirilmiş sürümler dokümantasyonu

Analitik, `utm_source=chatgpt.com` taşıyan yönlendirme URL'lerini koruyup sınıflandırıyor mu?

Ne: Doğrulanmış platform gereksinimi: Belgelenmiş bir ChatGPT yönlendirme kanalı kuralı oluşturun.
Nasıl: Açılış sayfasındaki veri toplamayı, yönlendirmeleri, izin sürecini ve veri ambarına aktarımı uçtan uca test edin.
Neden: OpenAI, tıklanan yönlendirme URL'lerine bu kaynak etiketini otomatik olarak ekler.
Kaynak: OpenAI yayıncılar ve geliştiriciler SSS

Gizlilik politikasının izin verdiği ölçüde yönlendiren bilgisini taşıyan HTTP üstbilgileri ve kampanya parametreleri açılış akışı boyunca korunuyor mu?

Ne: Deneysel uygulama: Tıklama ile analitik olayı arasındaki önlenebilir kaynak kaybını engelleyin.
Nasıl: CDN, kısa bağlantı, yönlendirme, izin ve alanlar arası geçiş yollarını test edin.
Neden: Yönlendirme veya parametre kaybı ziyaretlerin yanlış sınıflandırılmasına yol açabilir.
Kaynak: GA4: Direct'e yanlış atfı en aza indirme

Raporlama, açıklanamayan Direct trafik artışını yanıt motorlarına atfetmekten kaçınıyor mu?

Ne: Kanıta dayalı uygulama: Destekleyici kanıt olmadıkça Direct trafiği kaynağı bilinmeyen trafik olarak tutun.
Nasıl: Etiketli yönlendirmeleri, deneyleri, anketleri ve katkı sağlanan yolculuk kanıtlarını kullanın.
Neden: Birbiriyle ilgisiz birçok mekanizma Direct/none oturumları oluşturur.
Kaynak: GA4: Direct'e yanlış atfı en aza indirme

İç ve dış yönlendirmeler UTM ve yönlendiren sayfa bilgisini koruma açısından test ediliyor mu?

Ne: Kanıta dayalı uygulama: Tam olarak yapay zekâ yönlendirmelerinin açılış yollarındaki kaynak kaybını saptayın.
Nasıl: Tarayıcı testleri çalıştırın ve her yönlendirme adımından sonra analitik olaylarını inceleyin.
Neden: Geçerli ve etiketli bir tıklama hatalı yönlendirme sonrasında Direct olarak gelebilir.
Kaynak: GA4: Direct'e yanlış atfı en aza indirme

İlk kullanıcı, oturum ve olay kapsamlı trafik kaynağı boyutları kendi amaçlarına uygun sorular için mi kullanılıyor?

Ne: Doğrulanmış platform gereksinimi: Edinim, ziyaret ve atfedilen dönüşüm kapsamlarını birbirine karıştırmayın.
Nasıl: Her grafikte ve anlamsal modelde kapsamı etiketleyin.
Neden: GA4, trafik kaynağı kapsamlarına farklı atıf davranışları uygular.
Kaynak: GA4 trafik kaynağı boyutları

Yanıt motoru yönlendirmeleri son tıklama dönüşümünün ötesinde değerlendiriliyor mu?

Ne: Kanıta dayalı uygulama: Yeni kullanıcı edinimini, geri dönüş ziyaretlerini, markalı aramayı ve sonraki dönüşüm yollarını analiz edin.
Nasıl: İzinli kullanıcı/oturum yollarını ve açıkça belirtilmiş bir atıf modelini kullanın.
Neden: Araştırma odaklı ziyaretler daha sonraki bir kanalı etkileyebilir.
Kaynak: GA4 trafik kaynağı boyutları

Platform gösterimleri, tıklanan yönlendirmeler ve çıkarımsal “karanlık” görünürlük ayrı ayrı etiketleniyor mu?

Ne: Kanıta dayalı uygulama: Her KPI'a bir kanıt sınıfı ekleyin.
Nasıl: `platformda gözlendi`, `tıklama gözlendi`, `modellendi` veya `bilinmiyor` etiketlerini kullanın.
Neden: Bunları birleştirmek temel tanımlanabilirlik sınırlarını gizler.
Kaynak: Google Üretken Yapay Zekâ performans raporu

Yapay zekâ yönlendirmesiyle gelen açılış sayfaları niyet, içerik türü, dil ve cihaza göre analiz ediliyor mu?

Ne: Kanıta dayalı uygulama: Tıklama sonrasında hangi deneyimlerin dönüşüm sağladığını veya başarısız olduğunu belirleyin.
Nasıl: Doğrulanmış kaynak etiketlerinden ve kanonik açılış URL'lerinden kohortlar oluşturun.
Neden: Kanal genelindeki ortalamalar yüksek ve düşük değerli giriş noktalarını gizleyebilir.
Kaynak: GA4 trafik kaynağı boyutları

Dönüşüm oranları bot ve iç trafik çıkarılmış nitelikli oturumlara veya kullanıcılara mı dayanıyor?

Ne: Kanıta dayalı uygulama: Karşılaştırmadan önce uygun trafiği ve dönüşüm olaylarını tanımlayın.
Nasıl: Payı, paydayı, hariç tutulanları ve güven aralığını yayımlayın.
Neden: Küçük veya kirli paydalar çarpıcı ama kararsız oranlar üretir.
Kaynak: GA4 trafik kaynağı boyutları

Ana ve mikro dönüşümler, yinelenenler, testler ve geçersiz olaylar sınıflandırılıp denetleniyor mu?

Ne: Kanıta dayalı uygulama: İş anlamı ve tetiklenme kurallarını içeren bir dönüşüm olayı sözlüğü tutun.
Nasıl: Olayları uçtan uca test edin; görev tamamlamayı etkileşim göstergelerinden ayırın.
Neden: Yinelenen veya zayıf olaylar yapay bir kanal performansı yaratabilir.
Kaynak: GA4 trafik kaynağı boyutları

Oturum başına gelir, nitelikli potansiyel müşteri oranı, anlaşma kalitesi veya eşdeğer değer metrikleri kaynağa göre karşılaştırılıyor mu?

Ne: Kanıta dayalı uygulama: Yalnızca dönüşüm gerçekleşmesini değil, sonuç kalitesini değerlendirin.
Nasıl: İş birimlerince kabul edilen bir değer metriği tanımlayın ve asgari örneklem güvenceleri uygulayın.
Neden: Kanallar aynı dönüşüm oranıyla çok farklı değer üretebilir.
Kaynak: GA4 trafik kaynağı boyutları

Etkileşim sinyalleri genel bir oturum süresi hedefi yerine açılış sayfasının amacına bağlanıyor mu?

Ne: Kanıta dayalı uygulama: Okuma, araç kullanımı, indirme, iletişim veya görev tamamlama gibi eylemler seçin.
Nasıl: Olay ölçümlemesini doğrulayın ve kaynak ile niyete göre segmentlere ayırın.
Neden: Yanıt hemen bulunduğunda kısa bir ziyaret başarı anlamına gelebilir.
Kaynak: Google yapay zekâ özellikleri ve web siteniz

Yasal ve yararlı olduğu durumlarda telefon görüşmesi, toplantı, teklif, mağaza satışı ve diğer çevrimdışı sonuç verileri birleştiriliyor mu?

Ne: Kanıta dayalı uygulama: Ölçümü tarayıcı dönüşüm olaylarının ötesine taşıyın.
Nasıl: İzinli tanımlayıcılar, kontrollü geriye bakış kuralları ve belgelenmiş eşleşme oranları kullanın.
Neden: Yüksek değerlendirme gerektiren GEO etkisi web oturumundan sonra ortaya çıkabilir.
Kaynak: GA4 trafik kaynağı boyutları

Tarama botu istekleriyle izleme aracı, çalışan, ajans ve kalite güvence trafiği insan yönlendirmelerine ait KPI'lardan çıkarılıyor mu?

Ne: Kanıta dayalı uygulama: İnsan analitiği ile tarama botu gözlemlenebilirliği veri kümelerini ayrı tutun.
Nasıl: Tek bir sinyale dayanmadan doğrulanmış IP, user-agent, ağ ve test tanımlayıcılarını kullanın.
Neden: GEO izlemesinin kendisi ölçtüğü trafiği kirletebilir.
Kaynak: Perplexity tarayıcı dokümantasyonu

İzleme izninin reddedildiği ve ölçülemeyen ziyaretler GEO trafik raporlamasında belirtiliyor mu?

Ne: Kanıta dayalı uygulama: Gözlenen analitik veriyi toplam trafik iddialarından ayırın.
Nasıl: İzin oranlarını, modellenmiş alanları ve pazara özgü toplama farklarını raporlayın.
Neden: Ölçüm kapsamı yargı alanına, cihaza ve tarayıcıya göre değişebilir.
Kaynak: GA4 trafik kaynağı boyutları

Sitenin Referrer-Policy ayarı, yararlı ve izin verilen yönlendirme bağlamının istemeden kaybı açısından test ediliyor mu?

Ne: Kanıta dayalı uygulama: Tarayıcıların farklı kaynaklar arasında hangi yönlendiren sayfa verilerini gönderdiğini anlayın.
Nasıl: Yapay zekâ yönlendirmesiyle açılan sayfalardaki HTTP üstbilgilerini inceleyin ve kaynaklar arası tarayıcı testleri çalıştırın.
Neden: Politika ve bağlantı nitelikleri `Referer` başlığını bastırabilir.
Kaynak: W3C Referrer Policy

Tıklama olmadan gerçekleşen yanıt görünürlüğü yönlendirme trafiğinden ayrı raporlanıyor mu?

Ne: Kanıta dayalı uygulama: Platform gösterimini veya örneklenmiş yanıt kanıtını yalnızca öncü gösterge olarak kullanın.
Nasıl: Ayrı panolar tutun ve veri olmadan tahmini tıklama oranı üretmeyin.
Neden: Görünür bir atıf, site ziyareti olmadan kullanıcının ihtiyacını karşılayabilir.
Kaynak: Google Üretken Yapay Zekâ performans raporu

Raporlama, yalnızca gösterim veya atıf sunan bir platform raporundan tıklama oranı hesaplamaktan kaçınıyor mu?

Ne: Doğrulanmış platform gereksinimi: Birbiriyle uyumlu tıklama payı ve gösterim paydası şartı koyun.
Nasıl: Platform belgelenmiş tıklamalar eklemedikçe mevcut Google Üretken Yapay Zekâ ve Bing atıf raporlarında sentetik CTR alanlarını devre dışı bırakın.
Neden: İlgisiz veri kümelerini karıştırmak anlamsız bir oran üretir.
Kaynak: Google Üretken Yapay Zekâ performans raporu

Yapay zekâ yönlendirmelerinin dönüşüm karşılaştırmaları temel trafik bileşimi etkenlerine göre katmanlandırılıyor ve ham örneklem büyüklükleriyle birlikte sunuluyor mu?

Ne: Kanıta dayalı uygulama: Dönüşüm farklarını yönlendirme kanalına bağlamadan önce benzer trafik gruplarını karşılaştırın.
Nasıl: Niyet, açılış sayfası, pazar, cihaz ve yeni/geri dönen kullanıcı durumu gibi ilgili katmanları önceden belirleyin; her katman için payı, paydayı ve belirsizliği gösterin veya düzeltilmiş bir model kurun.
Neden: Trafik bileşimindeki farklar toplu kanal karşılaştırmalarını karıştırabilir; katmanlandırma sistematik karşılaştırma hatasını azaltabilir.
Kaynak: NIST örnekleme ve katmanlandırma rehberi

İstem, yanıt, analitik ve CRM birleştirmelerinin onaylı saklama süreleri ve rol tabanlı erişimi var mı?

Ne: Kanıta dayalı uygulama: Kullanıcı ve ticari verilerin açığa çıkmasını en aza indirin.
Nasıl: Amacı, alanları, erişim rollerini, silme sürecini ve denetim günlüğünü belgeleyin.
Neden: Daha zengin bir GEO veri kümesi daha geniş bir gizlilik ve güvenlik yüzeyi oluşturur.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

“%40'a varan GEO artışı” iddiası gerçek deneyinin kapsamıyla sınırlı mı?

Ne: Deneysel uygulama: Bunu yalnızca beş kaynağın sabit bir bağlamda önceden sağlandığı çalışmanın görünürlük metriğindeki azami göreli artış olarak açıklayın.
Nasıl: Özgün makaleyle birlikte Temmuz 2026 tarihli eleştirel araştırmaya atıf verin; kurulumun bilgi getirme sonrası olduğunu ve kalıcı tarama, indeksleme, platformlar arası keşfedilebilirlik, trafik ya da iş sonuçlarını sınamadığını belirtin.
Neden: Bu oran, kanıtın göstermediği genel bir organik görünürlük veya tıklama artışı gibi sıkça yanlış aktarılır.
Kaynak: Temel GEO makalesi
Kaynak: GEO araştırmalarının eleştirel incelemesi

Eklenen atıflar, alıntılar ve istatistikler yalnızca doğru ve yararlı olduklarında mı test ediliyor?

Ne: Deneysel uygulama: Çıkarılabilir kanıtın erişimi veya okunabilirliği bozmadan kaynak kullanımını geliştirip geliştirmediğini değerlendirin.
Nasıl: Doğrulanmış eklemeleri işlem görmemiş bir kontrol grubuna karşı A/B testine tabi tutun ve olgusal desteği denetleyin.
Neden: KDD deneyi, kaynak erişimi sonrasında bu taktiklerle kazanım saptamıştır.
Kaynak: Temel GEO makalesi

“Otoriter üslup” otoritenin yerine geçecek bir yöntem olarak reddedilmiş mi?

Ne: Deneysel uygulama: Yalnızca bir modeli etkilemek için anlatımı daha iddialı hâle getirmeyin.
Nasıl: Bunun yerine kanıtı, uzmanlığı, yetkinlikleri ve belirsizliğin ifadesini geliştirin; tonu yalnızca okur açısından açıklık için test edin.
Neden: Temel makale, otoriter biçemle genel ve anlamlı bir iyileşme bulmamıştır.
Kaynak: Temel GEO makalesi

Evrensel bir küçük parça veya ideal uzunluk kuralı reddedilmiş mi?

Ne: Kanıta dayalı uygulama: İçeriği okur ihtiyaçları ve tutarlı konular etrafında yapılandırın.
Nasıl: Paragraf, bölüm veya sayfa uzunluğu eşikleri uygulamadan önce kanıt isteyin.
Neden: Google, küçük “parçalara ayırmanın” gerekli olmadığını ve ideal sayfa uzunluğu bulunmadığını açıkça belirtir.
Kaynak: Google yapay zekâ optimizasyonu rehberi

`llms.txt`, Google görünürlük gereksinimlerinden ve vaatlerinden çıkarılmış mı?

Ne: Kanıta dayalı uygulama: Bunu yalnızca desteğini açıkça belgeleyen tüketiciler için isteğe bağlı bir dosya olarak ele alın.
Nasıl: Google sıralama iddialarını kaldırın ve bakım kaynağını indekslenebilir içerikten bu dosyaya aktarmayın.
Neden: Google, Search ve üretken özellikler için `llms.txt` dosyasını yok saydığını belirtir.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Yalnızca yapay zekâ için yeniden yazma ve birebir istem varyantları yayımlama reddedilmiş mi?

Ne: Kanıta dayalı uygulama: İnsanlar için doğal biçimde yazın ve eşdeğer ifadeleri birleştirin.
Nasıl: İçerik özetlerini uzun kuyruklu varyant sayfaları, eş anlamlı kelime doldurma veya yapay bir “yapay zekâ sesi” açısından inceleyin.
Neden: Google, özel bir yapay zekâ yazım biçemi veya her sorgu için ayrı varyasyon gerekmediğini belirtir.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Uydurma yorumlar, açıklanmayan ücretli bahsetmeler ve koordineli sahte atıflar yasak mı?

Ne: Kanıta dayalı uygulama: Gerçek olmayan doğrulama sinyallerini reddedin.
Nasıl: Tanıtım, satış ortaklığı, içerik üreticisi, yorum ve dijital PR programlarını kimlik, açıklama, editoryal bağımsızlık ve spam açısından denetleyin.
Neden: Google gerçek olmayan bahsetmeler elde etmeye çalışmanın faydasız olduğunu ve spam sistemlerinin geçerliliğini koruduğunu belirtir.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Özel “GEO şeması” veya atıf garantisi veren işaretleme reddedilmiş mi?

Ne: Kanıta dayalı uygulama: Yapılandırılmış veriyi gerçeğe uygun semantik ve belgelenmiş özellikler için kullanın.
Nasıl: Bir özellik eklemeden önce resmî tüketici standardı bulunmasını zorunlu kılın ve hiçbir zaman yapay zekâ sonuçlarına dahil edilme sözü vermeyin.
Neden: Google, üretken yapay zekâ için yapılandırılmış verinin zorunlu olmadığını ve özel bir şema bulunmadığını belirtir.
Kaynak: Google yapay zekâ optimizasyonu rehberi

Her GEO testi kaynak erişimi sonrası etkileri organik keşfedilebilirlikten ayırıyor mu?

Ne: Deneysel uygulama: Belgenin sisteme doğrudan mı verildiğini, erişildiğini, yeniden sıralandığını, atıf aldığını, olgusal olarak kullanıldığını, tıklandığını veya dönüşüm sağladığını belirtin.
Nasıl: Veri toplamadan önce nedensel aşamayı ve paydayı önceden tanımlayın.
Neden: Sabit bağlamlı çalışmalar tarama veya kaynak erişimi etkilerini kanıtlayamaz.
Kaynak: Eleştirel GEO araştırması

Yeniden yazımlar, yayına alınmadan önce bilgi erişiminin önceki aşamalarına zarar verip vermediği açısından kontrol ediliyor mu?

Ne: Deneysel uygulama: Atıf için optimize edilen bir bölümün sorguyla ilgisini veya erişilebilirliğini kaybetmediğinden emin olun.
Nasıl: İndeks, erişim, yeniden sıralama ve atıf sonuçlarıyla okur kalitesini özgün sürümle karşılaştırın.
Neden: Araştırma, yalnızca gövde metnini optimize etmenin yukarı akıştaki ve nihai sonuçları düşürdüğü uçtan uca bir kıyaslama raporlar.
Kaynak: Eleştirel GEO araştırması

İçerik deneyleri adı belirtilen motorlar ve modlarda yineleniyor mu?

Ne: Deneysel uygulama: Tek bir yanıt yüzeyini “yapay zekâ araması” geneline mal etmeyin.
Nasıl: Her çalıştırma için ürünü, modu, sürümü ve tarihi, hesap durumunu, dil-bölgeyi ve birebir istemleri kaydedin.
Neden: Ticari motorlar birbirinden farklıdır ve zaman içinde değişir.
Kaynak: Eleştirel GEO araştırması

Deneyler yeniden ifadeleri, yinelenen çalıştırmaları, zaman aralıklarını, başlangıç değerlerini ve sonuçsuz çıktıları içeriyor mu?

Ne: Deneysel uygulama: Olumlu bir ekran görüntüsü sergilemek yerine değişkenliği tahmin edin.
Nasıl: Birden fazla doğal yeniden ifade, yakın aralıklı tekrar, daha sonraki yeniden çalıştırmalar ve işlem görmemiş ya da plasebo kontroller kullanın; arama, atıf veya sonuç olmayan çıktılarla hataları saklayın.
Neden: Araştırma, yeniden üretilebilir GEO ölçümü için bu kontrolleri önerir.
Kaynak: Eleştirel GEO araştırması

Atıf sayıları destek, kaynak ilişkilendirmesi, ton ve olgusal kullanım denetimleriyle birlikte mi sunuluyor?

Ne: Deneysel uygulama: Yanıtın kaynağı doğru kullanıp kullanmadığını ölçün.
Nasıl: Atıf verilen iddialardan örneklem alın; çıkarımı, doğruluğu, olumlu veya olumsuz yönelimi, görünürlüğü ve eksik koşulları insan incelemesiyle değerlendirin.
Neden: Atıf bulunması, desteklenmeyen veya olumsuz kullanımla aynı anda gerçekleşebilir.
Kaynak: Eleştirel GEO araştırması

Atıflar tıklamalardan, dönüşümlerden ve işletme değerinden ayrı mı ele alınıyor?

Ne: Deneysel uygulama: Görünürlüğü tek bir sıra değil, bir metrikler bütünü olarak ele alın.
Nasıl: Keşfedilebilirliği, atfı, görünürlüğü, olgusal kullanımı, yönlendirme trafiğini, desteklenen sonucu ve dönüşümü ayrı ayrı raporlayın.
Neden: Microsoft atıf sayılarının sıralama veya yerleşimi göstermediğini belirtir; araştırmalar ise tutarlı bir aşağı akış nedensel sonucu bulmaz.
Kaynak: Bing AI Performance

Kaynak kalitesi izlemesi yoğunlaşmayı, sentetik kaynak riskini ve çeşitliliği kapsıyor mu?

Ne: Deneysel uygulama: Yanıt motorlarının öncelikli konularda hangi tür kaynaklara atıf verdiğini denetleyin.
Nasıl: Sahipliği, özgünlüğü, güvenilirliği, yapay zekâ üretimi kanıtını, coğrafyayı ve aynı alan adında yoğunlaşmayı sınıflandırın; işaretlenenleri elle doğrulayın.
Neden: Yakın tarihli denetimler yoğunlaşmış ve kimi zaman sentetik kaynak ekosistemleri saptamaktadır.
Kaynak: Synthetic Sources denetimi

Her GEO değişikliğinin önceden yazılmış bir hipotezi, hedef segmenti, metriği ve beklenen yönü var mı?

Ne: Kanıta dayalı uygulama: Hangi sonucun değişikliği destekleyeceğini veya çürüteceğini tanımlayın.
Nasıl: Müdahaleyi yayımlamadan önce hipotezi kayda geçirin.
Neden: Sonradan kurulan anlatılar her sonucu başarılı gösterebilir.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

Ana içerik veya teknik değişiklik ilgisiz düzenlemelerden ayırt edilebiliyor mu?

Ne: Kanıta dayalı uygulama: Eşzamanlı değişkenleri sınırlayın veya faktöriyel bir tasarım kullanın.
Nasıl: Bir değişiklik manifesti tutun ve test birimlerindeki ilgisiz güncellemeleri erteleyin.
Neden: Birlikte yapılan değişiklikler nedensel öğrenmeyi engeller.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Deney, aynı dönemde karşılaştırılabilir ve müdahale uygulanmamış bir kontrol grubu içeriyor mu?

Ne: Kanıta dayalı uygulama: Müdahale etkilerini platform genelindeki hareketten ayırın.
Nasıl: Uygun sayfaları, konuları, pazarları veya istem kümelerini eşleştirin ya da rastgeleleştirin.
Neden: Yalnızca öncesi/sonrası değişimi zaman etkisiyle karışır.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Rastgeleleştirme, müdahale etkisinin gruplar arasına taşmasını önleyen bir birimde yapılıyor mu?

Ne: Kanıta dayalı uygulama: Sayfa, konu kümesi, yerel ayar veya pazarı bilinçli olarak seçin.
Nasıl: Birimi, bloklama değişkenlerini ve yayılma risklerini belgeleyin.
Neden: Yanıt motorları sitenin tamamından sentez yaptığında tek tek URL'leri rastgeleleştirmek işe yaramayabilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Müdahale ve kontrol sayfaları niyet, başlangıç talebi, otorite, güncellik ve dil bakımından karşılaştırılabilir mi?

Ne: Kanıta dayalı uygulama: Karşılaştırmadan önce başlangıç dengesizliğini azaltın.
Nasıl: Ön dönem verilerini ve alan uzmanlığını kullanarak birimleri eşleştirin veya katmanlandırın.
Neden: Sayfa seçim yanlılığı müdahale etkisine baskın çıkabilir.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

Kullanıcılar ve Googlebot aynı deney mantığını ve içerik erişilebilirliğini görüyor mu?

Ne: Kanıta dayalı uygulama: Bota özgü varyasyonlardan kaçının.
Nasıl: User-agent hedeflemesi olmadan normal istemci/sunucu deneyleri kullanın.
Neden: Google, test sayfası gizlemesini spam politikası ihlali olarak tanımlar.
Kaynak: Google A/B testi en iyi uygulamaları

Alternatif test URL'leri uygun durumlarda `rel="canonical"` ile tercih edilen özgün URL'yi gösteriyor mu?

Ne: Doğrulanmış platform gereksinimi: Birden çok URL içeren testlerde tercih edilen URL'yi bildirin.
Nasıl: Render edilmiş etiketleri doğrulayın ve kanoniğin deney tasarımıyla eşleştiğinden emin olun.
Neden: Google, alternatif test URL'leri için `noindex` yerine kanonik bağlantıları önerir.
Kaynak: Google A/B testi en iyi uygulamaları

Yönlendirme tabanlı geçici deneylerde kalıcı yerine geçici yönlendirme mi kullanılıyor?

Ne: Doğrulanmış platform gereksinimi: Özgün URL'yi amaçlanan uzun vadeli hedef olarak koruyun.
Nasıl: Belgelenmiş geçici durum kodunu kullanın ve önbellekleme davranışını doğrulayın.
Neden: Kalıcı yönlendirme bir test için yanlış kalıcılık sinyali gönderir.
Kaynak: Google A/B testi en iyi uygulamaları

Asgari süre, toplama hacmi ve azami süre deney başlamadan önce sabitleniyor mu?

Ne: Kanıta dayalı uygulama: Olumlu bir dalgalanmada bitirmekten veya varyasyonları süresiz açık bırakmaktan kaçının.
Nasıl: Süreyi tarama/yeniden tarama gecikmesine, varyansa ve iş riskine dayandırın.
Neden: Yanıt motorlarının değişiklikleri keşfetmesi zaman alabilir ve ölçümler stokastiktir.
Kaynak: Google yapay zekâ özellikleri ve web siteniz

Kampanyalar, haberler, ürün lansmanları, tatiller ve talep değişimleri işaretlenip modelleniyor mu?

Ne: Kanıta dayalı uygulama: Hem istemleri hem de atıfları etkileyen dış olayları belirleyin.
Nasıl: Eşzamanlı kontroller ve olay açıklama notları kullanın.
Neden: Görünürlük sayfa nedeniyle değil, dünya değiştiği için değişebilir.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Rastgele olmayan testlerde müdahale grubundaki değişim, paralel eğilim varsayımı kontrol edilerek kontrol grubundaki değişimle karşılaştırılıyor mu?

Ne: Deneysel uygulama: Yalnızca müdahale grubunun öncesi ve sonrası yerine göreli değişimi tahmin edin.
Nasıl: Ön eğilimleri çizin, ihlalleri açıklayın ve duyarlılık kontrolleri çalıştırın.
Neden: Yarı deneyler çıkarımı güçlendirebilir ancak güçlü varsayımlara dayanır.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Deneyler yalnızca yüzde artışla değil, belirsizliğiyle birlikte müdahale etkisi olarak mı raporlanıyor?

Ne: Kanıta dayalı uygulama: Mutlak ve göreli değişimi, aralığı, örneklem büyüklüğünü ve başlangıç değerini gösterin.
Nasıl: Önceden taahhüt edilen tahminciyi kullanın; sıfır veya olumsuz sonuçları da saklayın.
Neden: Tek başına yüzde artış küçük başlangıç değerlerini abartır ve belirsizliği gizler.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

Başarı ilan edilirken çok sayıdaki istem, platform, metrik ve segment hesaba katılıyor mu?

Ne: Kanıta dayalı uygulama: Birincil sonuçları önceden seçin ve yanlış keşifleri kontrol altında tutun.
Nasıl: Uygun bir düzeltme uygulayın veya keşif amaçlı analizleri açıkça etiketleyin.
Neden: Yeterince çok dilimi test etmek tesadüfi “başarılar” üretir.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

Mümkün olduğunda insan değerlendiriciler deney varyantına, tarihe ve istenen sonuca karşı körleniyor mu?

Ne: Kanıta dayalı uygulama: Nitel puanlamada beklenti yanlılığını azaltın.
Nasıl: Yanıt sırasını rastgeleleştirin ve deney varyantı tanımlayıcılarını kaldırın.
Neden: Hangi varyasyonun “kazanması gerektiğini” bilmek puanları etkileyebilir.
Kaynak: Anthropic: Başarı ölçütlerini tanımlama ve değerlendirmeler oluşturma

SEO trafiği, dönüşümler, erişilebilirlik, hukuki doğruluk ve marka güvenliği güvenceleri geri alma ölçütleriyle izleniyor mu?

Ne: Kanıta dayalı uygulama: GEO değişikliklerini test ederken kritik sonuçları koruyun.
Nasıl: Yayın öncesinde eşikleri, sorumluyu, geri alma mekanizmasını ve kanıt koruma adımını belirleyin.
Neden: Bir görünürlük deneyi kullanıcılara veya yerleşik arama performansına zarar verebilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Hipotezler, varyasyonlar, tarihler, birimler, metrikler, sonuçlar ve kararlar aranabilir bir kayıtta tutuluyor mu?

Ne: Kanıta dayalı uygulama: Kurumsal öğrenmeyi koruyun ve aynı testlerin tekrarlanmasını önleyin.
Nasıl: Dağıtım notlarında ve panolarda bir kayıt kimliğini zorunlu kılın.
Neden: Kaydedilmeyen testler açıklanamayan eğilim kırılmaları ve seçici hafıza yaratır.
Kaynak: OpenAI değerlendirme en iyi uygulamaları

Google ve Bing yapay zekâ raporu dışa aktarımları mülk, filtreler, saat dilimi ve dışa aktarım tarihiyle birlikte arşivleniyor mu?

Ne: Kanıta dayalı uygulama: Değişen panoların ötesinde birinci taraf gözlemlerini koruyun.
Nasıl: Değiştirilemez dışa aktarımlar ile bir manifest saklayın ve desteklenmeyen alanları kazımayın.
Neden: Sınırlı saklama süreleri, kademeli sunum ve ürün değişiklikleri eğilimlerin yeniden kurulmasını engelleyebilir.
Kaynak: Google Üretken Yapay Zekâ performans raporu

Site sürümleri, içerik güncellemeleri, tarayıcı politikası değişiklikleri ve bilinen platform değişiklikleri eğilimlerin üzerine işleniyor mu?

Ne: Kanıta dayalı uygulama: Ortak bir değişiklik günlüğü tutun.
Nasıl: Dağıtımları ve olayları ölçüm zaman aralıklarına bağlayın.
Neden: Açıklama notu olmayan değişiklikler yanlış nedensellik anlatılarını teşvik eder.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

GEO uyarıları beklenen varyansı, örneklem büyüklüğünü ve tekrarlanan ihlalleri hesaba katıyor mu?

Ne: Kanıta dayalı uygulama: Her nokta değişiminde değil, önemli ve kalıcı sapmalarda uyarı verin.
Nasıl: Eşikleri başlangıç aralıklarından ayarlayın ve veri kalitesi kontrolleri ekleyin.
Neden: Belirlenimci eşikler stokastik sistemlerde uyarı yorgunluğu yaratır.
Kaynak: Yapay zekâ görünürlüğündeki belirsizliğin ölçülmesi

GEO olayları olgusal, hukuki, güvenlik, kimlik, erişim ve ticari etkiye göre sınıflandırılıp müdahale hedeflerine bağlanıyor mu?

Ne: Kanıta dayalı uygulama: Önem derecelerini, sorumluları ve üst makama iletme yollarını oluşturun.
Nasıl: Kritik iddia türlerini kabul, inceleme ve düzeltme hedeflerine eşleyin.
Neden: Yanlış adres ile yanlış tıbbi veya hukuki iddia aynı kuyrukta ele alınmamalıdır.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Markaya ait gerçekleri düzeltmek ve kalıcı yanıt motoru hatalarını bildirmek için belgelenmiş bir yol var mı?

Ne: Kanıta dayalı uygulama: Kaynak onarımını, indeksleme isteğini, platform geri bildirimini ve paydaş iletişimini birbirinden ayırın.
Nasıl: Kanıtı koruyun, yetkili sayfayı güncelleyin, yeniden taramayı doğrulayın ve kapatmadan önce yeniden örnekleyin.
Neden: Kaynak gerçekliğini düzeltmeden istemi tekrarlamak bir iyileştirme değildir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Önemli olaylar için istem, yanıt, atıflar, ekran görüntüleri, kaynak anlık görüntüleri, zaman damgaları ve bağlam korunuyor mu?

Ne: Kanıta dayalı uygulama: Denetlenebilir bir olay paketi oluşturun.
Nasıl: Kontrollü depolama, hukuki saklama kuralları ve değiştirilemez tanımlayıcılar kullanın.
Neden: Stokastik yanıtlar inceleme başlamadan kaybolabilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Yüksek etkili gerçekler hasmane, belirsiz ve güncelliğini yitirmiş ifadelerle proaktif olarak test ediliyor mu?

Ne: Kanıta dayalı uygulama: Kimlik, yönetim, fiyat, garanti, güvenlik, hukuki durum ve kriz anlatılarını sınayın.
Nasıl: Risk sıralı iki dilli bir paket çalıştırın ve hataları yetkin sorumlulara yönlendirin.
Neden: Ciddi yanlış bilgi genel bir karşılaştırmada nadiren görülebilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Üstünlük ifadeleri, performans iddiaları, karşılaştırmalar, garantiler ve istatistikler güncel kanıtlar ve koşullarla destekleniyor mu?

Ne: Kanıta dayalı uygulama: İddia doğrulama ve geçerlilik sonu kayıtları tutun.
Nasıl: Onaylı iddiaları kanıtlara bağlayın ve güncelliğini yitiren ifadeleri tüm dillerde kaldırın veya güncelleyin.
Neden: Yanıt motorları dayanaksız pazarlama ifadelerini gerçekmiş gibi tekrarlayabilir.
Kaynak: FTC Tavsiye Kılavuzları SSS

Ücret, çalışanlık, satış ortaklığı, hediye veya başka bir maddi ilişki tavsiyelerin yakınında açıkça belirtiliyor mu?

Ne: Doğrulanmış hukuki gereklilik: Tavsiyeleri dürüst ve yanıltıcı olmayacak biçimde tutun; hedef kitlenin değerlendirmesini önemli ölçüde etkileyebilecek ilişkileri açıklayın.
Nasıl: Her açıklamayı gerçek biçimi ve bağlamı içinde açık ve belirgin kılın; genel bir bildirime güvenmek yerine yerleşimi, görünürlüğü, ifadeyi ve gerektiğinde tekrarı sınayın.
Neden: FTC, açıklanmayan maddi ilişkileri aldatma riski sayar ve her durumda geçerli tek bir ifade ya da yerleşim güvenli limanı sunmaz.
Kaynak: FTC Tavsiye Kılavuzları SSS

Yapay zekâ etkileşimlerinin, deepfake'lerin veya kamu yararına ilişkin metinlerin AB Yapay Zekâ Yasası Madde 50 yükümlülüklerine girip girmediğini hukuk danışmanı değerlendirdi mi?

Ne: Doğrulanmış hukuki gereklilik: Rol, içerik, hedef kitle, yargı alanı ve istisna analizinden sonra 2 Ağustos 2026'yı genel uygulama tarihi olarak ele alın.
Nasıl: Sağlayıcı/uygulayıcı durumunu, insan incelemesi sürecini, açıklama yöntemini ve sistemin piyasaya sunulma tarihini kaydedin; 2 Aralık 2026'ya kadar olan süre yalnızca 2 Ağustos'tan önce piyasaya sunulan sistemler ile Madde 50(2)'deki makinece okunabilir işaretleme ve tespit yükümlülüğü için geçerlidir.
Neden: Yükümlülükler önemli ve tarihe duyarlıdır ancak bağlama bağlıdır; yapay zekâ destekli her düzenleme için genel bir etiket zorunluluğu değildir.
Kaynak: Avrupa Komisyonu Madde 50 şeffaflık SSS

AB'de kamu yararına ilişkin metin istisnası insan incelemesine veya editoryal kontrole dayanıyorsa bu inceleme esaslı ve belgelenmiş mi?

Ne: Doğrulanmış hukuki gereklilik: İnceleyenin uzmanlığını, olgusal kontrolleri, onay yetkisini ve editoryal sorumluluğu koruyun.
Nasıl: Yalnızca yazım veya dil bilgisi kontrolü yerine içerik düzeyinde onay kayıtlarını zorunlu kılın.
Neden: Komisyon, yüzeysel prosedür kontrollerinin yeterli insan incelemesi olmadığını belirtir.
Kaynak: Avrupa Komisyonu Madde 50 şeffaflık SSS

Yüksek riskli sentetik veya önemli ölçüde düzenlenmiş varlıklar yayın dönüşümleri boyunca doğrulanabilir köken bilgisini koruyor mu?

Ne: Kanıta dayalı uygulama: Desteklendiği durumlarda oluşturma, düzenleme, bileşen ve imzalayan bağlamını taşıyın.
Nasıl: Optimizasyon, CDN işleme ve indirme/yeniden yükleme akışlarından sonra C2PA manifestini doğrulayın.
Neden: Köken bilgisi, kullanıcıların ve sistemlerin bir varlığın nasıl değiştiğini anlamasına yardımcı olabilir.
Kaynak: C2PA Content Credentials spesifikasyonu

Politika, Content Credentials kayıtlarını varlığın ya da iddianın doğruluk kanıtı değil, köken bilgisine ilişkin kanıt olarak mı ele alıyor?

Ne: Kanıta dayalı uygulama: Doğrulanmış kaydı doğruluk puanı olarak değil, imzalı kökeni ve varlık bütünlüğünü değerlendirmek için kullanın.
Nasıl: İmzalayanı, doğrulama durumunu, beyanları ve içerik bağını inceleyin; ardından gösterilen veya yazılı iddiayı bağımsız olarak olgu denetiminden geçirin.
Neden: C2PA'ya göre geçerli manifestler yanlış bilgiyle bir arada bulunabilir; doğruluğu değil, doğrulanabilir ilişkilendirmeyi ve kurcalanmamışlığı gösterir.
Kaynak: C2PA 2.4 zarar modellemesi

Kaynaklardan türetilen GEO içeriği yayımlanmadan önce haklar, lisanslar, atıf, alıntı sınırları ve yapay zekâ kullanım kısıtlamaları kontrol ediliyor mu?

Ne: Kanıta dayalı uygulama: Metin, görsel, veri kümesi, kullanıcı görüşü ve üretilmiş varlıklar için hak kaydı tutun.
Nasıl: Belirsiz yeniden kullanım ve eğitim kökeni sorularını yetkin hukuk danışmanına yönlendirin.
Neden: Arama görünürlüğü kopyalama veya yeniden yayımlama izni vermez.
Kaynak: ABD Telif Hakkı Ofisi yapay zekâ girişimi

GEO tedarikçileri yöntem, veri hakları, saklama, güvenlik, model değişiklikleri, dışa aktarım ve olay yükümlülükleri açısından değerlendiriliyor mu?

Ne: Kanıta dayalı uygulama: Hesap verebilirliği şeffaf olmayan bir görünürlük puanına devretmeyin.
Nasıl: Tanımlar, ham kanıta erişim, değişiklik bildirimi, silme ve çıkışta taşınabilirlik için sözleşme yapın.
Neden: Tedarikçi yöntemi değiştiğinde geçmiş sonuçlar sessizce yeniden yazılabilir.
Kaynak: NIST AI 600-1 Üretken Yapay Zekâ Profili

Makinece okunabilir yapay zekâ lisanslaması hak stratejisinin parçasıysa kapsanan her varlık geçerli bir RSL 1.0 lisansıyla ilişkilendiriliyor mu?

Ne: Deneysel uygulama: Otomatik kullanımlar için izinleri, yasakları, lisanslama, atıf veya ödeme koşullarını açıkça yayımlayın.
Nasıl: RSL 1.0 ad alanını kullanan bir `application/rsl+xml` belgesi oluşturun, `<content>` kurallarının kapsamını dikkatle belirleyin ve lisansı desteklenen bir keşif yöntemiyle duyurun.
Neden: RSL 1.0; arama, yapay zekâ indeksleme ve girdisi, eğitim, atıf ve ödeme koşullarını ayırabilen bir sektör tavsiyesi formatı tanımlar.
Kaynak: RSL 1.0 spesifikasyonu

RSL 1.0 ilişkilendirmeleri medya türü, kapsam, öncelik ve kanallar arası tutarlılık açısından doğrulanıyor mu?

Ne: Deneysel uygulama: Kapsanan her varlık için yürürlükteki lisansı belirsizliğe yer bırakmayacak biçimde sunun.
Nasıl: `application/rsl+xml` medya türünü, mutlak referansları, user-agent ve varlık kapsamını, özel kuralın genel kurala üstünlüğünü ve robots.txt, HTTP `Link`, HTML, RSS ile gömülü meta veri arasındaki çelişkileri test edin.
Neden: RSL, istemcilerin keşfedilebilen ilişkilendirmeleri birlikte değerlendirmesini ve kapsam özgüllüğü ile daha kısıtlayıcı çelişki çözümü kurallarını uygulamasını ister.
Kaynak: RSL 1.0 keşif ve öncelik kuralları

Content Signals kullanılıyorsa `search`, `ai-input` ve `ai-train` değerleri miras alınmış varsayımlar yerine ayrı ayrı onaylanmış tercihleri mi yansıtıyor?

Ne: Deneysel uygulama: İçeriğe erişim kurallarından ayrı olarak erişim sonrasındaki kullanım tercihlerini bildirin.
Nasıl: Content Signals Policy metnini ve yalnızca onaylı `Content-Signal` değerlerini robots.txt içinde yayımlayın; karar verilmemiş bir kullanımı belirtmeden bırakın ve CDN birleştirmesinden sonra sunulan dosyayı test edin.
Neden: Cloudflare arama indeksi, gerçek zamanlı yapay zekâ girdisi ve model eğitimi için ayrı sinyaller tanımlar; eksik bir sinyal bu mekanizma üzerinden ne izin verir ne de kısıtlama koyar.
Kaynak: Cloudflare Content Signals dokümantasyonu

Hukuk ekibi uygulanabilir haklar için TDMRep'i seçtiğinde yürürlükteki `tdm-reservation` ve isteğe bağlı `tdm-policy` değerleri geçerli ve tutarlı mı?

Ne: Deneysel uygulama: Metin ve veri madenciliği haklarının saklı tutulduğunu makinece okunabilir biçimde bildirin; sunuluyorsa lisans koşullarına giden yolu gösterin.
Nasıl: `/.well-known/tdmrep.json` dosyasını veya desteklenen HTTP, HTML ya da varlık meta verisini yayımlayın; hakları saklı tutmak için `tdm-reservation: 1` kullanın, gerektiğinde politikaya bağlantı verin ve öncelik kurallarını test edin.
Neden: TDMRep Nihai Topluluk Grubu Raporu, hukuka uygun biçimde erişilebilen web içeriği için birlikte çalışabilir hak saklı tutma ve politika keşfi tanımlar.
Kaynak: W3C TDMRep Nihai Topluluk Grubu Raporu

Her mülk Google Search Console'da doğrulandı mı?

Ne: Doğrulanmış platform gereksinimi: Google yapay zekâ uygunluğu için resmî tarama ve indeks teşhislerini kurun.
Nasıl: Tüm protokolleri ve alt alan adlarını ya da uygun bir domain mülkünü doğrulayın; en az yetkiyle erişim atayın.
Neden: Google, yapay zekâ özelliklerinin teknik teşhisi için site sahiplerini Search Console'a yönlendirir.
Kaynak: Google yapay zekâ özellikleri ve web siteleri

Google URL Inspection hedeflenen getirilmiş HTML'i, canonical değerini, indeks durumunu ve önizleme kontrollerini gösteriyor mu?

Ne: Doğrulanmış platform gereksinimi: Google'ın aldığı içeriği gözlemleyin.
Nasıl: Her şablon veya edge politikası sürümünden sonra temsili sayfaları inceleyin.
Neden: Google, yapay zekâ önizleme kontrolleri etkisiz göründüğünde bu aracı önerir.
Kaynak: Google yapay zekâ özellikleri ve web siteleri

Google üretken yapay zekâ gösterimleri genel Web performansı ve analitik dönüşümleriyle uzlaştırılıyor mu?

Ne: Doğrulanmış platform gereksinimi: Çift sayımı ve raporun henüz kullanıma açılmamasını sıfır görünürlük sanmayı önleyin.
Nasıl: Rapor erişimini belgeleyin, URL, ülke ve zaman eğilimlerini karşılaştırın ve açılış sonuçlarını dikkatle birleştirin.
Neden: Özel rapordaki veriler genel performansa dâhil olmaya devam eder.
Kaynak: Arama üretken yapay zekâ performans raporları

Bing Site Explorer'daki hata, uyarı, hariç tutulan, noindex, robots, yönlendirme ve zararlı yazılım kümeleri izleniyor mu?

Ne: Doğrulanmış platform gereksinimi: Site genelindeki erişim gerilemelerini tespit edin.
Nasıl: Klasör bazında temel değerleri belirleyin ve ani değişimlerde uyarı üretin.
Neden: Bing bu tarama ve indeks kümelerini doğrudan gösterir.
Kaynak: Bing Site Explorer

Tarayıcı logları doğrulanmış sağlayıcı kimliği, durum kodu, bayt, gecikme, önbellek sonucu ve rota bilgisiyle saklanıyor mu?

Ne: Kanıta dayalı uygulama: Erişim olayları için güvenilir bir veri kaynağı oluşturun.
Nasıl: IP veya ters DNS doğrulamasından sonra edge ve origin loglarını zenginleştirin; ürün tokenına göre grafikleyin.
Neden: UA dizeleri taklit edilebilir ve platform konsolları eksik kalır.
Kaynak: Googlebot dokümantasyonu

Zamanlanmış bir sentetik matris, kritik URL'leri ilgili bölgelerden desteklenen her tarayıcı kimliğiyle getiriyor mu?

Ne: Kanıta dayalı uygulama: Görünürlük düşmeden önce WAF, CDN, yerel sürüm ve yanıt sapmalarını yakalayın.
Nasıl: Belgelenmiş ve IP açısından güvenli yöntemlerle robots dosyasını ve temsili HTML veya varlıkları test edin.
Neden: Amaçlanan politika, gerçek ağ davranışından sapabilir.
Kaynak: Perplexity tarayıcı dokümantasyonu

Tarayıcıya özgü 403, 401, 429, 5xx, doğrulama ve sıfır bayt artışlarında hızla uyarı üretiliyor mu?

Ne: Kanıta dayalı uygulama: Bot ve katman bazındaki erişim gerilemelerini tespit edin.
Nasıl: Anomali uyarıları kurun ve örnek istek ile yanıt izlerini saklayın.
Neden: Bu hatalar erişimi engeller veya taramayı yavaşlatır.
Kaynak: OpenAI reklamveren tarayıcı rehberi

Her robots veya WAF değişikliği, platformun belgelediği yayılım süresi geçtikten sonra yeniden doğrulanıyor mu?

Ne: Kanıta dayalı uygulama: Dağıtım döngüsünü kapatın.
Nasıl: Doğru gecikmede önce ve sonra ayrıştırıcı çıktısını, canlı istekleri, logları ve platform teşhislerini kaydedin.
Neden: OpenAI ve Perplexity yaklaşık 24 saate varan uyarlama süreleri belgeler; Google yeniden tarama gerektirir.
Kaynak: OpenAI tarayıcılarına genel bakış

Yanıt yüzeylerindeki uygunluk ve atıf değişikliklerini gözlemlemek için kararlı ve sürümlenmiş bir istem paneli kullanılıyor mu?

Ne: Deneysel uygulama: Gerçek çıktıları motorlar, yerel sürümler, cihazlar ve yeni veya anonim oturumlar arasında ölçün.
Nasıl: İstem niyetini sabitleyin; tarih, model, yüzey ve atıfları kaydedin; sonuçları sıralama gerçeği saymadan tekrarlayın.
Neden: Hiçbir yayıncı konsolu tüm yanıt motorlarını kapsamaz.
Kaynak: ChatGPT Search yardımı

Eski içerik olay müdahale planı kaynağı güncelliyor veya siliyor, değişikliği taşıyor ve ilgili her indeksten kaldırılmayı doğruluyor mu?

Ne: Kanıta dayalı uygulama: Zararlı ve güncelliğini yitirmiş yanıtları uçtan uca yönetin.
Nasıl: Sayfayı düzeltin veya kaldırın; doğru durum kodunu ya da yönergeyi döndürün; site haritasını, IndexNow'u ve akışı güncelleyin; yeniden tarama isteyin ve gerekirse platform kaldırma kanallarını kullanın.
Neden: Tek bir robots değişikliği tüm önbelleklenmiş veya indekslenmiş yüzeyleri temizlemez.
Kaynak: Anthropic engelleme ve kaldırma

Platform dokümantasyonu ve tarayıcı tokenı değişiklikleri sabit bir takvimle gözden geçiriliyor mu?

Ne: Kanıta dayalı uygulama: Yeniden adlandırılan botları, yeni kontrolleri, değişen IP uç noktalarını ve raporlama özelliklerini tespit edin.
Nasıl: Resmî sayfaların farkını aylık alın ve anlamsal değişikliklerde politika incelemesini tetikleyin.
Neden: İncelenen birçok sayfa yalnızca Temmuz 2026 içinde değişti.
Kaynak: Google'ın yaygın tarayıcıları

Google mülk düzeyi ve sayfa filtreli Üretken Yapay Zekâ gösterim toplamları, farklı toplulaştırma kurallarına göre yorumlanıyor mu?

Ne: Doğrulanmış platform gereksinimi: Rapor kapsamını ve toplulaştırma biçimini dışa aktarımlarla birlikte koruyun.
Nasıl: Sayfalar arasındaki toplamları doğrudan toplayarak uzlaştırmaya çalışmayın.
Neden: URL filtresi uygulandığında tek bir mülkten birden çok sonuç farklı biçimde sayılabilir.
Kaynak: Google Üretken Yapay Zekâ performans raporu

Google Üretken Yapay Zekâ raporu, göstermediği istemlere veya temellendirme sorgularına gösterim atfetmekten kaçınıyor mu?

Ne: Doğrulanmış platform gereksinimi: Yalnızca belgelenmiş boyutları kullanın: sayfalar, ülkeler, tarihler ve cihazlar.
Nasıl: Özel istem örneklemesini ayrı bir veri kümesi olarak etiketleyin.
Neden: İlgisiz istem testlerini platform gösterimleriyle birleştirmek sahte bir kesinlik yaratır.
Kaynak: Google Üretken Yapay Zekâ performans raporu

Bing temellendirme sorguları eksiksiz talep veya anahtar kelime verisi yerine örnekler olarak mı tanımlanıyor?

Ne: Doğrulanmış platform gereksinimi: Bing'in örnekleme uyarısını sonraki raporlarda koruyun.
Nasıl: Arama hacmi veya toplam istem payı için genelleme yapılmasını engelleyin.
Neden: Örneklenen temellendirme sorguları bilgi getirme evreninin tamamını tanımlamaz.
Kaynak: Bing Webmaster Tools'da yapay zekâ performansı

Bir Google Üretken Yapay Zekâ gösterimi yalnızca platformun gösterilen bağlantı tanımına göre mi sayılıyor?

Ne: Doğrulanmış platform gereksinimi: Birinci taraf rapor anlamını özel yanıt anılmalarından ayrı tutun.
Nasıl: Güncel tanımı tarih belirterek metrik sözlüğüne kopyalayın.
Neden: Özel “görünürlük” gözlemleri Search Console gösterimleriyle aynı şey değildir.
Kaynak: Google Üretken Yapay Zekâ performans raporu

Google Üretken Yapay Zekâ raporunun bulunmaması sıfır görünürlük sayılmak yerine rapor kullanılabilirliği kaydediliyor mu?

Ne: Doğrulanmış platform gereksinimi: Kullanılamıyor, yetersiz veri ve sıfır gösterim durumlarını birbirinden ayırın.
Nasıl: Bir kullanılabilirlik bayrağı ekleyin ve rapor durumunun ekran görüntüsünü alın.
Neden: Rapor her mülk için kullanılamaz.
Kaynak: Google Üretken Yapay Zekâ performans raporu

En yeni Google Üretken Yapay Zekâ veri noktaları kararlı hâle gelene kadar geçici olarak işaretleniyor mu?

Ne: Doğrulanmış platform gereksinimi: Erken olay veya başarı çıkarımlarını önleyin.
Nasıl: Yakın dönemleri belgelenmiş işleme süresinden sonra uzlaştırın.
Neden: Google, en yeni verilerin ön bilgi niteliğinde olabileceğini ve sonradan değişebileceğini belirtir.
Kaynak: Google Üretken Yapay Zekâ performans raporu

Her maddenin kaynağı açık, sayfanın en üstünde de en son ne zaman doğrulandığı yazıyor. Bu tarih burada başka sayfalardakinden daha çok iş görüyor. Crawler adları, erişim kontrolleri ve raporlama pek haber vermeden değişiyor, o tarihte doğru olan bir madde bugün sessizce doğruluğunu yitirebiliyor. Hiçbiri size atıf garantisi vermez. Asıl açık klasik aramadaysa, SEO kontrol listesi bu işin diğer yarısı.

Neyi çözmek istediğinizi anlatın

GEO Kontrol Listesi

GEO STRATEJİSİ VE KORUMA İLKELERİ