E-E-A-T i graf wiedzy opisują dwa różne problemy. E-E-A-T pomaga myśleć o jakości, doświadczeniu, eksperckości, autorytatywności i zaufaniu. Graf wiedzy porządkuje natomiast świat jako encje, ich atrybuty oraz relacje.
Te dwa modele spotykają się wtedy, gdy trzeba odpowiedzieć nie tylko na pytanie „co mówi ta strona?”, lecz także: kto to mówi, jaka osoba lub organizacja za tym stoi, z jakim tematem jest związana, jakie ma doświadczenie i jakie źródła pozwalają zweryfikować przedstawione twierdzenia.
E-E-A-T nie jest grafem wiedzy ani pojedynczym algorytmem rankingowym. Graf wiedzy można rozumieć jako model encji i relacji, np. Person → worksFor → Organization albo Article → author → Person. E-E-A-T dotyczy natomiast oceny jakości i zaufania. Relacja między nimi jest praktyczna: im łatwiej jednoznacznie ustalić autora, wydawcę, temat, doświadczenie i dowody, tym łatwiej użytkownikowi oraz systemom przetwarzającym informacje zrozumieć kontekst źródła. Sam graf nie tworzy jednak eksperckości ani reputacji.
E-E-A-T i graf wiedzy rozwiązują inne problemy
| E-E-A-T | Graf wiedzy |
|---|---|
| dotyczy jakości i zaufania | dotyczy identyfikacji i relacji |
| pyta, czy źródłu można zaufać | pyta, czym lub kim jest obiekt |
| uwzględnia Experience, Expertise, Authoritativeness i Trust | łączy encje, atrybuty i fakty |
| nie jest jednym publicznym wynikiem | nie jest systemem oceniania „dobry/zły” |
Identity → Relationship → Evidence → Context → Trust.
Najpierw encja, potem jej cechy i relacje
Graf wiedzy można uprościć do bardzo prostego modelu:
Entity → Attributes → Relations → Claims → Evidence → Sources → Time.
Przykładowymi encjami mogą być:
Znaczenie zaczyna powstawać dopiero wtedy, gdy te elementy zostają ze sobą połączone.
Relacje są ważniejsze niż sama lista nazw
Informacja:
„Anna Nowak, Firma X, cyberbezpieczeństwo.”
jest znacznie mniej precyzyjna niż:
Anna Nowak → pracuje dla → Firma X
Anna Nowak → specjalizuje się w → cyberbezpieczeństwie
Anna Nowak → jest autorką → raportu o bezpieczeństwie
Raport → opiera się na → badaniu.
To właśnie relacje pozwalają przejść od zbioru słów do modelu rzeczywistości.
Gdzie do tego modelu wchodzi E-E-A-T?
Graf może pomóc ustalić, kto jest autorem publikacji. E-E-A-T stawia kolejne pytanie:
Czy ten autor jest właściwą osobą do wypowiadania się na ten temat?
Graf może wskazać organizację publikującą materiał. Warstwa zaufania pyta:
Czy wiadomo, kto odpowiada za tę organizację, jak działa i czy przedstawiane informacje można zweryfikować?
Experience: czy osoba rzeczywiście miała kontakt z problemem?
Person → performed / used / visited / tested → Object or Process → Evidence.
Przykład:
Sam profil autora nie udowadnia takiego doświadczenia. Potrzebne są ślady rzeczywistej pracy.
Expertise: czy autor ma kompetencję odpowiadającą tematowi?
Person → Specialization → Work → Qualifications / Practice → Topic.
Eksperckość jest kontekstowa.
Lekarz może być właściwym ekspertem w jednym obszarze medycyny, ale nie musi być właściwym źródłem w każdej specjalizacji medycznej. Podobnie wieloletnie doświadczenie marketingowe nie tworzy automatycznie wiedzy prawniczej czy finansowej.
Authoritativeness wymaga wyjścia poza własną deklarację
Organizacja może napisać na swojej stronie:
„Jesteśmy uznanymi ekspertami.”
Znacznie bardziej informacyjne są relacje:
Autorytet jest więc lepiej opisany przez sieć rzeczywistych relacji niż przez przymiotnik w biogramie.
Trust spina pozostałe warstwy
Zaufanie nie powstaje wyłącznie z popularności autora czy organizacji.
Pełną metodę kontroli tych elementów rozwija audyt E-E-A-T strony i marki.
Najważniejsza zmiana myślenia: nie oceniaj tylko dokumentu
Stary model SEO bardzo łatwo sprowadzić do pojedynczego URL-a:
Page → Content → Links → Ranking.
Model oparty na encjach jest szerszy:
Content → Author → Organization → Topic → Evidence → External Sources.
Nie oznacza to, że dokumenty przestały mieć znaczenie. Oznacza, że dokument może być rozumiany również przez relacje z osobami i organizacjami stojącymi za jego treścią.
Autor nie powinien być anonimowym polem w szablonie
Jeżeli artykuł ma autora, warto móc jednoznacznie odpowiedzieć:
Dlatego profil autora jest ważnym elementem architektury encji, ale nie powinien być traktowany jako samodzielny „sygnał rankingowy”.
Organization odpowiada na inne pytania niż Person
| Person | Organization |
|---|---|
| Kto posiada wiedzę? | Kto publikuje i odpowiada za serwis? |
| Kto stworzył materiał? | Kto świadczy usługę? |
| Jakie ma doświadczenie? | Jaka jest specjalizacja firmy? |
| Gdzie pracuje? | Kto ją reprezentuje? |
Techniczny model tych relacji opisuje szczegółowo materiał o danych Person i Organization.
Artykuł powinien być połączony z prawdziwym autorem i wydawcą
Article → author → Person
Article → publisher → Organization
Article → isPartOf → WebSite.
Takie relacje są wartościowe tylko wtedy, gdy odpowiadają rzeczywistości.
Wpisanie osoby jako autora w JSON-LD nie oznacza, że rzeczywiście stworzyła treść.
Graf wiedzy może zmniejszać niejednoznaczność, ale nie tworzy reputacji
Za pomocą relacji można lepiej rozróżnić:
Ale poprawna identyfikacja odpowiada przede wszystkim na pytanie:
„Kim jest ten podmiot?”
Nie odpowiada automatycznie:
„Czy jest dobrym, wiarygodnym i właściwym wyborem?”
Dane strukturalne są opisem grafu, nie dowodem E-E-A-T
| Markup może opisać | Markup nie tworzy |
|---|---|
| autora | jego eksperckości |
| organizację | jej reputacji |
| stanowisko | doświadczenia zawodowego |
| powiązane profile | autorytetu |
| datę aktualizacji | rzeczywistej aktualności materiału |
sameAs nie jest mechanizmem budowania autorytetu
Relacja sameAs powinna przede wszystkim pomagać identyfikować tę samą encję.
Nie należy traktować jej jako miejsca na:
„O nas” i profil autora mają znaczenie dlatego, że publikują fakty
Ich funkcją nie jest mechaniczne „dodawanie E-E-A-T”.
Visible Facts → Identity → Responsibility → Verification.
Dobra strona „O nas” pozwala ustalić między innymi:
Źródło jest elementem grafu dowodowego
W przypadku ważnego twierdzenia możemy modelować relację:
Claim → supportedBy → Source → createdBy → Author / Institution → Method → Date.
To pokazuje, dlaczego sama obecność przypisu nie wystarcza.
Trzeba jeszcze wiedzieć:
W YMYL relacje autora i dowodu stają się szczególnie istotne
Im większa możliwość szkody wynikającej z błędu, tym ważniejsze jest ustalenie:
Popularność autora nie zastępuje wymaganej wiedzy i odpowiedzialności.
E-E-A-T nie należy modelować jako jednej liczby
Google nie udostępnia jednej liczby mierzącej E-E-A-T strony, autora lub marki.
Wewnętrzny audyt może oczywiście stosować własną punktację, ale służy ona zarządzaniu procesem, a nie odtwarzaniu ukrytego wyniku Google.
Nie istnieje też potwierdzony „graf wiedzy E-E-A-T” jako osobny system rankingowy
To szczególnie ważna korekta względem pierwotnej wersji artykułu.
E-E-A-T, systemy grafowe Google, Knowledge Graph, dane strukturalne i systemy rankingowe należy traktować jako różne pojęcia. Nie ma podstaw, aby przedstawiać je jako jeden oficjalny „graf E-E-A-T”.
Można natomiast użyć grafu encji jako modelu analitycznego do pokazania, jakie relacje wspierają ocenę wiarygodności źródła.
Dlaczego dodanie Experience było ważną zmianą?
Rozszerzenie E-A-T do E-E-A-T zwróciło większą uwagę na różnicę między wiedzą wynikającą z bezpośredniego doświadczenia a wiedzą ekspercką.
| Experience | Expertise |
|---|---|
| „używałem tego produktu” | „potrafię fachowo wyjaśnić jego działanie” |
| „odwiedziłem to miejsce” | „mam wiedzę specjalistyczną o tym zagadnieniu” |
| „wykonałem ten proces” | „umiem ocenić jego poprawność i ryzyko” |
Te dwie warstwy mogą występować razem, ale nie są zamienne.
Relacja autora z tematem powinna być możliwa do odtworzenia
Person → Specialization → Experience → Publications → Organization → External Evidence.
Im mniej tych relacji można zweryfikować, tym bardziej profil opiera się wyłącznie na deklaracji samego autora.
Relacja organizacji z tematem również wymaga dowodów
Organization → Category → Services → Experts → Projects → Evidence → Reputation.
Samo umieszczenie nowej usługi w menu nie sprawia, że organizacja ma od razu udokumentowany autorytet w tej kategorii.
Potrzebne mogą być:
Własna domena nie jest jedynym miejscem, gdzie powstają relacje
Publiczny obraz osoby lub firmy może być rozproszony między:
Dlatego ocena wiarygodności marki lub eksperta nie powinna sprowadzać się do analizy jednego URL-a.
Wiele źródeł nie oznacza automatycznie wielu niezależnych dowodów
Dziesięć serwisów może powtarzać jeden pierwotny komunikat prasowy.
10 Documents → 1 Original Source ≠ 10 Independent Confirmations.
Przy ocenie zewnętrznego potwierdzenia trzeba więc pytać nie tylko „ile źródeł?”, lecz również „skąd pochodzi informacja?”.
Transparentność nie jest dodatkową literą E-E-A-T
Nie rozszerzałbym akronimu do historycznych konstrukcji typu „N-E-E-A-T-T”.
Transparentność można znacznie prościej potraktować jako praktyczną cechę wspierającą zaufanie:
Rozpoznawalność również nie jest automatycznie autorytetem
| Rozpoznawalność | Autorytet |
|---|---|
| osoba jest często wymieniana | jej wiedza jest ceniona w konkretnym obszarze |
| duży zasięg | trafne potwierdzenia tematyczne |
| popularny profil | publikacje, cytowania i dorobek |
Popularna osoba nie musi być właściwym ekspertem dla konkretnego pytania.
Wikipedia nie jest ani obowiązkowa, ani bezwartościowa
Pierwotny tekst wyciągał z obserwacji branżowych zbyt daleki wniosek o „spadku znaczenia Wikipedii”.
Lepszy model jest prostszy:
Nie buduj strategii encji wokół zdobycia Wikipedii. Buduj prawdziwy, rozproszony i możliwy do zweryfikowania dorobek.
Wikipedia może być jednym ze źródeł informacji o podmiocie, ale nie jest warunkiem posiadania rozpoznawalnej encji.
Jak audytować połączenie E-E-A-T i grafu encji?
ustal osoby i organizacje
sprawdź ich powiązania
zweryfikuj autorstwo
oceń dopasowanie do tematu
sprawdź źródła i doświadczenie
szukaj potwierdzeń
porównaj dane strukturalne
usuń konflikty
1. Zidentyfikuj najważniejsze encje
2. Ustal relacje, które powinny być prawdziwe
Person → worksFor → Organization
Person → authorOf → Article
Organization → offers → Service
Person → specializesIn → Topic.
Jeżeli takiej relacji nie ma w rzeczywistości, nie należy tworzyć jej wyłącznie dla potrzeb SEO.
3. Dla każdej ważnej relacji znajdź dowód
| Relacja | Przykładowy dowód |
|---|---|
| Person → ekspert w temacie | praktyka, kwalifikacje, publikacje |
| Person → autor artykułu | rzeczywisty wkład w materiał |
| Organization → specjalizacja | projekty, oferta, zespół, dane |
| Organization → doświadczenie | case studies i realizacje |
| Claim → prawdziwy | źródło właściwe dla twierdzenia |
4. Porównaj fakty widoczne z warstwą techniczną
5. Szukaj konfliktów między źródłami
Szczególnej uwagi wymagają sytuacje, gdy:
6. Nie próbuj naprawiać braku autorytetu kodem
Brak dowodów → więcej Schema → więcej sameAs → „ekspert”.
Real Competence → Work → Evidence → Publications → External Recognition → Structured Description.
Najczęstsze błędy w łączeniu E-E-A-T z grafem wiedzy
E-E-A-T jako algorytm
Termin jest przedstawiany jak jeden mierzalny system rankingowy.
Graf jako ocena
Relacje encji są mylone z oceną jakości.
Schema jako dowód
Markup zastępuje realne doświadczenie i kompetencje.
Popularność = autorytet
Rozpoznawalna osoba jest automatycznie uznawana za eksperta.
Autor na pokaz
Nazwisko przypisano do materiału bez realnego wkładu.
Jedno źródło prawdy o autorytecie
Cała wiarygodność opiera się wyłącznie na własnej domenie.
Mity dotyczące grafów wiedzy i E-E-A-T
| Mit | Rzeczywistość |
|---|---|
| E-E-A-T jest algorytmem Google | to koncepcja jakości, nie jeden publiczny algorytm |
| Google ma jeden „graf E-E-A-T” | nie ma podstaw do takiego uproszczenia |
| Person tworzy autorytet autora | Person jedynie opisuje encję osoby |
| sameAs zwiększa E-E-A-T | sameAs służy identyfikacji tej samej encji |
| Wikipedia jest konieczna do Knowledge Graph | nie jest warunkiem rozpoznania każdej encji |
| więcej wzmianek zawsze oznacza większy autorytet | znaczenie ma kontekst, źródło i niezależność |
| graf encji gwarantuje lepszy ranking | nie istnieje taka gwarancja |
Model końcowy: graf porządkuje fakty, E-E-A-T pomaga oceniać ich kontekst
Person / Organization → Identity → Relations → Experience → Expertise → Claims → Evidence → External Confirmation → Trust.
Najważniejszą zmianą względem pierwotnej wersji artykułu jest odejście od myślenia:
„Google wdrożyło graf E-E-A-T i nowy zestaw czynników rankingowych.”
Lepszy model brzmi:
„Jakość i wiarygodność treści są łatwiejsze do oceny wtedy, gdy można jednoznacznie rozpoznać podmioty, role, doświadczenie, źródła i relacje stojące za publikowanymi informacjami.”
Graf wiedzy jest przydatnym sposobem przedstawienia tych relacji:
Nie trzeba więc wymyślać „algorytmu grafu E-E-A-T”, aby wykorzystać wartość tego sposobu myślenia. Wystarczy traktować stronę nie jako anonimowy dokument, lecz jako część sieci osób, organizacji, tematów, twierdzeń, dowodów i źródeł.
To właśnie w tej sieci spotykają się E-E-A-T i graf wiedzy.
