Плотность триплетов и цитирование в ответах ИИ: исследование на 2400 запросах

Данные: типичная страница топа, медианы и коридор

Медиана — значение посередине: половина страниц выше, половина ниже. Считаю по страницам выдачи (страница в выдаче одного запроса — одно наблюдение): 38 459 в топ-20 и 46 597 на позициях 21–50.

Страницы топа длиннее (772 слова против 658) и дают больше триплетов (14 против 12), но плотность на тысячу слов у обеих групп почти одинакова (19,5 против 19,2). Поэтому число триплетов и плотность — разные показатели, и один нельзя подменять другим.

Медиана скрывает разброс. В топе уживаются страницы и с тремя триплетами на тысячу слов (край 10%), и с 34,5 (край 90%). Ниже край 10%, четверть ниже, середина, четверть выше и край 90% для 38 459 страниц топ-20.

Данные: средний результат по 16 нишам

Среднее по всем нишам прячет различия. Сначала о том, что значит число. Возьмём общепит: 55,9 означает, что в 55 сравнениях из 100 страница из топ-20 содержит больше триплетов на тысячу слов, чем страница с позиций 21–50 по тому же запросу. Если верхняя и нижняя группы не различаются, показатель лежит около 50. В медианах разница такая: 18,4 триплета на тысячу слов у топа против 15,2 ниже; по всем нишам вместе медианы почти одинаковы, 19,5 и 19,2.

Все 16 ниш на одной шкале:

Коридор плотности триплетов по нишам

Те же пять точек, что и для всех ниш вместе: край 10%, четверть ниже, медиана, четверть выше и край 90% для страниц топ-20. Справа медиана позиций 21–50 и оценка «из 100». Единица — страница в выдаче одного запроса: одна страница может попадать в несколько запросов.

Триплетов на 1000 слов. Это описание выдачи ниши, а не норматив для копирайтера.

Шесть ниш с примерами

Примеры — запросы с самым сильным отклонением в нише среди запросов, где в каждой группе не меньше 8 страниц (скрипт niche_examples.py). Исключение: для общепита взят запрос «доставка вкусной еды» (78,1), он на 0,6 слабее максимального («рацион сервис», 78,2), но разобран на реальных страницах ниже. Один запрос ничего не доказывает, он показывает, как выглядит число.

Если бы связи не было, с каждой стороны ожидалось бы меньше одной ниши (около 0,4), а здесь пять и одна. Но интервалы по нишам, вероятно, занижены: сайты повторяются в разных запросах, а я этого не моделировал. Часть отклонений может быть шумом. Даже в общепите «55 из 100» значит, что в 45 сравнениях из 100 выше стоит менее плотная страница: для порога на одну страницу этого мало. Норматив не вводите и в этих нишах; действуйте по процедуре ниже.

Данные: разбор реальной страницы nam-nyam.ru

Запрос «доставка вкусной еды», Google, Москва, 2 октября 2026. Страница nam-nyam.ru стоит на 16-м месте. Сверяю её с коридором общепита. База карты: 2164 читаемые страницы топ-20 общепита по всем запросам ниши (один URL может повторяться), включая 214 страниц без триплетов, поэтому края 10% для триплетов и плотности равны нулю; доли с числом, сроком и ценой считаются только по 955 страницам, где триплетов не меньше 10.

По карте страница в верхней четверти по числу триплетов и плотности (33,4 на 1000 слов при крае 90% в 35,7), а по долям чисел, сроков и цен за краем топа общепита. Но высокое значение не равно качественному раскрытию. Вот первые 8 из 33 триплетов страницы и их проверка по исходному предложению (метки выставила языковая модель, Claude):

Метки выставила языковая модель по исходному предложению; выборка — первые 8 триплетов, не случайная. Подмена субъекта заголовком относится к неверным триплетам, как в рубрике во второй статье.

Данные: полнота ответа и число утверждений

Первая версия замера оценивала только триплеты алгоритма. Чтобы подойти ближе к тому, что нужно читателю, я добавил два показателя на той же выдаче Google (Москва, 2 октября 2026). Протокол записан до расчёта. Выборка: 120 запросов (7–9 на нишу), до шести страниц из топ-20 и до шести с позиций 21–50 на запрос, всего 1436 страниц (первые 2500 слов, без агрегаторов). Для каждого запроса модель заранее, не видя страниц, написала шесть вопросов покупателя: цена и от чего она зависит, срок или порядок, условия и ограничения, подтверждения, состав или характеристики, доверие. Затем Claude Sonnet по каждой странице оценил, отвечает ли она на каждый вопрос (2 — прямой ответ, 1 — частичный, 0 — нет), и перечислил проверяемые утверждения. Группу страницы (топ-20 или ниже) судья не знал.

Полнота ответа. Страница из топ-20 в среднем прямо отвечает на 1,5 вопроса из 6 и хотя бы частично затрагивает 3,6; страница с позиций 21–50 — на 1,4 и 3,3 (медиана в обеих группах: 1 прямой ответ и 4 затронутых вопроса). Ни на один вопрос не отвечает 9% страниц топа и 12% страниц ниже; на 5–6 вопросов из 6 отвечает 37% страниц топа и 30% нижних; на 3 и больше вопросов прямо отвечает 27% против 23%. В сравнениях «топ против низа» это 54,0 из 100 (51,0–57,1), выше случайного. Но страницы топа длиннее (в среднем 991 слово против 940 в пределах первых 2500), и длина сама даёт похожий сдвиг: 53,4 (50,6–56,3). Если сравнивать страницы, у которых число слов различается не больше чем на 20%, полнота 53,5, но интервал (48,9–57,9) включает 50, а прямых ответов 49,7. Вывод: небольшое преимущество топа по полноте есть, отделить его от длины текста этой выборкой нельзя.

Число утверждений. На 1000 слов поровну: 22,2 в обеих группах, оценка 48,3 (45,1–51,6). Страницы топа не плотнее проверяемыми фактами. Но сам показатель ненадёжен: второй судья (Codex) насчитал втрое больше утверждений (медиана 36 против 14 у Sonnet), корреляция по странице всего 0,53. Для сравнения групп годится только тенденция внутри одного судьи; нормативом в ТЗ его делать нельзя.

Надёжность оценки полноты. На 143 страницах (10% выборки) оценки Sonnet и Codex совпали в 80,5% ответов (каппа 0,70, взвешенная 0,84), корреляция полноты по странице 0,89. Это достаточно, чтобы доверять сравнению групп, но не достаточно, чтобы выдавать оценку модели за суждение читателя.

Два запроса-крайности и разброс по запросам

Начну с двух запросов, где картина самая выразительная. По запросу «без договора» (Google, Москва, 2 октября 2026 года) на третьем месте стоит КонсультантПлюс: около тысячи слов, девять извлечённых триплетов. На девятом месте страница a-sstroy.ru: около 1440 слов и 55 триплетов.

По всей выдаче этого запроса так же. Медианная плотность на первых двадцати местах 18,2 триплета на тысячу слов, на местах 21–46 — 27,5. Если взять два случайных результата, один из топ-20, другой ниже, плотнее оказывается верхний лишь в 35 случаях из 100.

По запросу «техник массажа спины» всё наоборот: медианная плотность в топ-20 27,5 триплета на тысячу слов, ниже 7,2, и верхняя страница плотнее в 92 случаях из 100. Один запрос ничего не доказывает ни в одну сторону.

Поэтому дальше я проверяю то же на 2378 запросах (для долей с числом, ценой и подобных страниц хватило у 2052).

Девять показателей с интервалами

Интервал показывает, как сильно число гуляло бы при другой выборке запросов. Границу 49–51 я выбрал до расчёта как зону практически малого среднего эффекта. Если интервал целиком лежит внутри неё, связь практически нулевая. Это не доказательство полного отсутствия связи, а оценка её размера.

С поправкой на число проверок (девять показателей сразу: случайные «открытия» при таком числе вероятны) от случайности отличаются четыре показателя про плотность и разнообразие (скорректированное p от 0,002 до 0,025), все выше 50 примерно на один пункт. Пять показателей про состав от случайности не отличаются. Подробности в разделе «Как это считалось».

Средние значения по полосам позиций показывают то же без статистики. Среди триплетов страниц на местах 1–3 числа содержат около 5,2%, цены — 0,6%, сроки — 2,2%. На местах 31–50: числа 5,4%, цены 0,7%, сроки 2,2%.

Мог ли результат получиться из-за ошибок измерения

Маленькую разницу легко получить или потерять из-за ошибки в расчёте или шума. Поэтому я проверял результат несколькими способами.

Видит ли измеритель настоящую разницу? Те же 2378 запросов, те же сравнения, но другой признак: длина текста. Здесь верх выдачи заметно отличается. Ещё один контроль — ссылочный профиль сайта: число ссылающихся доменов по данным Keys.so.

Что, если добавить эффект искусственно? Я увеличил у страниц топ-20 уже измеренную плотность триплетов на 3, 5 и 10% и пересчитал тот же показатель. Эту проверку я придумал после основного результата, поэтому считаю её разведкой, а не заранее записанным критерием.

Это показывает чувствительность расчёта к изменению признака. Гарантией обнаружения трёхпроцентного различия в числе настоящих фактов она не служит: я менял цифры после разбора, а не сами тексты.

Другие проверки устойчивости. Разница уменьшается: без агрегаторов и на страницах одной длины плотность даёт 50,6 (50,1–51,1) и 50,3 (49,8–50,8), а учёт длины и ссылок сводит связь к нулю (интервалы отдельных показателей при этом доходят до 51,4):

В модели длина и ссылки дают ожидаемый знак: шансы попасть в топ выше у более длинных страниц и у сайтов с большим числом ссылающихся доменов. В этой модели плотность и разнообразие триплетов не дали связи сверх длины и ссылок. Без поправки на множественность заметны плотность с объектом действия и доля «мы»; цифры в разделе «Как это считалось».

Как результат меняется после дополнительных проверок

Картина неоднородная. Плотность триплетов чуть выше 50, грубые счётчики (числа и слова с заглавной) чуть ниже, а поправка на точность алгоритма тянет плотность вниз.

Грубые счётчики не зависят от моего алгоритма: это числа в тексте и слова с заглавной буквы не в начале предложения (медианы указаны выше). Сами счётчики я определил заранее. Их разрезы посчитаны уже после результата, так что это разведка: без агрегаторов сдвиг уменьшается (48,6–49,8), для сравнений близкой длины остаётся (48,4–49,1). Причину сдвига не знаю. Возможно, страницы-каталоги и справочники, перегруженные числами и названиями, ранжируются ниже; это гипотеза.

Поправка на точность работает так. Мой алгоритм ошибается, причём чуть чаще на страницах топ-20. Если пересчитать плотность на приемлемые триплеты, оценка опускается. «Надёжным» я называю подмножество триплетов тех типов, где алгоритм ошибается реже всего: прямое дополнение с числом, сроком или иным объектом и конструкции «у нас есть X».

Диапазоны охватывают общую плотность триплетов, плотность записей с объектом действия, разнообразие объектов и разнообразие связей. Расчёт приближённый: значения нижней группы умножены на отношение точностей. Точность оценена по небольшой выборке, интервалы пересекаются.

Это оценка чувствительности, а не поправленный результат: основной результат (51,0) дан без поправки. Точность алгоритма оценена по началу страниц, поэтому поправка приблизительна; строгая точность сильнее зависит от судьи (в статье про извлечение это видно на модели Haiku).

Частичное повторение на новых запросах

Выдачу по 392 новым запросам я собрал 3 октября 2026 (основной замер — 2 октября) (по 25 на нишу, в «стройматериалах» нашлось только 17 подходящих) и прогнал тот же расчёт без изменений: 17 026 позиций, 13 342 прочитанные страницы выдачи (78%). В расчёт вошли 387 запросов для плотности и 327 для долей.

Критерий повторения я записал заранее: интервалы пересекаются и оба либо задевают зону 49–51, либо исключают 50 в одну сторону, не менее чем у семи показателей из девяти. Он выполнен у всех девяти. Оговорки: выборка в шесть раз меньше основной, интервалы в среднем в 2,5 раза шире (2,2 пункта вместо 0,9), и целиком между 49 и 51 лежит лишь один (доля цены). К тому же 39% страниц повтора взяты из кеша основной выдачи, так что независимость неполная. По моей оценке, критерий выполнился бы и при реальном превосходстве топа около 5% (53,4 по шкале выше), поэтому повторение отличает результат от нуля только при крупных эффектах. Оно согласуется с основным результатом, но само по себе его не доказывает.

Насколько точны извлечённые триплеты

Всё выше я посчитал по триплетам, которые извлекает мой алгоритм. Насколько они верны, я проверил на отдельной выборке в 3154 триплеты. Каждую оценила языковая модель Claude Sonnet, не зная позиции страницы; 630 триплетов независимо оценил Claude Opus. Цифры взвешены по стратам пилота и относятся к его триплетам, не к основному корпусу. Пилот брался из начала страниц (экстрактор тогда видел первые 12 000 символов), поэтому для хвостов длинных страниц точность отдельно не оценивалась.

Чаще всего обрезается объект триплеты, в том числе теряется условие. Пример со страницы КонсультантПлюс: «Если работник приступил к выполнению работ даже без заключения договора, это свидетельствует о возникновении трудовых отношений». Алгоритм записал так:

В тексте был союз «если»: это условие, а триплет читается как сообщение о состоявшемся событии.

На другой выборке, 400 случайных предложениях, строго верна лишь четверть триплетов (26%, интервал 20–34%). Выборки устроены по-разному: в первой триплета взвешены по типам, во второй предложения случайные. Поэтому приведены обе цифры, и сравнивать их друг с другом нельзя.

Для сравнения групп страниц эта неточность не так важна, если ошибается алгоритм одинаково на верхе и на низе. Строгая точность там почти одна: 43,3% в топ-20 и 45,7% ниже. Но при поправке на неё результат сдвигается вниз, как показано выше, поэтому я не называю разницу ни доказанным плюсом, ни доказанным нулём. Подробно о том, как устроена проверка качества извлечения, в статье про триплеты и методику оценки.

Полнота правил ещё ниже: на 400 предложениях они нашли 5% фактов строго и 18% мягко (подробнее в статье про извлечение триплетов). Поэтому замер говорит о плотности триплетов этих правил, а не о числе фактов на странице.

Совпадают ли факты на разных сайтах

В плане исследования было ещё три гипотезы: страницы, чьи факты подтверждают соседи по выдаче («консенсус»), чаще стоят в топ-20; страницы с уникальными фактами тоже; а консенсус даёт информацию сверх охвата темы. Чтобы проверить их, нужно понимать, когда два триплета на разных сайтах говорят об одном и том же. Я пробовал три способа:

• Совпадение начальных форм слов субъекта, связи и объекта. На пилоте из 100 запросов совпадение хотя бы между двумя сайтами нашлось у 2,1% сочетаний «субъект — связь — объект».
• Сравнение триплетов числовыми отпечатками смысла фразы (модель e5). На 450 парах, размеченных вслепую двумя моделями, «то же утверждение» поставили 11 и 13 раз из 450, ни одного ниже косинусной близости 0,90. Среди самых близких пар (0,94 и выше) совпадали 10 и 12 из 90.
• Сравнение целых предложений при строгом пороге близости 0,97. На отложенной разметке доля подтверждённых совпадений 0,69 (интервал 0,52–0,85, 29 пар), но на 200 контрольных запросах три других сайта подтвердили предложение лишь у 29 из 80 334 (0,036%).

Из этого не следует, что общих фактов на сайтах нет. Следует, что связка «автоматическое извлечение, числовой отпечаток и порог близости» в проверенной конфигурации измеримого сигнала не дала. Три способа сопоставления почти не находят совпадений, поэтому доля общих и уникальных утверждений проверена другим путём: через долю новых триплетов страницы (раздел о цитировании).

Повтор по нишам

В повторе знак сохранился у общепита (54,6), красоты (50,6), образования (51,5) и стройматериалов (47,5), но интервал не включает 50 только у общепита. У финансов (50,7) и туризма (50,1) знак не воспроизвёлся. Поэтому результат по нишам — разведка.

Насколько можно опираться на выводы

Независимая перепроверка результата

Чтобы исключить ошибку в собственном расчёте, плотность триплетов пересчитана другим кодом (критерий Манна — Уитни вместо моей библиотеки) на тех же 84 848 пригодных парах «запрос — страница» и другим способом сравнения. В основной контраст вошли 2378 из 2400 запросов. Результат тот же:

• топ-20 против позиций 21–50: 51,0 из 100 (50,6–51,5), как и в основном расчёте (2378 запросов, минимум четыре страницы в каждой группе);
• крайности, топ-3 против позиций 41–50: 50,8 (49,6–52,0); топ-10 против 11–20: 51,4 (50,7–52,0); число триплетов (не плотность) у топ-20 против 21–50: 53,8;
• корреляция Спирмена «позиция — плотность» внутри запроса: −0,019 (−0,026…−0,011); медианная плотность по группам позиций колеблется от 19,1 до 20,1 триплета на 1000 слов, максимум на местах 4–5, минимум на первом месте;
• контроль на тех же данных: число слов даёт 54,5 для топ-20 против 21–50 (в основном расчёте 54,6) и 57,1 для топ-3 против 41–50. То есть расчёт видит различие там, где оно есть.

Вручную просмотрено восемь случайных страниц (по четыре из каждой группы). Число слов в таблице признаков совпало с числом слов извлечённого текста у всех восьми. У шести страниц с триплетами я прочитал по пять триплетов рядом с исходными предложениями: большинство передаёт смысл («автомобиль — терять — глубину цвета», «мы — не ограничиваться — чтением ошибок»), но есть и дефекты, о которых говорит раздел про точность: одно предложение даёт три одинаковые триплеты («врач — не дать — иные рекомендации»), встречаются перекрученные («ширина Хрущёвского — сделать — балкона») и обрывки («80 лет — исполниться — в сентябре»). Плотность определяется стилем и типом страницы: в корпусе край 10% для страниц топ-20 лежит на 3,2 триплета на 1000 слов, а край 90% на 34,5, то есть разброс между страницами в десять раз больше любого различия между топом и низом (медианы 19,5 и 19,2). Привязку страниц к запросам проверил по сырой выдаче: имя файла совпадает с хешем запроса, на первой странице выдачи 80% результатов содержат основы слов запроса, на страницах 2–5 70–73%; у размытых запросов вторая страница выдачи может уходить в сторону (в примере по запросу про билеты там оказалась статья Forbes про пенсии), но систематической порчи нет. Число утверждений, насчитанное моделью вместо правил, тоже ничего не различает (48,3), так что вывод об отсутствии оснований для единого норматива не зависит от способа извлечения.

Как считались дополнительные измерения

Выборка. Запросы с не менее чем восемью читаемыми страницами в каждой группе (топ-20 и позиции 21–50), без пилотных и повторных запросов и без доменов-агрегаторов; 7 запросов на нишу и добор до 120 (seed 20261004). На запрос случайно до шести страниц из каждой группы; берутся первые 2500 слов основного текста. Итого 1436 страниц с оценкой (четыре страницы короче 100 слов исключены). Отдельные 12 запросов (36 страниц) использованы только для оценки стоимости пилота и в результат не входят.

Вопросы и судья. Шесть вопросов на запрос написаны моделью по тексту запроса и ниши, без доступа к страницам; файл вопросов заморожен до оценки страниц (начало SHA-256: 7c2ea86226f59f49). Судья — Claude Sonnet, пакеты по 12 страниц вперемешку по запросам и группам; о группе страницы он не знал. Шкала: 2 — прямой ответ, 1 — частичный, 0 — ответа нет. Полнота страницы = (число оценок 2 + 0,5 × число оценок 1) / 6. Проверяемые утверждения судья перечислял по определению: значение, срок, условие, ограничение, подтверждение или конкретное свойство, без повторов.

Расчёт. Сколько раз из 100 страница из топ-20 выигрывает у страницы с позиций 21–50 того же запроса, равенство наполовину, среднее по запросам, интервал — бутстреп по запросам (10 000, seed 20261010). Контроли в той же выборке: число слов (до 2500) и плотность триплетов алгоритма; отдельно сравнения, где число слов различается не более чем на 20%. Основной вывод только по полноте ответа, остальное вторичное, без поправки на множественность.

Надёжность. Второй судья — Codex, 144 случайные страницы (10%, seed 20261011), 143 с полным ответом. Согласие по оценкам 0/1/2: 80,5%, каппа 0,70, взвешенная 0,84. Число утверждений у Codex в среднем втрое больше (медиана 36 против 14), корреляция 0,53.

Отступления от протокола. Взято до шести страниц на группу вместо десяти и первые 2500 слов вместо 4000 (стоимость); решение принято до запуска судьи. Протокол и сводка результатов: файлы MEASURE_R2_PROTOCOL.md и RESULTS_R2.md.

Как это считалось

Запросы. 2400 запросов, по 150 на каждую из 16 ниш. 160 остались от предыдущего замера, 31 из пилота, остальные новые. Источники: Wordstat, расширение фраз Keys.so и фразы тематических сайтов из базы Keys.so (Google, Москва). Фильтры: порог базовой частотности 100 по Wordstat (это спрос в Яндексе, а не в Google), без латиницы, чужих городов, имён, навигации и обрывков; запросы одной ниши с близкими формулировками (коэффициент Жаккара по начальным формам слов не ниже 0,6) в список не брались. Из 153 889 сырых фраз осталось 30 478 кандидатов. Список зафиксирован до сбора выдачи. В нём есть широкие запросы вроде «пылесос лучший» и неоднозначные формулировки.

Выдача и страницы. Сервис XMLRiver, Google, Москва, десктоп, до 50 позиций, 2 октября 2026. Тексты скачаны обычным HTTP-запросом, основной текст выделен библиотекой trafilatura. Закрытые для обычного запроса страницы (заглушки, проверки на бота) открывались браузером, который не выдаёт себя за робота: одна попытка на страницу, капча не обходилась. Из 15 344 таких страниц получить текст удалось у 15 033, и доля прочитанных страниц выросла с 68,3% до 79,4% (80,3% в топ-20 и 78,7% ниже). В расчёт не входят два вида страниц: те, чей текст получить не удалось, и те, где текст получен, но короче 100 слов. Пропуск не означает, что фактов нет.

Извлечение. Правила поверх разбора Natasha (библиотека синтаксического разбора русского языка): глагол с подлежащим и дополнением, конструкции «X — это Y» и «у нас есть X». Правил я не менял после просмотра связи с позициями. Исправление от 4 октября 2026: в первой версии расчёта программа разбирала только первые 12 000 символов страницы, а слова считались по всему тексту, и плотность длинных страниц занижалась (затронуто 20,8% пар «запрос — страница»). Я переобработал страницы целиком и пересчитал все числа в статье; прежний результат был 50,2 (49,8–50,7). Окончательная версия (в статье везде она) делит длинные тексты на куски по границам предложений и считает слова в том же очищенном тексте, из которого извлекались триплеты. Промежуточная версия, где куски резались по абзацу или пробелу, а слова считались по фрагментам между пробелами, дала 50,9 (50,5–51,4): способ выбран ради корректности измерения (числитель и знаменатель относятся к одному очищенному тексту), а не ради результата: итог сместился на 0,1 пункта, и на выводы это не влияет.

Точность разбора. 3154 триплеты, стратифицированная выборка из пилота (37 групп, 100 запросов). Каждый триплет прочитал Claude Sonnet, не зная позиции; 630 триплетов прочитал второй читатель, Claude Opus (он строже: 0,71 против 0,77 по мягкой точности). Причины неточных триплетов из 1626 с меткой «приблизительно» или «неверно»: обрезанный объект (1054), потерянное число (213), перепутанные роли (159), расплывчатое подлежащее (117), потерянное отрицание (41). Согласие двух читателей-моделей неполное (коэффициент Коэна, мера согласия двух разметчиков с поправкой на случайные совпадения, 0,43 по четырём классам). Оценки зависят от разметчика, а интервалы не включают возможное систематическое смещение модельной разметки. На доле «обстоятельство» точность в топ-20 ниже (0,372 против 0,430); это единичное различие без поправки на множественные сравнения.

Статистика. Гипотезы и метрики записаны до расчёта. Единица анализа — запрос. Для каждого запроса с четырьмя и более читаемыми страницами в каждой группе считалась доля сравнений, где верхняя страница лучше (ничьи пополам), затем среднее по запросам. Интервал — бутстреп по запросам (5000 повторов), проверка случайности — перестановка меток внутри запроса (5000 повторов), поправка Холма на девять показателей (скорректированное p-значение 0,002 у плотности и разнообразия связей, 0,01 у разнообразия объектов, 0,025 у плотности с объектом действия и больше 0,17 у остальных пяти). В модели с учётом длины текста и ссылочного профиля отношение шансов на одно стандартное отклонение показателя 0,96–1,07; для плотности и разнообразия триплетов связи нет (1,00–1,02), кроме плотности с объектом действия (1,05, p = 0,006); из показателей про состав без поправки на множественность заметна доля «мы» (1,07, p = 0,007), доли чисел и сроков на границе (0,96, p около 0,09); для длины текста отношение шансов 1,12–1,21, для ссылающихся доменов 1,05–1,07. Интервалы отражают разброс состава запросов; сайты, повторяющиеся в разных запросах, дают отдельный источник зависимости, который процедура явно не моделирует. Для долей в сравнение вошли 2052 запроса, для остальных 2378: у страницы должно быть не менее 10 триплетов.

Данные и код. Данные и препринт планирую выложить на Zenodo; сейчас они не опубликованы.