{"id":23839,"date":"2026-05-19T18:33:19","date_gmt":"2026-05-19T18:33:19","guid":{"rendered":"https:\/\/capston.ai\/geo-influence-score-methodology\/"},"modified":"2026-06-03T07:53:24","modified_gmt":"2026-06-03T07:53:24","slug":"geo-influence-score-methodology","status":"publish","type":"page","link":"https:\/\/capston.ai\/fr\/geo-influence-score-methodology\/","title":{"rendered":"Le GEO Influence Score : Methodologie, composantes, et comment mesurer l’absorption (Zhang et al., 2026)"},"content":{"rendered":"

Le GEO Influence Score : M\u00e9thodologie, composantes, et comment mesurer l’absorption (Zhang et al., 2026)<\/h2>\r\n

Le GEO Influence Score est la premi\u00e8re m\u00e9trique reproductible qui quantifie la profondeur d’absorption d’une page cit\u00e9e dans une r\u00e9ponse IA. Propos\u00e9 par Zhang, He & Yao (arXiv:2604.25707, 2026) comme proxy observationnel construit, il combine 5 composantes mesurables (ref_count, first_position_ratio, paragraph_coverage_ratio, TF-IDF cosine, n-gram overlap) en un score 0-1 pond\u00e9r\u00e9. Valid\u00e9 sur 18 151 pages fetch\u00e9es et 23 745 enregistrements de features. Ci-dessous : la formule compl\u00e8te, l’interpr\u00e9tation de chaque composante, les r\u00e8gles de mod\u00e9lisation \u00e0 respecter, et le playbook pour impl\u00e9menter le score dans votre propre stack GEO.<\/strong><\/p>\r\n

TL;DR :<\/strong> Le GEO Influence Score = 0.20\u00b7min(ref_count\/3, 1) + 0.15\u00b7(1 – first_position_ratio) + 0.20\u00b7paragraph_coverage_ratio + 0.25\u00b7TF-IDF cosine + 0.20\u00b7(bigram + trigram overlap)\/2. Score 0-1, interpr\u00e9tation : 0.27+ ChatGPT-like (haute absorption), 0.06-0.10 Perplexity-like (faible absorption). R\u00e8gle critique : ne JAMAIS utiliser les composantes comme variables explicatives ind\u00e9pendantes dans des r\u00e9gressions o\u00f9 le score est variable d\u00e9pendante (erreur de sp\u00e9cification).<\/p>\r\n

Scan CapstonAI gratuit →<\/a>    Hub Recherche GEO<\/a><\/p>\r\n\r\n

La formule compl\u00e8te<\/h2>\r\n

Influence_i = 0.20 \u00b7 min(ref_count_i \/ 3, 1) + 0.15 \u00b7 (1 – first_position_ratio_i) + 0.20 \u00b7 paragraph_coverage_ratio_i + 0.25 \u00b7 TF-IDF_cosine_i + 0.20 \u00b7 (bigram_overlap_i + trigram_overlap_i) \/ 2<\/p>\r\n\r\n\r\n
Composante<\/th>Poids<\/th>D\u00e9finition<\/th>Range<\/th><\/tr><\/thead>\r\n
min(ref_count \/ 3, 1)<\/td>0.20<\/td>Nombre de fois o\u00f9 la citation appara\u00eet dans la r\u00e9ponse, cap\u00e9 \u00e0 3 occurrences<\/td>0 \u00e0 1<\/td><\/tr>\r\n
1 – first_position_ratio<\/td>0.15<\/td>Position relative de la premi\u00e8re occurrence (plus t\u00f4t = plus de poids)<\/td>0 \u00e0 1<\/td><\/tr>\r\n
paragraph_coverage_ratio<\/td>0.20<\/td>Fraction des paragraphes de la r\u00e9ponse qui r\u00e9f\u00e9rencent la citation<\/td>0 \u00e0 1<\/td><\/tr>\r\n
TF-IDF cosine<\/td>0.25<\/td>Similarit\u00e9 TF-IDF entre le contenu de la page cit\u00e9e et la r\u00e9ponse g\u00e9n\u00e9r\u00e9e<\/td>0 \u00e0 1<\/td><\/tr>\r\n
(bigram + trigram overlap) \/ 2<\/td>0.20<\/td>Chevauchement moyen de 2-grams et 3-grams entre la page et la r\u00e9ponse<\/td>0 \u00e0 1<\/td><\/tr>\r\n<\/tbody>\r\n<\/table>\r\n

Source : Zhang, He & Yao, 2026, \u00e9quation (2), \u00a75.2. Tous les composants sont normalis\u00e9s 0-1, donc le score final est aussi 0-1.<\/em><\/p>\r\n\r\n

Interpr\u00e9tation des benchmarks cohort<\/h2>\r\n\r\n\r\n
Plateforme<\/th>Mean influence (fetched)<\/th>Median influence<\/th>Profil arch\u00e9typal<\/th><\/tr><\/thead>\r\n
ChatGPT<\/td>0.2713<\/td>0.2611<\/td>Citation-sparse, absorption-heavy. Utilise peu de sources mais les utilise intens\u00e9ment.<\/td><\/tr>\r\n
Google AI Overview \/ Gemini<\/td>0.0584<\/td>0.0515<\/td>Broad selection, faible absorption. Attache beaucoup de sources, chacune marginalement utilis\u00e9e.<\/td><\/tr>\r\n
Perplexity<\/a><\/td>0.0646<\/td>0.0333<\/td>Citation-rich, absorption-faible. Maximise la diversit\u00e9 au co\u00fbt de la profondeur.<\/td><\/tr>\r\n<\/tbody>\r\n<\/table>\r\n

Benchmark interpr\u00e9tation pratique : score 0.20+ sur ChatGPT = page foundational (utilis\u00e9e pour structurer la r\u00e9ponse). Score 0.10-0.20 = page evidence (apporte des faits cl\u00e9s). Score 0.05-0.10 = page supporting (r\u00e9f\u00e9renc\u00e9e mais marginale). Score sous 0.05 = page peripheral (cit\u00e9e pour le show, peu d’impact).<\/p>\r\n\r\n

Le playbook en 7 \u00e9tapes pour impl\u00e9menter le score dans votre stack<\/h2>\r\n
    \r\n
  1. \u00c9tape 1 : Capturer la r\u00e9ponse compl\u00e8te + toutes les citations.<\/strong> Pour chaque prompt de votre panel, capturer le texte int\u00e9gral de la r\u00e9ponse + la liste ordonn\u00e9e des citations avec URL. C’est le minimum input pour calculer le score.<\/li>\r\n
  2. \u00c9tape 2 : Fetcher le contenu des pages cit\u00e9es.<\/strong> R\u00e9cup\u00e9rer le HTML, nettoyer (supprimer nav, footer, scripts), extraire le contenu principal. Zhang et al. rapportent 76.44% fetch success rate — certaines pages sont prot\u00e9g\u00e9es (cloudflare, paywalls).<\/li>\r\n
  3. \u00c9tape 3 : Calculer les 5 composantes par citation.<\/strong>\r\n