یادداشت متدولوژی MAVI نسخه ۱.۰: تعاریف، فرمول، داده‌های مفقود و تکرارپذیری

نویسنده و تدوین‌کننده: تقی مولوی (Taqi Molavi) ناشر: اندیشکده تحقیق و توسعه برند تقی مولوی (molavi.pro/notes) تاریخ انتشار: ۱۹ مهر ۱۴۰۵ (۱۰ اکتبر ۲۰۲۶) نسخه: ۱.۱ (Technical Methodology Note) دسته‌بندی: مستندات فنی و متدولوژی هوش مصنوعی (AI Visibility Framework)

۱. هدف و فلسفه طراحی متدولوژی

شاخص MAVI (Molavi AI Visibility Index) یک چارچوب سنجش تشخیصی و مهندسی است که با هدف جایگزینی نمرات مبهم و غیرعلمی سئوی هوش مصنوعی طراحی شده است. این یادداشت فنی، منطق ریاضی پشت فرمول تجمیعی، سیستم وزن‌دهی کالیبره‌شده، قوانین رفتار با داده‌های ناقص و حلقهٔ مهندسی بستهٔ ابزارهای متن‌باز را مستند می‌کند.

۲. فرمول کلی و ضرایب وزنی کالیبره‌شده

شاخص MAVI به صورت یک مجموع وزنی نرمال‌شده از پنج لایه عملیاتی محاسبه می‌شود:

$$\text{MAVI} = \sum_{i=1}^{5} w_i \times L_i \quad \text{به‌طوری‌که} \quad \sum_{i=1}^{5} w_i = 1.0$$

ضرایب وزنی پایه پس از ارزیابی‌های تجربی بر روی بیش از ۵۰ دامنه در زبان‌های مختلف به صورت زیر کالیبره شده‌اند:

$$\text{MAVI} = 0.15(L_1) + 0.20(L_2) + 0.20(L_3) + 0.20(L_4) + 0.25(L_5)$$

منطق انتخاب این اوزان:

* $w_1 = 0.15$ (لایه ۱: دسترسی‌پذیری تکنیکال): شرط لازم و پایه‌ای برای خزش ربات‌هاست؛ اما به تنهایی هیچ برتری معنایی ایجاد نمی‌کند. * $w_2 = 0.20$ (لایه ۲: استخراج معنایی و اسکیما): تبدیل متن خام به ساختار ماشین‌فهم. * $w_3 = 0.20$ (لایه ۳: وضوح انتیتی و چانک‌بندی): تناسب محتوا برای الگوریتم‌های RAG و موتورهای برداری. * $w_4 = 0.20$ (لایه ۴: آمادگی استناد و مالکیت داده): شاخص بقای استناد و چگالی فکت‌های مستقل. * $w_5 = 0.25$ (لایه ۵: دیده‌شدن تجربی لایو): بالاترین وزن به رفتار واقعی مدل‌های زنده در مواجهه با پرامپت‌های کور اختصاص دارد.

۳. تفکیک شاخص آمادگی ساختاری (MAVI-R) از شاخص کلی

یکی از ویژگی‌های کلیدی این متدولوژی، تفکیک کامل آمادگی سورس کد از رفتار لایو مدل‌هاست:

$$\text{MAVI-R} = \frac{w_1(L_1) + w_2(L_2) + w_3(L_3) + w_4(L_4)}{w_1 + w_2 + w_3 + w_4} = \frac{0.15(L_1) + 0.20(L_2) + 0.20(L_3) + 0.20(L_4)}{0.75}$$

این شاخص به تیم‌های فنی اعلام می‌کند که آیا زیرساخت دیجیتال آن‌ها برای ورود به عصر هوش مصنوعی مهیاست یا خیر.

۴. سیاست رسمی داده‌های مفقود (Missing Data Policy)

در مواردی که دسترسی به بنچمارک‌های لایو امکان‌پذیر نباشد یا بودجه تست لایو تامین نشده باشد:

1. ممنوعیت انتساب صفر: هرگز به لایه ۵ نمره ۰ داده نمی‌شود؛ زیرا نمره صفر در علم داده نشان‌دهنده شکست آزمون است، نه انجام نشدن آن.
2. برچسب‌گذاری عدم قطعیت: لایه ۵ با برچسب صریح not_measured مستند می‌شود.
3. ارائه مجزای شاخص MAVI-R: فقط شاخص آمادگی ساختاری ارائه می‌شود و از ادغام غیرواقعی پرهیز می‌گردد.

۵. نمونه محاسبه عددی زنده (Worked Example)

فرض کنید شرکتی با ابزارهای SAGE و GEO-Scope ممیزی شده و نمرات زیر را دریافت کرده است: * $L_1 = 90$ (کد تمیز و رندر عالی) * $L_2 = 85$ (اسکیماهای کامل) * $L_3 = 70$ (وضوح انتیتی خوب در پایگاه‌های دانش) * $L_4 = 55$ (چگالی فکت پایین و متن‌های شعاری) * $L_5 = 35$ (نرخ استناد تجربی پایین در مدل‌های لایو)

محاسبه MAVI-R: $$\text{MAVI-R} = \frac{0.15(90) + 0.20(85) + 0.20(70) + 0.20(55)}{0.75} = \frac{13.5 + 17.0 + 14.0 + 11.0}{0.75} = \frac{55.5}{0.75} = \mathbf{74.0\%}$$

محاسبه MAVI نهایی: $$\text{MAVI} = 55.5 + 0.25(35) = 55.5 + 8.75 = \mathbf{64.25\%}$$

این شرکت با وجود آمادگی ۷۴ درصدی، به دلیل فقر گزاره‌های مستند ($L_4 = 55$) در اجراهای لایو افت شدیدی تجربه کرده است ($L_5 = 35$).

۶. اکوسیستم حلقه بسته ابزارهای متن‌باز ما

برای اینکه اجرای متدولوژی وابسته به ابزارهای بسته و گران‌قیمت تجاری نباشد، این حلقه مهندسی توسعه یافته است:

$$\text{AnswerPath} \longrightarrow \text{GEO-Scope} \longrightarrow \text{SAGE} \longrightarrow \text{MAVI} \longrightarrow \text{SiteProbe} \longrightarrow \text{سنجش مجدد}$$

1. [AnswerPath](https://github.com/tmolavi/answerpath-geo): استخراج نیازها و پرسش‌های طبیعی کاربران.
2. [GEO-Scope](https://github.com/tmolavi/geo-scope): اجرای کور پرامپت‌ها در موتورهای چندمدلی.
3. [SAGE](https://github.com/tmolavi/sage-audit): ممیزی سورس و محاسبه $L_1$ تا $L_3$.
4. [mcp-geo-server](https://github.com/tmolavi/mcp-geo-server): اتصال لایه‌های تشخیصی به ایجنت‌های کدنویسی.
5. [SiteProbe](https://github.com/tmolavi/siteprobe): ترمیم خودکار باگ‌های DOM و نشانی‌های متادیتا.

۷. مراجع و پیوندهای تکمیلی

* مقاله اصلی و سفید شاخص MAVI: شاخص دیده شدن در هوش مصنوعی مولوی * چارچوب مفهومی پنج‌لایه: هرم GEO مولوی * مستندات و کارنامه‌های واقعی: صفحه شواهد تجربی و بنچمارک‌ها * خدمات ممیزی سازمانی: ثبت درخواست ارزیابی جامع MAVI