docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,173 @@
|
||||
---
|
||||
id: wiki-2026-0508-superficiality-metrics
|
||||
title: Superficiality Metrics
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Engagement Quality Metrics, Depth Metrics, Content Quality Signals]
|
||||
duplicate_of: none
|
||||
source_trust_level: B
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [metrics, content-quality, engagement, evaluation]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: pandas
|
||||
---
|
||||
|
||||
# Superficiality Metrics
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 engagement 의 depth 측정"**. CTR / time-on-page 같은 surface metric 만 보면 clickbait 의 reward → 매 deeper signal (scroll completion, return visit, comment quality, downstream conversion) 의 measure 의 필요. 2026 의 LLM-as-judge 의 quality scoring 의 mainstream.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 surface vs depth metric
|
||||
- **Surface**: CTR, time-on-page, bounce rate, like count.
|
||||
- **Depth**: scroll depth, dwell quality (focus events), return visit %, share-with-comment, subscription, downstream action (purchase, signup).
|
||||
|
||||
### 매 LLM-judged content quality
|
||||
- **Coherence**: 매 logical flow.
|
||||
- **Substantive density**: 매 facts / claim 단위 의 information.
|
||||
- **Originality**: 매 generic LLM-output 의 detection.
|
||||
- **Actionability**: 매 reader 가 take-away 의 가능성.
|
||||
|
||||
### 매 응용
|
||||
1. Content recommendation ranking (YouTube, TikTok 의 newer signals).
|
||||
2. Knowledge-base quality gating (Wiki article 의 acceptance).
|
||||
3. Education platform 의 learning outcome 측정.
|
||||
4. Newsletter / blog 의 ROI evaluation.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Scroll depth tracking
|
||||
```typescript
|
||||
let maxScroll = 0;
|
||||
window.addEventListener('scroll', () => {
|
||||
const scrollPct = window.scrollY / (document.body.scrollHeight - window.innerHeight);
|
||||
if (scrollPct > maxScroll) maxScroll = scrollPct;
|
||||
}, { passive: true });
|
||||
|
||||
window.addEventListener('beforeunload', () => {
|
||||
navigator.sendBeacon('/analytics', JSON.stringify({
|
||||
page: location.pathname,
|
||||
maxScroll,
|
||||
duration: performance.now()
|
||||
}));
|
||||
});
|
||||
```
|
||||
|
||||
### Dwell quality (focus + scroll)
|
||||
```typescript
|
||||
let focusedTime = 0;
|
||||
let lastFocusStart = document.hasFocus() ? performance.now() : null;
|
||||
|
||||
document.addEventListener('visibilitychange', () => {
|
||||
if (document.hidden && lastFocusStart != null) {
|
||||
focusedTime += performance.now() - lastFocusStart;
|
||||
lastFocusStart = null;
|
||||
} else if (!document.hidden) {
|
||||
lastFocusStart = performance.now();
|
||||
}
|
||||
});
|
||||
```
|
||||
|
||||
### LLM-as-judge quality score
|
||||
```python
|
||||
from anthropic import Anthropic
|
||||
client = Anthropic()
|
||||
|
||||
def score_content(text: str) -> dict:
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=512,
|
||||
messages=[{
|
||||
"role": "user",
|
||||
"content": f"""Rate the following article on 4 axes (0-10 each):
|
||||
- coherence (logical flow)
|
||||
- density (info per paragraph)
|
||||
- originality (vs generic LLM output)
|
||||
- actionability (reader takeaway)
|
||||
|
||||
Return strict JSON: {{"coherence": N, "density": N, "originality": N, "actionability": N, "rationale": "..."}}
|
||||
|
||||
ARTICLE:
|
||||
{text[:8000]}"""
|
||||
}]
|
||||
)
|
||||
import json
|
||||
return json.loads(resp.content[0].text)
|
||||
```
|
||||
|
||||
### Composite depth score
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
def depth_score(metrics: dict) -> float:
|
||||
# weights tuned on labeled training set
|
||||
w = {
|
||||
'scroll_completion': 0.15,
|
||||
'focused_dwell_ratio': 0.25,
|
||||
'return_within_7d': 0.20,
|
||||
'downstream_action': 0.25,
|
||||
'share_with_comment': 0.15,
|
||||
}
|
||||
return sum(w[k] * metrics.get(k, 0) for k in w)
|
||||
```
|
||||
|
||||
### Clickbait detector heuristic
|
||||
```python
|
||||
def clickbait_signal(row):
|
||||
# high CTR + low depth = clickbait
|
||||
if row['ctr'] > 0.10 and row['depth_score'] < 0.3:
|
||||
return 1.0
|
||||
return 0.0
|
||||
```
|
||||
|
||||
### Pandas pipeline
|
||||
```python
|
||||
import pandas as pd
|
||||
df = pd.read_parquet('events.parquet')
|
||||
agg = df.groupby('article_id').agg(
|
||||
ctr=('clicks', 'sum') / ('impressions', 'sum'),
|
||||
avg_scroll=('max_scroll', 'mean'),
|
||||
return_rate=('returned_7d', 'mean'),
|
||||
).assign(depth_score=lambda d: 0.4*d.avg_scroll + 0.6*d.return_rate)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Metric |
|
||||
|---|---|
|
||||
| 매 ad-supported (need clicks) | CTR + minimal depth floor |
|
||||
| 매 subscription / paid | depth_score primary |
|
||||
| 매 education / learning | actionability + post-test outcome |
|
||||
| 매 knowledge wiki | LLM coherence + density |
|
||||
| 매 social platform | share-with-comment, return visit |
|
||||
|
||||
**기본값**: 매 composite depth score (50% behavioral + 50% LLM-judged).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Evaluation]]
|
||||
- Adjacent: [[LLM-as-Judge]] · [[Goodhart_s-Law]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 content recommendation 의 reranking signal, KB article quality gate, AB test 의 secondary metric.
|
||||
**언제 X**: 매 small sample (variance 너무 큼), 매 acquisition-stage funnel (CTR primary).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Single metric optimization**: Goodhart — 매 CTR alone optimize 하면 clickbait.
|
||||
- **LLM judge 의 prompt drift**: 매 pinned model + temperature 0 + version log 의 필수.
|
||||
- **Depth metric 의 latency**: return-visit 7d → 매 delayed feedback. 매 surrogate (focused dwell) 도 함께.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Goodhart 1975; Zheng et al. 2023 LLM-as-judge; YouTube Watch Time → "Valued Watch Time" pivot ~2017).
|
||||
- 신뢰도 B (매 weighting 의 domain-dependent).
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — surface vs depth + LLM judge + composite scoring |
|
||||
Reference in New Issue
Block a user