งานวิจัยของ Google เผย Discover คัดบทความล้าสมัยออกก่อนจัดอันดับ รายงานเนื้อหาเก่าลดลง 54.9%

งานวิจัยจากผู้เขียนหกคนที่สังกัด Google LLC ระบุว่า Google Discover ใช้ระบบกรองชื่อ Supersession-Decay Filtering (SDF) ที่คัดบทความที่ล้าสมัยออกจากกลุ่มผู้สมัครก่อนระบบจัดอันดับของ Discover จะได้เห็น ตามงานวิจัย SDF ใช้งานจริงมาราวสองปี และในช่วงนั้นจำนวนรายงานเนื้อหาล้าสมัยที่ผู้ใช้ส่งเข้ามาใน Discover ลดลง 54.9% เทียบกับก่อนเริ่มใช้ระบบ นี่ไม่ใช่การอัปเดตใหม่ แต่เป็นคำอธิบายระบบที่ทำงานมาระยะหนึ่งแล้ว และ Google ไม่ได้ออกประกาศแยกเรื่องนี้

งานวิจัยเรื่องเนื้อหาล้าสมัยใน Google Discover บอกอะไร

งานวิจัยชื่อ "Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay" เผยแพร่บน arXiv เลขที่ 2608.15780 เมื่อวันที่ 16 สิงหาคม 2569 และได้รับคัดเลือกเข้า CIKM 2026 Applied Research Track ซึ่งเป็นการประชุมวิชาการของ ACM ด้านการจัดการสารสนเทศและความรู้ จัดที่กรุงโรมระหว่างวันที่ 7 ถึง 11 พฤศจิกายน 2569 ผู้เขียนทั้งหกคน ได้แก่ Di Bai, Feng Han, Zhenwei Tang, Jintao Liu, Luoshu Wang และ Jialu Liu ระบุสังกัดเป็น Google LLC ทั้งหมด

บทคัดย่ออธิบาย SDF ว่าเป็น "a staleness filtering system fully deployed in Google Discover" และเรียก Discover ว่าฟีดแบบปรับเฉพาะบุคคลที่มีผู้ใช้งาน "hundreds of millions of daily and billions of monthly active users" ส่วนเนื้อหาฉบับเต็มเรียก Discover ว่าฟีดเนื้อหาจากเว็บเปิดในแอป Google Search บทความของ Roger Montti จาก Search Engine Journal เมื่อวันที่ 21 ตุลาคม 2569 ทำให้งานวิจัยนี้เป็นที่รู้จักกว้างขึ้น

บทความล้าสมัยได้สองทาง

งานวิจัยแบ่งความล้าสมัยออกเป็นสองกลไก และ SDF มีตัวกรองหนึ่งตัวสำหรับแต่ละกลไก

การถูกแทนที่ (Supersession)

Supersession คือกรณีที่ข่าวใหม่ทำให้เนื้อหาเก่าตกยุค ตัวอย่างในงานวิจัยคือรายงานช่วงแรกว่าควีนเอลิซาเบธที่ 2 อยู่ภายใต้การดูแลของแพทย์ ซึ่งถูกแทนที่ภายในไม่กี่ชั่วโมงด้วยข่าวการสวรรคต และรายงานว่าโชเฮ โอทานิกำลังพิจารณาข้อเสนอจากหลายทีม ซึ่งถูกแทนที่ทันทีเมื่อมีการประกาศเซ็นสัญญากับ Dodgers งานวิจัยย้ำว่าสัญญาณนี้เป็นเชิงความสัมพันธ์ เนื้อหาเก่าจะล้าสมัยก็ต่อเมื่อมีข่าวใหม่ที่ขัดแย้ง แทนที่ หรือทำให้เรื่องเดินต่อ การตรวจจับจึงต้องเทียบเป็นคู่ ไม่ใช่ดูแค่เวลาเผยแพร่

ความเกี่ยวข้องที่ลดลงตามเวลา (Relevance decay)

Relevance decay คือกรณีที่เนื้อหาหมดประโยชน์ไปเองโดยไม่มีข่าวต่อเนื่อง ตัวอย่างในงานวิจัยคือคู่มือดูฝนดาวตกคืนนี้ ซึ่งมีประโยชน์แค่คืนเดียว และคลิปข่าวท้องถิ่นแนวอบอุ่นใจที่ค่อย ๆ จางไปเอง สัญญาณในกรณีนี้อยู่ที่ตัวเนื้อหาและอายุการใช้งานที่คาดไว้

ตัวกรองทั้งสองทำงานอย่างไร

ตัวกรองเชิงความสัมพันธ์ (relational staleness filter) เป็นตัวจำแนกแบบจับคู่ เมื่อได้เนื้อหาเดิมหนึ่งชิ้นกับเนื้อหาใหม่ที่เพิ่งเข้ามา ระบบจะทำนายว่าชิ้นใหม่ทำให้ชิ้นเก่าล้าสมัยหรือไม่ เนื่องจากการให้คนติดป้ายกำกับทีละคู่ช้าเกินไปสำหรับขนาดนี้ ทีมจึงใช้ LLM คือ PaLM 2-L ติดป้ายกำกับข้อมูลฝึกสังเคราะห์ ได้ทั้งหมด 1,100,133 ตัวอย่าง แล้วกลั่นความรู้ไปสู่โมเดลขนาดเล็กกว่าที่ใช้ T5 เป็นฐาน โมเดลนี้เขียนเหตุผลสั้น ๆ ก่อนให้คำตอบด้วย ในการทดสอบออฟไลน์ของงานวิจัย รูปแบบที่ใช้งานจริงได้คะแนน F1 ที่ 84.79

ตัวกรองเชิงภายใน (intrinsic staleness filter) เรียกว่าโมเดล predicted traffic ratio หรือ PTR โมเดลนี้อ่านข้อความ รูปภาพ และวิดีโอของเนื้อหา แล้วทำนายว่า ณ เวลาหนึ่งหลังเผยแพร่ เนื้อหาชิ้นนั้นจะได้ทราฟฟิกไปกี่ส่วนของทราฟฟิกตลอดอายุ ข่าวด่วนจะได้ผู้เข้าชมส่วนใหญ่อย่างรวดเร็ว ส่วนเนื้อหา evergreen จะค่อย ๆ ได้ผู้เข้าชมตลอดอายุ เมื่อสัดส่วนที่ทำนายไว้สำหรับอายุปัจจุบันของเนื้อหาเกินเกณฑ์ ระบบจะถือว่าเนื้อหานั้นหมดช่วงที่มีประโยชน์แล้วและคัดออก งานวิจัยระบุว่าป้ายกำกับสำหรับฝึก PTR มาจากบันทึกการคลิกจากการค้นหา ไม่ใช่บันทึกการดูหน้าเว็บแบบดิบ เพราะยอดดูหน้าเว็บถูกบิดเบือนจากการโปรโมตของผู้เผยแพร่ และคำนวณเทียบกับยอดรวม 30 วัน

ผลจากตัวกรองทั้งสองถูกรวมกันด้วยตรรกะ OR แบบง่าย ถ้าตัวใดตัวหนึ่งแจ้งว่าเนื้อหาล้าสมัย เนื้อหานั้นจะออกจากกลุ่มผู้สมัคร ระบบจัดอันดับที่อยู่ปลายทาง ซึ่งงานวิจัยบอกว่ายังคงอิงการมีส่วนร่วมและติดตามกระแส จะจัดอันดับเฉพาะสิ่งที่เหลืออยู่ เนื้อหาที่ถูกคัดออกจึงไม่ถูกแสดงเลย ตัวกรองทั้งสองใช้สัญญาณระดับเนื้อหาที่ไม่ขึ้นกับผู้ใช้ และคำนวณไว้ล่วงหน้า ตอนให้บริการจึงแค่เปิดดูค่าที่เก็บไว้

ตัวเลขในงานวิจัย

ตัวเลขด้านล่างเป็นผลที่งานวิจัยรายงานสำหรับการใช้งาน SDF ใน Google Discover

งานวิจัยยังอธิบายการทดสอบแบบกันกลุ่มไว้สองเดือน โดยปิด SDF สำหรับผู้ใช้กลุ่มหนึ่ง เมื่อเทียบกับกลุ่มนั้น SDF ลดอัตราที่ผู้ใช้กดปิดเนื้อหา และเพิ่มความหลากหลายของฟีดกับการมีส่วนร่วมเชิงบวก การตั้งค่าตัวกรองถูกปรับให้ไม่กระทบการมีส่วนร่วมโดยรวม ซึ่งผู้เขียนบอกว่าตัดทางเลือกที่จะลดเนื้อหาให้มากขึ้นเพียงเพื่อให้ตัวเลขความล้าสมัยดูดีขึ้น

จุดที่ SDF ยังพลาด

ผู้เขียนระบุกรณีที่ระบบพลาดไว้เอง ซึ่งมีประโยชน์กับผู้เผยแพร่พอ ๆ กับกรณีที่สำเร็จ ตัวกรองเชิงความสัมพันธ์ทำงานได้ยากกับบทวิเคราะห์การเมือง ที่ความเห็นกับข้อเท็จจริงปนกัน และไม่มีชิ้นใดแทนที่อีกชิ้นได้ชัดเจน PTR พลาดเนื้อหากลุ่มใหญ่ที่ค่อย ๆ หมดความเกี่ยวข้องอย่างช้า ๆ เพราะสัดส่วนทราฟฟิกที่ทำนายไว้ไม่เคยถึงเกณฑ์ และรายงานความล้าสมัยที่เหลืออยู่จำนวนมากมาจากเนื้อหาที่ผู้ใช้เคยเห็นแล้วบน Discover หรือที่อื่น ซึ่ง SDF ไม่ได้ออกแบบมาจัดการเรื่องนี้

กรณีที่สำเร็จก็เป็นรูปธรรม ตัวกรองเชิงความสัมพันธ์ตัดสินว่าข่าว "Mazda 3 IPM launching soon?" ล้าสมัยเมื่อข่าว "Mazda 3 prices revealed" เข้ามา PTR คัดคู่มือดูฝนดาวตกเจมินิดส์ออกหลังเหตุการณ์จบ เก็บคู่มือเทศกาลอาหารที่ภูเก็ตซึ่งกินเวลาหลายวันไว้ระหว่างที่ยังเกี่ยวข้อง และไม่แตะบทความอธิบายเรื่องโค้ชสุขภาพที่เป็นเนื้อหา evergreen

สิ่งที่เรื่องนี้ไม่ใช่

งานวิจัยเกี่ยวกับ Discover มักถูกตีความเกินจริง จึงควรบอกขอบเขตให้ชัด

• นี่ไม่ใช่การอัปเดตอัลกอริทึมใหม่ งานวิจัยอธิบายการใช้งานจริงตลอดสองปี ซึ่งมีการอัปเกรดโมเดลและขยายไปยังภูมิภาคภาษาอื่นเพิ่มในช่วงนั้น
• Google ไม่ได้ออกแถลงการณ์เรื่อง SDF นอกเหนือจากตัวงานวิจัย
• งานวิจัยพูดถึง Discover ไม่ได้บอกว่า SDF หรือระบบลักษณะเดียวกันถูกใช้ในการจัดอันดับของ Google Search และไม่ควรตีความว่าเป็นปัจจัยจัดอันดับของ Search
• งานวิจัยไม่ได้เปิดเผยค่าเกณฑ์ และช่วงเวลาของ PTR ถูกอธิบายแบบกว้าง ๆ ตั้งแต่ระดับชั่วโมงสำหรับข่าวด่วน ไปจนถึงสองสัปดาห์สำหรับเนื้อหาที่ลดความเกี่ยวข้องช้ากว่า
• งานวิจัยไม่ได้บอกว่าการแก้ไขบทความเดิม หรือการเปลี่ยนวันที่แก้ไข มีผลกับการตัดสินของ SDF หรือไม่ งานวิจัยใช้เวลาที่เนื้อหาถูกบันทึกในระบบจัดทำดัชนีเป็นเวลาเข้ามาของเนื้อหา และบอกว่าใกล้เคียงกับเวลาเผยแพร่

ผู้เผยแพร่นำไปใช้อะไรได้บ้าง

บทวิเคราะห์: ประเด็นด้านล่างเป็นข้อสรุปจากกลไกที่งานวิจัยอธิบาย ไม่ใช่ผลการศึกษาที่งานวิจัยรายงาน

ข่าวต่อเนื่องจะเข้ามาแทนข่าวก่อนหน้า

ถ้าบทความใหม่ในเหตุการณ์เดียวกันทำให้บทความเก่าหมดสิทธิ์ใน Discover ได้ ข่าวต่อเนื่องของผู้เผยแพร่เองก็น่าจะทำให้ชิ้นก่อนหน้าของตัวเองพ้นจากฟีดไปด้วย ระบบออกแบบมาแบบนั้น หมายความว่าข่าวที่พัฒนาไปหลายวันจะไม่ได้ทราฟฟิก Discover จากฉบับแรกต่อไปเรื่อย ๆ ความคืบหน้าที่สำคัญแต่ละครั้งต้องมีบทความที่ชัดและครบในตัวเอง หากต้องการให้แข่งขันได้

อัปเดตหน้าเดิมหรือเผยแพร่ URL ใหม่

งานวิจัยไม่ได้ตอบคำถามนี้ จึงขึ้นกับการตัดสินใจของกองบรรณาธิการ หน้าที่อัปเดตสดเก็บลิงก์และประวัติไว้ที่เดียว แต่งานวิจัยผูกอายุของเนื้อหากับเวลาจัดทำดัชนี และไม่ได้พูดถึงการรีเซ็ตเมื่อแก้ไข การแยก URL สำหรับความคืบหน้าจริง เช่น ผลการแข่งขันหลังบทความพรีวิว สอดคล้องกับโมเดลการถูกแทนที่ที่งานวิจัยอธิบายโดยตรงกว่า ผู้เผยแพร่ที่พึ่งพา Discover ทดลองทั้งสองแบบบนเว็บของตัวเองแล้วเทียบผลได้

วางแผนอายุเนื้อหาตามประเภท

PTR มองว่าเนื้อหาที่ผูกกับเวลา เช่น คู่มือกิจกรรม มีอายุสั้น และบทความอธิบายแบบ evergreen มีอายุยาว ควรคาดว่าเนื้อหาที่มีวันที่กำกับจะอยู่ใน Discover ได้ไม่นาน และไม่ควรตัดสินหน้า evergreen จากยอด Discover วันแรก Discover เป็นแค่หนึ่งช่องทาง จึงควรแยกอ่านผลงาน SEO สำหรับการมองเห็นบนการค้นหา กับผลงานใน Discover ออกจากกันในรายงาน

การวางแผนว่าชิ้นไหนผูกกับเวลาและชิ้นไหนเป็น evergreen เป็นส่วนหนึ่งของ กลยุทธ์ Content Marketing และงานวิจัยนี้ให้กรอบคิดที่ใช้แบ่งได้ดี

ความหมายสำหรับนักการตลาดไทย

สำหรับผู้เผยแพร่และแบรนด์ไทยที่ได้ทราฟฟิกจาก Discover สิ่งที่ได้คือความเข้าใจกลไก ไม่ใช่กฎใหม่ งานวิจัยบอกว่าข้อมูลฝึก PTR ครอบคลุมหลายภาษาและหลายรูปแบบ และพูดถึงการขยายไปยังภูมิภาคภาษาอื่นตลอดช่วงใช้งาน แต่ไม่ได้ระบุว่าภาษาหรือประเทศใด ตัวอย่างหนึ่งในงานวิจัยเอง คือคู่มือเทศกาลอาหารที่ภูเก็ต แสดงให้เห็นว่าระบบจัดการกับกิจกรรมท้องถิ่นที่กินเวลาหลายวันได้ เว็บข่าวและไลฟ์สไตล์ไทยที่ลงข่าวอัปเดตเรื่องเดียวหลายชิ้นควรคาดว่าฉบับก่อนหน้าจะหลุดจาก Discover เมื่อฉบับใหม่เข้ามา และวางแผนการรายงานผลโดยคำนึงถึงเรื่องนี้

คำถามที่พบบ่อย

SDF เป็นการอัปเดตใหม่ของ Google Discover หรือเปล่า

ไม่ใช่ SDF ไม่ใช่การอัปเดตใหม่ งานวิจัยอธิบายระบบที่ใช้งานใน Google Discover มาตลอดสองปี และ Google ไม่ได้ออกประกาศแยกเรื่องนี้

SDF มีผลกับการจัดอันดับใน Google Search ไหม

งานวิจัยไม่ได้บอกเช่นนั้น งานวิจัยอธิบาย SDF เฉพาะใน Google Discover และไม่ได้กล่าวอ้างใด ๆ เกี่ยวกับ Google Search

รายงานเนื้อหาล้าสมัยลดลงเท่าไร

รายงานเนื้อหาล้าสมัยที่ผู้ใช้ส่งใน Discover ลดลง 54.9% เทียบกับก่อนเริ่มใช้ ตลอดสองปีตามที่งานวิจัยระบุ โดยรายงานประเภทถูกแทนที่ลดลง 64.0% และประเภทหมดความเกี่ยวข้องลดลง 34.4%

การอัปเดตบทความเก่าจะทำให้กลับเข้า Discover ได้ไหม

งานวิจัยไม่ได้บอก งานวิจัยใช้เวลาที่เนื้อหาถูกบันทึกในระบบจัดทำดัชนีเป็นเวลาเข้ามา และไม่ได้พูดถึงการแก้ไขหรือวันที่แก้ไข

เรื่องนี้ใช้กับเนื้อหาภาษาไทยด้วยหรือไม่

งานวิจัยไม่ได้ระบุภาษาหรือประเทศ บอกเพียงว่าข้อมูลฝึก PTR ครอบคลุมหลายภาษา และการใช้งานขยายไปยังภูมิภาคภาษาอื่นเพิ่ม และตัวอย่างหนึ่งคือคู่มือเทศกาลอาหารที่ภูเก็ต

สรุป

นักวิจัยของ Google อธิบายต่อสาธารณะแล้วว่า Discover คัดบทความล้าสมัยออกก่อนจัดอันดับอย่างไร ตัวกรองหนึ่งสำหรับข่าวที่ถูกแซงหน้า อีกตัวสำหรับเนื้อหาที่หมดอายุไปเอง ตามกลไกที่งานวิจัยอธิบาย เรื่องนี้อาจอธิบายได้ว่าทำไมทราฟฟิก Discover ของข่าวชิ้นหนึ่งหยุดได้เมื่อมีข่าวต่อเนื่อง แต่ไม่ได้เปลี่ยนอะไรในวันนี้ และไม่ได้พูดถึง Search เลย หากต้องการให้ช่วยอ่านผลงาน Discover กับ Search คู่กัน ทีม Relevant Audience ยินดีช่วยดูให้