chard: Googles seiten-level Content-Qualitäts-Modell

01Was ist chard?

chard ist Googles seitenbasiertes Content-Qualitätsmodell. Es bewertet die Qualität einzelner Seiten. Die Kalibrierung liefern menschliche Quality Rater, die Google nach den Quality Rater Guidelines (QRG) schult. Der Name 'chard' – ein blättriges grünes Gemüse – folgt Googles Muster, Systeme nach Lebensmitteln zu benennen, wie 'tofu' und 'kale'.

Das Google API-Leak enthüllt zwei chard-Felder: chardScores (die Qualitätsbewertungen selbst) und chardVariance (ein Konfidenzmaß, das zeigt, wie sicher das Modell in seinem Urteil ist). Zusammen liefern sie eine Qualitätsbewertung und einen Indikator dafür, wie zuverlässig diese Bewertung ist.

chard ist darauf ausgelegt, Content-Qualität zu bewerten, nicht Link-Qualität oder Nutzerverhalten. Es bewertet Text, Struktur und Gehalt einer Seite: ob der Hauptinhalt hilfreich ist, ob ergänzende Inhalte einen Mehrwert bieten und ob die Seite die in den QRG beschriebenen E-E-A-T-Signale zeigt.

02Die Kalibrierungskette: IS-Kalibrierung → chard → NSR

chard wird von IS-Calibration (System 12) gespeist, dem Human-Rater-System, das Ground Truth für Qualitätsmodelle liefert. Chards Qualitätswerte stammen also letztlich aus menschlichen Urteilen. Rater bewerten Seiten gemäß der QRG, und chard lernt vorherzusagen, was ein Rater über eine neue Seite sagen würde.

chard fließt in NSR (System 7) ein, den normalisierten Site-Rank. Das ergibt eine dreistufige Qualitätskette. IS-Calibration liefert die Ground Truth (menschliche Urteile), chard erstellt Qualitätsvorhersagen auf Seitenebene, und NSR aggregiert sie zu Qualitätswerten auf Site-Ebene. Jede Ebene wandelt das Signal um: Rater-Urteile werden zu Modellvorhersagen, und Modellvorhersagen werden zu siteweiten Aggregaten.

Das Feld chardVariance ist architektonisch bedeutsam. Ein hoher Varianzwert bedeutet, dass das Modell bei seiner Qualitätsbewertung unsicher ist. Der Seitentyp kann ungewöhnlich sein, der Inhalt mehrdeutig, oder die Seite passt nicht gut zu den Trainingsdaten. Nachgelagerte Systeme können diese Unsicherheit nutzen: NSR könnte chard-Scores mit hoher Varianz geringer gewichten oder sie zur zusätzlichen Rater-Überprüfung markieren.

03YMYL: Your-Money-Your-Life-Seiten

chard ist besonders relevant für YMYL-Seiten (Your Money Your Life), die die Gesundheit, finanzielle Stabilität oder Sicherheit des Nutzers beeinflussen könnten. Die QRG setzt für YMYL-Seiten höhere E-E-A-T-Standards, und chards Kalibrierung spiegelt dies wider. Eine YMYL-Seite muss mehr Expertise, Autorität und Vertrauenswürdigkeit zeigen als eine Nicht-YMYL-Seite, um denselben Qualitätsscore zu erhalten.

Die YMYL-Klassifizierung ist nicht binär, sondern ein Spektrum. Medizinische Informationen zur Behandlung einer Krankheit sind eindeutig YMYL. Ein Rezept für Schokoladenkuchen ist es eindeutig nicht. Finanztipps, rechtliche Informationen und Nachrichten über aktuelle Ereignisse liegen dazwischen, und chard muss diesen Bereich durchlaufen.

Die Kombination aus chard und YMYL schafft ein spezifisches Risiko für Publisher. Inhalte, die technisch korrekt sind, aber die für ihre YMYL-Kategorie erwarteten E-E-A-T-Signale vermissen lassen, erhalten einen niedrigeren chard-Score. Ein medizinischer Artikel eines Nicht-Experten kann niedriger bewertet werden als der eines approbierten Arztes, selbst wenn er faktisch korrekt ist. Der Grund: Die QRG weist die Rater an, bei YMYL-Inhalten die Qualifikationen des Autors zu bewerten.

04chard in der Ranking-Architektur

chard operiert auf der Dokumentenebene (Reach: Doc). Es erzeugt Qualitätsbewertungen für einzelne Seiten, nicht für gesamte Websites. Damit unterscheidet es sich architektonisch von Panda (Website-Ebene) und Q* (Website-Ebene): chard bewertet jede Seite nach ihren eigenen Merkmalen, während Panda und Q* über die gesamte Website aggregieren.

Die E-E-A-T-Dimensions-Zuordnung für chard ist Expertise (Exp: primary). Das Hauptsignal, das chard liefert, ist, ob die Seite echte Expertise demonstriert. Das indirekte Trust-Signal (T: indirect) folgt daraus, dass qualitativ hochwertiger Inhalt vertrauenswürdiger ist, aber Trust ist nicht chards primäre Funktion.

chard hat keine vorgelagerten Abhängigkeiten über IS-Calibration hinaus (fedBy: [12]). Das macht es zu einem fokussierten Einzelquellen-Modell: Es nimmt die Rater-Kalibrierung als Eingabe und erzeugt Qualitätsvorhersagen auf Seitenebene. Die Einfachheit von einer Eingabe und einer Ausgabe ist charakteristisch für Qualitätsmodelle, die transparent und debuggbar sein müssen.

05Implikationen für SEO-Praktiker

Die Kalibrierungskette von chard bedeutet, dass Inhaltsqualität letztlich durch die QRG definiert wird. Die effektivste SEO-Strategie für chard besteht darin, zu verstehen, was die QRG als hochwertigen Inhalt beschreibt, und Inhalte zu produzieren, die diese Kriterien erfüllen, statt das Modell rückwärts zu analysieren.

Das Feld chardVariance hat eine wichtige Implikation: Seiten, die ungewöhnlich sind oder nicht in gängige Muster passen, können Scores mit hoher Varianz erhalten. Das ist nicht von Natur aus schlecht. Es bedeutet, dass das Modell unsicher ist, nicht dass die Seite von niedriger Qualität ist. Ungewöhnliche Inhalte brauchen aber möglicherweise länger, um zu ranken, weil das System mehr Daten benötigt, um sie zuverlässig zu bewerten.

Für YMYL-Inhalte bedeutet die Betonung der QRG auf Autoren-Credentials, dass Autorschaftssignale eine Rolle spielen. Bylines, Autoren-Bios und Autoren-Seiten, die Expertise demonstrieren, sind nicht nur gutes UX. Es sind Signale, die chard möglicherweise verwendet, um zu beurteilen, ob die Seite die YMYL E-E-A-T-Standards erfüllt.

Die Hoax-Erkennungskomponente bedeutet, dass Inhalte, die sachlich falsch oder irreführend sind, bestraft werden, selbst wenn sie gut geschrieben sind. Das gilt vor allem für Nachrichtenverlage: Ein gut geschriebener Artikel mit sachlichen Fehlern erhält einen niedrigeren chard-Score als ein weniger ausgefeilter, aber sachlich korrekter Artikel.

06Quellen