EEAT Mechanics

clutterScore, scamness, unauthoritativeScore: Three Quality Demotions

Die drei Signale, die Layout-Überladung, Betrugs-Nähe und Unzuverlässigkeit bestrafen — und warum sie sich zu einem einzigen Trust-Signal kombinieren

By Thomas Wawra· Published · Version 1.0· Systems referenced: clutterScore / scamness / unauth.

01Three Demotions in einem System

System 15 kombiniert drei separate Qualitäts-Demotionen: clutterScore misst die Layout-Überlastung — zu viele Anzeigen, Pop-ups und ablenkende Elemente, die den Informationsfluss stören. scamness misst die Betrugs-Nähe — Muster, die bekannten Betrugsmaschen oder irreführenden Praktiken ähneln. unauthoritativeScore kennzeichnet Inhalte, denen die für ihre Themenkategorie erwarteten E-E-A-T-Signale fehlen.

Jede Demotion wirkt unabhängig, fließt jedoch in dasselbe Trust-Signal ein (T: primary). Eine Seite kann eine, zwei oder alle drei Demotionen auslösen. Der kombinierte Effekt ist multiplikativ, nicht additiv: Eine Seite mit hohem clutter UND hohem scamness UND niedriger Autorität erhält eine deutlich stärkere Abstrafung als die Summe der einzelnen Strafen.

Die drei Signale repräsentieren unterschiedliche Aspekte der Vertrauensverletzung. Clutter verletzt die Aufmerksamkeit des Nutzers — eine Seite, die Inhalte unter Anzeigen vergräbt, ist nicht vertrauenswürdig. Scamness verletzt die Sicherheit des Nutzers — eine Seite, die bekannten Betrugsmaschen ähnelt, ist gefährlich. Unauthoritativeness verletzt die Erwartungen des Nutzers — eine Seite, die Kompetenz behauptet, ohne sie zu belegen, ist irreführend.

Belege je Aussage (3)
B
Drei Demotionen: clutterScore (Layout-Überlastung), scamness (Betrugsnähe), unauthoritativeScore (E-E-A-T-Defizit).[1]
C
Der kombinierte Effekt ist multiplikativ – mehrere Demotionen potenzieren sich, sie addieren sich nicht.[2]
B
Alle drei sind primäre Trust-Signale (T: primär).[3]
Quelle: Google API Leak — dims: {T: primär} · clutterScore / scamness / unauth.

02clutterScore: Layout-Überladung

clutterScore misst, wie stark das Layout die Inhaltsnutzung beeinträchtigt. Eine Seite mit einem Banner-Ad und sauberem Text hat einen niedrigen clutterScore. Eine Seite mit fünf Ads, zwei Pop-ups, einem Sticky-Header und Interstitials hat einen hohen clutterScore – der Inhalt ist zwar vorhanden, aber der Nutzer muss sich durch das Chaos kämpfen, um ihn zu finden.

Der Google API-Leak bestätigte die Existenz eines clutterScore-Felds. Das Feld misst direkt die Layout-Qualität – nicht die Inhaltsqualität. Eine Seite kann hervorragende Inhalte haben und trotzdem einen hohen clutterScore erhalten, wenn das Layout mit Ads und Ablenkungen überladen ist.

clutterScore hat außerdem ein indirektes Authority-Signal (A: indirekt). Das ergibt Sinn: Eine unübersichtliche Seite signalisiert einen Publisher, der Ad-Einnahmen über die Nutzererfahrung stellt, was die Authority untergräbt. Eine saubere, fokussierte Seite signalisiert einen Publisher, der die Aufmerksamkeit des Lesers wertschätzt.

Belege je Aussage (3)
B
clutterScore misst Layout-Interferenz, nicht Inhaltsqualität.[4]
C
Exzellenter Inhalt mit schlechtem Layout erhält dennoch einen hohen clutterScore.[5]
B
clutterScore hat einen indirekten Authority-Effekt (A: indirect).[6]
Quelle: Google API Leak — dims: {A: indirekt} · clutterScore / scamness / unauth.

03scamness: Betrugs-Nähe

scamness misst, wie stark eine Seite bekannten Scam-Mustern ähnelt. Es geht nicht darum, ob die Seite tatsächlich ein Scam ist – sondern darum, ob die Seite Merkmale aufweist, die mit als Scams identifizierten Seiten übereinstimmen. Eine Seite, die Hochdruckverkaufstaktiken, gefälschte Countdown-Timer oder irreführende Testimonials verwendet, erhält einen hohen scamness-Wert, selbst wenn das Produkt legitim ist.

Das scamness-Signal ist besonders wichtig für YMYL-Seiten (Your Money Your Life). Seiten mit Finanzberatung, medizinischen Informationen und E-Commerce-Seiten unterliegen einer strengeren scamness-Prüfung, da der potenzielle Schaden durch Scams in diesen Kategorien größer ist.

scamness wird auch durch contentEffort (System 9) – das Aufwandssignal – gespeist. Eine Seite, die erheblichen redaktionellen Aufwand erfordert hat, ist weniger wahrscheinlich ein Scam. Scammer produzieren typischerweise Inhalte mit geringem Aufwand: Copy-Paste-Vorlagen, generierten Text und recycelte Bilder. Die Verbindung zwischen scamness und contentEffort schafft eine Zwei-Signal-Abwehr: Aufwand und Mustererkennung.

Belege je Aussage (3)
B
scamness misst die Nähe zu bekannten Scam-Mustern, nicht ob es sich tatsächlich um einen Scam handelt.[7]
B
scamness wird auch von contentEffort (S9) gespeist — Inhalte mit geringem Aufwand sind eher mit Scams assoziiert.[8]
Quelle: Google API Leak — fedBy: [9] · clutterScore / scamness / unauth.
O
YMYL-Seiten unterliegen einer strengeren scamness-Prüfung — größeres Schadenspotenzial.[9]

04unauthoritativeScore: E-E-A-T-Defizit

unauthoritativeScore kennzeichnet Inhalte, denen die E-E-A-T-Signale fehlen, die für das jeweilige Thema erwartet werden. Ein medizinischer Artikel ohne Autorenqualifikationen, eine Finanzseite ohne Haftungsausschluss oder ein Rechtsleitfaden ohne Anwaltsangabe erhalten einen hohen unauthoritativeScore – der Inhalt mag korrekt sein, demonstriert aber keine Autorität.

Dies ist die Verbindung zu IS-Calibration (System 12). Rater werden geschult, E-E-A-T zu bewerten: Demonstriert die Seite Expertise, Autorität und Vertrauenswürdigkeit? unauthoritativeScore lernt vorherzusagen, was ein Rater sagen würde – und wenn der Rater sagen würde ‚Diese Seite demonstriert keine Autorität', weist das Modell einen hohen Score zu.

Der wesentliche Unterschied: unauthoritativeScore bewertet nicht, ob der Inhalt falsch ist. Es geht darum, ob der Inhalt die E-E-A-T-Signale demonstriert, nach denen Googles Rater suchen. Eine faktisch korrekte Seite ohne Autorenangabe kann dennoch einen hohen unauthoritativeScore erhalten, weil sie keine Expertise signalisiert.

Belege je Aussage (3)
B
unauthoritativeScore kennzeichnet ein E-E-A-T-Defizit – der Inhalt kann korrekt sein, fehlt jedoch an Autoritätssignalen.[10]
C
IS-Calibration (S12) liefert Ground Truth – Rater bewerten E-E-A-T.[11]
O
Autorenqualifikationen, Disclaimer und Quellenangaben reduzieren den unauthoritativeScore.[12]

05Implikationen für SEO-Praktiker

Die drei Demotionen schaffen eine umfassende Qualitätsschwelle. Eine Seite muss alle drei Prüfungen bestehen: nicht überladen, nicht betrügerisch und autoritativ. Das Scheitern an einer einzelnen Demotion ist behebbar – das Scheitern an allen dreien ist ein starkes negatives Signal.

Für anzeigenlastige Seiten ist clutterScore das primäre Risiko. Die Lösung besteht nicht darin, alle Anzeigen zu entfernen – sondern sicherzustellen, dass Anzeigen den Konsum von Inhalten nicht beeinträchtigen. Interstitials, die geschlossen werden können, Anzeigen, die klar vom Inhalt getrennt sind, und ein sauberes mobiles Layout reduzieren alle den clutterScore.

Für YMYL-Inhalte ist unauthoritativeScore das primäre Risiko. Die Lösung besteht darin, E-E-A-T-Signale hinzuzufügen: Autorenzeilen mit Qualifikationen, redaktionelle Richtlinien, Faktencheck-Hinweise und Expertenprüfungs-Badges. Diese sind nicht dekorativ – sie sind Signale, die das Qualitätsmodell auswertet.

Bei allen Inhalten ist Scamness ein Risiko, wenn die Seite Muster verwendet, die mit Betrug assoziiert werden. Hochdrucksprache, künstliche Dringlichkeit ('Nur noch 3 verfügbar!') und Testimonials, die fabriziert wirken, erhöhen alle die Scamness. Das Entfernen dieser Muster ist sowohl gute UX als auch gutes SEO.

Belege je Aussage (4)
C
Drei Abstufungen bilden eine Qualitätsschwelle — alle drei Prüfungen müssen bestanden werden.[13]
C
Für anzeigenreiche Websites: Anzeigen dürfen den Inhalt nicht beeinträchtigen — nicht alle Anzeigen entfernen.[14]
O
YMYL-Seiten benötigen Autorenqualifikationen, Redaktionsrichtlinien und Expertenbewertungsabzeichen.[15]
C
Hochdrucksprache und künstliche Dringlichkeit erhöhen den Spam-Charakter.[16]

06Quellen

API Leak (6)

  1. [1]BGoogle API Leak — drei Feldnamen
  2. [3]BGoogle API Leak — dims: {T: primär}
  3. [4]BGoogle API Leak — Feldname + Semantik
  4. [6]BGoogle API Leak — dims: {A: indirekt}
  5. [8]BGoogle API Leak — fedBy: [9]
  6. [11]CGoogle API Leak — Verbindung zu IS-Calibration über Kalibrierungskette

Dieser Deep Dive ist Schicht-2-Content — interpretiert und belegt, aber immer zurückverweisend auf Schicht 1 (die Referenzebene). Jeder Claim ist einer Quelle mit Evidenzcode zugeordnet: [A] DOJ/vereidigtes Material, [B] Leak-Feld, [P] Patent, [O] offizielle Google-Kommunikation, [C] Interpretation.

© Thomas Wawra · Senior SEO Manager · wetter.com — ein Unternehmen von Funke Digital