Übersicht über die wissenschaftlichen Referenzen des CLEAR-GEO-Modells

Veröffentlicht am 02.05.2026 von Elena Hörnis
Aktualisiert am 24.05.2026

Das gesamte CLEAR-GEO-Modell wird durch eine umfassende Literaturrecherche gestützt. Es bezieht sich auf die Erkenntnisse der wichtigsten Studien der letzten Jahren zu den Themen Generative Engine Optimization, Large Language Models, KI-Systeme und weiterer verwandter Forschungsthemen.

Diese Referenzseite dokumentiert transparent, auf welchen Quellen, Studien und fachlichen Grundlagen das CLEAR-GEO-Modell basiert. Dadurch soll für Sie nachvollziehbar sein, welche wissenschaftlichen Arbeiten, theoretischen Konzepte und ergänzenden Informationsquellen für die Entwicklung des Modells, die Ableitung der Erfolgsfaktoren und die Inhalte der Website genutzt wurden.

Gerade weil Generative Engine Optimization ein junges Forschungs- und Praxisfeld ist, sind Quellenklarheit, methodische Transparenz und eine saubere Trennung zwischen Forschung, Ableitung und Anwendung besonders wichtig.

Literaturverzeichnis

• Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K. & Deshpande, A. (2024). GEO: Generative Engine Optimization. ACM SIGKDD Conference, 5–16. https://doi.org/10.1145/3637528.3671900
• Büsching, Thilo et. al. (2026). Das 360°-GEO-Modell 6×3 für die Content-Optimierung, angewandtes Forschungsprojekt im WS25/26 für die Projektpartner XXXLutz Würzburg und va-Q-tec, unveröffentlichtes Modell, Jan. 2026
• Chen, M., Wang, X., Chen, K. & Koudas, N. (2025). Generative Engine Optimization: How to Dominate AI Search. ArXiv.org. https://doi.org/10.48550/arxiv.2509.08919
• Chen, X., Wu, H., Bao, J., Chen, Z., Liao, Y. & Huang, H. (2026). Role-Augmented Intent-Driven Generative Search Engine Optimization. arXiv.org. https://arxiv.org/abs/2508.11158v2
• Gao, T., Yen, H., Yu, J. & Chen, D. (2023). Enabling Large Language Models to Generate Text with Citations. arXiv.org. https://arxiv.org/abs/2305.14627
• Kumar, A. & Palkhouski, L. (2025). AI Answer Engine Citation Behavior An Empirical Analysis of the GEO16 Framework. ArXiv.org. https://doi.org/10.48550/arxiv.2509.10762
• Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S. & Kiela, D. (2021). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arXiv.org. https://arxiv.org/abs/2005.11401
• Li, D., Sun, Z., Hu, X., Liu, Z., Chen, Z., Hu, B., Wu, A. & Zhang, M. (2023). A Survey of Large Language Models Attribution. arXiv.org. https://arxiv.org/abs/2311.03731
• Liu, Z. & Xu, P. (2026, 21. April). Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility. arXiv.org. https://arxiv.org/abs/2604.19113
• Ma, L., Qin, J., Xu, X. & Tan, Y. (2025). When Content is Goliath and Algorithm is David: The Style and Semantic Effects of Generative Search Engine. arXiv.org. https://arxiv.org/abs/2509.14436v1
• Saad-Falcon, J., Barrow, J., Siu, A., Nenkova, A., Yoon, D. S., Rossi, R. A. & Dernoncourt, F. (2023). PDFTriage: Question Answering over Long, Structured Documents. arXiv.org. https://arxiv.org/abs/2309.08872v2
• Sakata, M., Heinzerling, B., Yokoi, S., Ito, T. & Inui, K. (2025). On Entity Identification in Language Models. ACL Anthology, 16717–16741. https://doi.org/10.18653/v1/2025.findings-acl.858
• Tan, J., Dou, Z., Wang, W., Wang, M., Chen, W. & Wen, J. (2025). HtmlRAG: HTML is Better Than Plain Text for Modeling Retrieved Knowledge in RAG Systems. Arxiv, 1733–1746. https://doi.org/10.1145/3696410.3714546
• Vollmers, D., Zahera, H., Moussallem, D. & Ngomo, A. N. (2025). Contextual Augmentation for Entity Linking using Large Language Models. ACL Anthology. https://aclanthology.org/2025.coling-main.570
• Wang, Z., Gao, C., Xiao, C., Huang, Y., Si, S., Luo, K., Bai, Y., Li, W., Duan, T., Lv, C., Lu, G., Chen, G., Qi, F. & Sun, M. (2025). Document Segmentation Matters for Retrieval-Augmented Generation. ACL Anthology, 8063–8075. https://doi.org/10.18653/v1/2025.findings-acl.422
• Wu, Y., Zhong, S., Kim, Y. & Xiong, C. (2025). What Generative Search Engines Like and How to Optimize Web Content Cooperatively. arXiv.org. https://arxiv.org/abs/2510.11438v1
• Xin, A., Qi, Y., Yao, Z., Zhu, F., Zeng, K., Xu, B., Hou, L. & Li, J. (2025). LLMAEL: Large Language Models are Good Context Augmenters for Entity Linking. ACM Digital Library, 3550–3559. https://doi.org/10.1145/3746252.3761156