Trabalhos de Alexandre Caramaschi sobre GEO (Generative Engine Optimization), com registros, versões e limites de interpretação.
Esta página reúne o estudo Algorithmic Authority, o preprint corrigido BRGEO-1 e registros relacionados no Zenodo. Os links levam às páginas dos repositórios, onde estão os arquivos e as informações de cada versão.
Os identificadores DOI permitem localizar as publicações. O perfil ORCID de Alexandre Caramaschi reúne sua identificação como autor.
Artigo de pesquisa · SSRN
Algorithmic Authority: A Practitioner Framework for Generative Engine Optimization Based on a 7-Day Implementation Sprint
O estudo apresenta um modelo de trabalho em GEO (Generative Engine Optimization) a partir de uma implementação de sete dias. Discute consistência de identidade, dados estruturados e a diferença entre realizar melhorias técnicas e obter citações em respostas de IA. Os resultados se referem ao caso estudado.
DOI: 10.2139/ssrn.6460680Repositório: SSRNPublicado no repositório: 20 abr. 2026Idioma: Inglês
@article{caramaschi2026algorithmic,
author = {Caramaschi, Alexandre},
title = {Algorithmic Authority: A Practitioner Framework for Generative
Engine Optimization Based on a 7-Day Implementation Sprint},
journal = {SSRN Electronic Journal},
year = {2026},
month = apr,
doi = {10.2139/ssrn.6460680},
url = {https://ssrn.com/abstract=6460680}
}
Formatos de citação
APA 7ª edição
Caramaschi, A. (2026). Algorithmic Authority: A Practitioner Framework for Generative Engine Optimization Based on a 7-Day Implementation Sprint. SSRN. https://doi.org/10.2139/ssrn.6460680
ABNT NBR 6023
CARAMASCHI, Alexandre. Algorithmic Authority: a practitioner framework for Generative Engine Optimization based on a 7-day implementation sprint. SSRN, 20 abr. 2026. DOI: 10.2139/ssrn.6460680.
MLA 9
Caramaschi, Alexandre. “Algorithmic Authority: A Practitioner Framework for Generative Engine Optimization Based on a 7-Day Implementation Sprint.” SSRN, 20 abr. 2026, doi.org/10.2139/ssrn.6460680.
Preprint corrigido · Zenodo
BRGEO-1: A longitudinal audit of entity-mention measurement in generative engines
Auditoria da medição de menções a entidades em respostas de APIs de modelos de linguagem. O inventário reúne 91.392 respostas persistidas em 56 datas; a comparação pareada de 7.436 respostas do Perplexity mostra como o recorte do texto altera a detecção. Preprint corrigido de 11/09/2026, sem revisão por pares. Não demonstra efeito causal de GEO.
DOI: 10.5281/zenodo.22711743Versão: 11 set 2026Licença: CC BY 4.0
Abra o DOI e confirme título, autoria e tipo de material. Um registro de software tem finalidade diferente de um artigo.
Identifique a versão efetivamente lida e sua data. Quando houver correção, descreva a versão usada na análise.
Leia método, unidade de observação, período, população e critérios de exclusão antes de repetir um número.
Verifique se o documento declara revisão por pares. Publicação em repositório e emissão de DOI não bastam para afirmar esse status.
Registre a referência completa e o endereço estável. Para comparar resultados, confira se os documentos usam o mesmo recorte.
O registro Crossref de Algorithmic Authority informa criação do DOI em 20 de abril de 2026 e ano de publicação 2026. Criação do registro, envio do manuscrito e revisão são eventos diferentes. O registro DataCite do preprint BRGEO-1 informa emissão em 11 de setembro de 2026. Consulte os metadados Crossref e metadados DataCite quando precisar dessa distinção.
O inventário de 91.392 respostas do preprint e o recorte de 92.064 respostas do painel encerrado em setembro têm funções e populações distintas. Preserve o denominador de cada fonte. A leitura crítica da pesquisa empírica explica por que esses totais não devem ser intercambiados.
Para organizar perguntas e amostras em um projeto aplicado, use o curso GEO Intent Mapping. A cronologia documentada separa os marcos de produtos das publicações do campo.