Τμηματοποίηση Περιεχομένου για Ανάκτηση από LLM: Πώς η Σχεδίαση Ενοτήτων Επηρεάζει την Πιθανότητα Παράθεσης

Τμηματοποίηση Περιεχομένου για Ανάκτηση από LLM: Πώς η Σχεδίαση Ενοτήτων Επηρεάζει την Πιθανότητα Παράθεσης

Από τη Σοφία Μέντεζ, Επικεφαλής Φωνής Επωνυμίας & Αυθεντικότητας
Στιγμιότυπο έρευνας: 23 Οκτωβρίου 2026

Μια σελίδα δεν χρειάζεται να τεμαχιστεί σε μικροσκοπικά κομμάτια για να κερδίσει μια θέση σε μια απάντηση τεχνητής νοημοσύνης. Αλλά οι ιδέες της θα πρέπει να είναι εύκολο να βρεθούν, να κατανοηθούν και να αναφερθούν.

Αυτή είναι η χρήσιμη διάκριση. Ο καλός σχεδιασμός ενοτήτων μπορεί να κάνει το περιεχόμενο σαφέστερο για τους ανθρώπους και τα συστήματα ανάκτησης. Δεν εγγυάται ότι μια μηχανή αναζήτησης τεχνητής νοημοσύνης θα παραθέσει τη σελίδα. Δεν υπάρχει αποδεδειγμένος κανόνας 80–120 λέξεων για την απόκτηση παραπομπών.

Μια σημείωση σχετικά με το ζητούμενο A/B τεστ: Δεν μπόρεσα να πραγματοποιήσω μια ζωντανή δοκιμή για αυτό το άρθρο. Δεν παρασχέθηκαν ιστοσελίδα, δημοσιευμένες παραλλαγές σελίδων, λογαριασμός αναζήτησης ή ερωτήματα δοκιμής. Επομένως, αυτό το άρθρο δεν αναφέρει επινοημένα αποτελέσματα. Εξηγεί τι υποστηρίζει η τρέχουσα έρευνα και παρουσιάζει μια δοκιμή που μπορεί να πραγματοποιήσει ένας ιδιοκτήτης ιστότοπου.

Πρώτον, διαχωρίστε την ανάκτηση από την ευρετηρίαση

Η «αναζήτηση τεχνητής νοημοσύνης» μπορεί να ακούγεται σαν ένα ενιαίο σύστημα, αλλά αρκετά βήματα μεσολαβούν μεταξύ της δημοσίευσης μιας σελίδας και της αναφοράς της:

1. Ανίχνευση (Crawl): Ένα σύστημα αναζήτησης ή bot μπορεί να έχει πρόσβαση στη σελίδα.
2. Ευρετηρίαση (Index): Το σύστημα αποθηκεύει και επεξεργάζεται τη σελίδα.
3. Ανάκτηση (Retrieve): Ένα σύστημα αναζήτησης ή τεχνητής νοημοσύνης βρίσκει τη σελίδα—ή μέρος της—για μια ερώτηση.
4. Παράθεση (Cite): Η απάντηση περιλαμβάνει τη σελίδα ως πηγή.

Ο σχεδιασμός των ενοτήτων μπορεί να βοηθήσει ένα σύστημα να κατανοήσει και να ανακτήσει ένα σχετικό απόσπασμα. Αλλά δεν μπορεί να διορθώσει μια σελίδα που είναι αποκλεισμένη από την ανίχνευση, δεν έχει ευρετηριαστεί ποτέ ή είναι λιγότερο χρήσιμη από άλλες πηγές. Η Google δηλώνει ότι οι σελίδες πρέπει να είναι ευρετηριασμένες και επιλέξιμες να εμφανίζονται με ένα απόσπασμα πριν μπορέσουν να αποτελέσουν υποστηρικτικούς συνδέσμους στις λειτουργίες τεχνητής νοημοσύνης της—και ακόμη και οι επιλέξιμες σελίδες δεν είναι εγγυημένο ότι θα εμφανιστούν. (developers.google.com)

Αυτό έχει σημασία επειδή η ακρίβεια των αποσπασμάτων και η επιλογή παραθέσεων είναι διαφορετικά αποτελέσματα. Ένα σύστημα μπορεί να εξάγει ένα σαφές απόσπασμα από τη σελίδα σας αλλά να παραθέσει μια άλλη πηγή. Ή μπορεί να παραθέσει τη σελίδα σας αντλώντας πληροφορίες από πολλές ενότητες.

Τι λέει η έρευνα για το μήκος των τμημάτων

Η έρευνα σχετικά με τα RAG—συστήματα που ανακτούν κείμενο πριν ζητήσουν από ένα γλωσσικό μοντέλο να απαντήσει—δείχνει ότι το μέγεθος του τμήματος μπορεί να έχει σημασία. Αλλά το καλύτερο μέγεθος εξαρτάται από την εργασία.

Μια μελέτη του 2025 δοκίμασε τμήματα σταθερού μεγέθους σε διάφορα σύνολα δεδομένων απάντησης ερωτήσεων. Τα μικρότερα τμήματα, όπως 64 ή 128 tokens, είχαν καλύτερη απόδοση σε ορισμένες ερωτήσεις με σύντομες, άμεσες απαντήσεις. Τα μεγαλύτερα τμήματα συχνά είχαν καλύτερη απόδοση όταν μια ερώτηση χρειαζόταν περισσότερο πλαίσιο. Η μελέτη μέτρησε tokens σε ένα σύστημα ανάκτησης, όχι ενότητες με βάση τον αριθμό λέξεων σε δημόσιους ιστότοπους. Δεν αποδεικνύει ότι οι ενότητες 80–120 λέξεων βελτιώνουν τις παραθέσεις στην αναζήτηση Google, Bing ή ChatGPT. (arxiv.org)

Μια άλλη μελέτη, που δημοσιεύτηκε στα 2025 Findings of ACL, διαπίστωσε ότι ο τρόπος ομαδοποίησης των ιδεών είχε σημασία—όχι μόνο το μήκος του τμήματος. Οι συγγραφείς της ανέφεραν ότι το μήκος του τμήματος από μόνο του δεν προέβλεπε άμεσα την ανάκτηση ή την ποιότητα της απάντησης. Αυτό υποδεικνύει ένα πρακτικό μάθημα: μια σύντομη ενότητα δεν είναι αυτόματα μια καλή ενότητα. Εξακολουθεί να χρειάζεται να περιέχει μια ολοκληρωμένη ιδέα. (aclanthology.org)

Υπάρχει επίσης ένα όριο σε αυτά που μπορούν να μας πουν αυτές οι μελέτες. Δοκιμάζουν ερευνητικά συστήματα με γνωστά μοντέλα, σύνολα δεδομένων και ρυθμίσεις ανάκτησης. Τα δημόσια προϊόντα αναζήτησης τεχνητής νοημοσύνης χρησιμοποιούν τα δικά τους συστήματα και οι πλήρεις κανόνες επιλογής τους δεν είναι δημόσιοι.

Τι μπορούν—και τι δεν μπορούν—να κάνουν οι επικεφαλίδες και οι άγκυρες

Οι επικεφαλίδες κάνουν τη σελίδα πιο εύκολη στην παρακολούθηση

Οι σαφείς επικεφαλίδες H2 και H3 λένε στους αναγνώστες τι καλύπτει κάθε ενότητα. Μπορούν επίσης να βοηθήσουν τα συστήματα να κατανοήσουν πώς σχετίζονται οι ιδέες. Η Google δηλώνει ότι η κατάταξη αποσπασμάτων μπορεί να αναγνωρίσει μέρη μιας σελίδας που είναι σχετικά με ένα ερώτημα. Οι οδηγίες webmaster της Microsoft επίσης συνιστούν σαφή δομή περιεχομένου και λογικά επίπεδα επικεφαλίδων για περιεχόμενο που μπορεί να υποστηρίξει απαντήσεις και παραθέσεις τεχνητής νοημοσύνης. Καμία πηγή δεν δίνει μορφή επικεφαλίδας που να εγγυάται την επιλογή. (developers.google.com)

Μια χρήσιμη επικεφαλίδα ονομάζει το σημείο που κάνει η ενότητα. Το «Όταν μια σύντομη ενότητα λειτουργεί» είναι πιο κατατοπιστικό από το «Περισσότερες λεπτομέρειες». Αλλά οι επικεφαλίδες θα πρέπει να περιγράφουν το περιεχόμενο, όχι να επαναλαμβάνουν φράσεις αναζήτησης για χάρη της επανάληψης.

Οι ονομαστικές άγκυρες είναι χρήσιμοι σύνδεσμοι, όχι ξεχωριστές σελίδες

Ένα αναγνωριστικό όπως το id="short-sections" επιτρέπει σε έναν σύνδεσμο να μεταπηδήσει σε μια συγκεκριμένη επικεφαλίδα στη σελίδα. Αυτό βοηθά τους αναγνώστες να μοιραστούν ή να επανεξετάσουν μια ενότητα. Δεν είναι όχι μια ξεχωριστή, ευρετηριαζόμενη σελίδα για αυτήν την ενότητα. Η Google δηλώνει ότι γενικά αγνοεί τα τμήματα URL για ανίχνευση και ευρετηρίαση ως διακριτό περιεχόμενο, ενώ υποστηρίζει τμήματα που χρησιμοποιούνται για να δείχνουν περιεχόμενο εντός μιας σελίδας. (developers.google.com)

Επομένως, χρησιμοποιήστε ονομαστικές άγκυρες για σταθερή πλοήγηση. Μην περιμένετε ότι ένας σύνδεσμος #section-name, από μόνος του, θα αυξήσει την πιθανότητα παράθεσης ή θα επιταχύνει την ευρετηρίαση.

Η σαφής γραφή υπερτερεί της έξυπνης σήμανσης

Η τρέχουσα καθοδήγηση της Google είναι σαφής: δεν υπάρχει απαίτηση να τεμαχιστεί το περιεχόμενο σε μικροσκοπικά κομμάτια για την τεχνητή νοημοσύνη, και δεν υπάρχει ιδανικό μήκος σελίδας. Οργανώστε τη σελίδα για τους αναγνώστες της και το θέμα της. Η Google δηλώνει επίσης ότι οι λειτουργίες τεχνητής νοημοσύνης της βασίζονται σε βασικά συστήματα αναζήτησης, όχι σε ειδική μορφή τμηματοποίησης. (developers.google.com)

Αυτός είναι ένας καλύτερος κανόνας από το να τηρούμε τυφλά έναν αριθμό λέξεων.

Η ιδέα των 80–120 λέξεων: μια χρήσιμη προεπιλογή, όχι κανόνας κατάταξης

Μια ενότητα 80–120 λέξεων μπορεί να λειτουργήσει καλά όταν απαντά σε μία ερώτηση με ολοκληρωμένο τρόπο. Για παράδειγμα, μπορεί να δηλώσει μια σύσταση, να εξηγήσει γιατί λειτουργεί και να δώσει μία προειδοποίηση.

Αλλά το να αναγκάζετε κάθε ενότητα να είναι μέσα σε αυτό το εύρος μπορεί να κάνει ένα άρθρο αποσπασματικό. Ορισμένες ιδέες χρειάζονται μια σύντομη απάντηση. Άλλες χρειάζονται ένα αναλυτικό παράδειγμα, αποδεικτικά στοιχεία ή μια προειδοποίηση που αλλάζει τη σύσταση.

Αντιμετωπίστε τις 80–120 λέξεις ως ένα συντακτικό σημείο εκκίνησης—όχι ως ένα όριο SEO. Κρατήστε μια ενότητα σύντομη όταν κάνει ένα ολοκληρωμένο σημείο. Αφήστε την να είναι μεγαλύτερη όταν η περικοπή της θα αφαιρούσε το απαραίτητο πλαίσιο.

Πώς να εκτελέσετε μια αξιόπιστη δοκιμή A/B

Για να δοκιμάσετε την επίδραση στη δημόσια αναζήτηση τεχνητής νοημοσύνης, χρειάζεστε έναν ζωντανό ιστότοπο, πρόσβαση σε εργαλεία ευρετηρίασης και ένα σταθερό σύνολο ερωτήσεων. Μια μικρή δοκιμή σε δύο σελίδες μπορεί να είναι ενδιαφέρουσα, αλλά δεν μπορεί να διαχωρίσει τις επιπτώσεις της διάταξης από τις διαφορές στο θέμα, την αυθεντία ή τον χρόνο ανίχνευσης.

Συγκρίνετε δύο εκδόσεις της αρχιτεκτονικής

Για μια πρώτη δοκιμή, συγκρίνετε αυτά τα δύο μοτίβα σελίδων:

Το εύρος 300–500 λέξεων είναι ένα προτεινόμενο στοιχείο ελέγχου δοκιμής, όχι ένα καθιερωμένο πρότυπο. Διατηρήστε τα βασικά στοιχεία, τα αποδεικτικά στοιχεία, τα παραδείγματα, το πρότυπο σελίδας, τα μεταδεδομένα και την υποστήριξη εσωτερικών συνδέσμων όσο το δυνατόν πιο παρόμοια.

Αυτή η πρώτη δοκιμή μετρά ένα πακέτο επιλογών σχεδιασμού. Εάν η Παραλλαγή Α έχει περισσότερες διακοπές ενοτήτων και περισσότερες επικεφαλίδες H3, δεν μπορείτε να πείτε αν οποιαδήποτε διαφορά προήλθε από τον αριθμό λέξεων, τις επικεφαλίδες ή τον συνδυασμό τους. Για να απομονώσετε αυτούς τους παράγοντες, εκτελέστε μια δεύτερη δοκιμή που αλλάζει έναν κάθε φορά—για παράδειγμα, διατηρήστε σταθερή τη σήμανση επικεφαλίδων και αγκυρών ενώ αλλάζετε τις διακοπές παραγράφων.

Χρησιμοποιήστε δύο είδη δοκιμών

1. Μια ελεγχόμενη δοκιμή ανάκτησης

Τοποθετήστε το ίδιο κείμενο πηγής σε δύο εκδόσεις του δικού σας συστήματος ανάκτησης, ή σε ένα σύστημα δοκιμής που ελέγχετε. Διατηρήστε το μοντέλο, τις ρυθμίσεις αναζήτησης και το σύνολο ερωτήσεων σταθερά. Αλλάξτε μόνο τον τρόπο με τον οποίο χωρίζεται το κείμενο.

Αυτό μπορεί να δοκιμάσει αν μια διάταξη οδηγεί σε καλύτερη ανάκτηση ή πιο ακριβείς απαντήσεις μέσα σε αυτό το σύστημα. Δεν σας λέει τι θα κάνει ένα δημόσιο προϊόν αναζήτησης τεχνητής νοημοσύνης.

2. Μια ζωντανή δοκιμή στον ιστό

Οι δημόσιες μηχανές αναζήτησης χρειάζονται ζωντανές σελίδες, οπότε χρησιμοποιήστε αντιστοιχισμένες, πρωτότυπες σελίδες αντί να δημοσιεύετε πανομοιότυπα αντίγραφα. Συνδυάστε σελίδες με παρόμοιο κοινό, δυσκολία θέματος, ηλικία και υπάρχουσα υποστήριξη ιστότοπου. Αναθέστε τυχαία μία σελίδα σε κάθε ζεύγος στην Παραλλαγή Α και την άλλη στην Παραλλαγή Β.

Διατηρήστε τη διαδικασία δημοσίευσης δίκαιη: χρησιμοποιήστε συγκρίσιμα πρότυπα σελίδων, μεταδεδομένα, εσωτερικούς συνδέσμους και χρονισμό χάρτη ιστότοπου. Μην προωθείτε μία παραλλαγή πιο έντονα. Εάν ο ιστότοπος έχει μόνο λίγες κατάλληλες σελίδες, αντιμετωπίστε το αποτέλεσμα ως ένα μικρό πιλοτικό, όχι ως απόδειξη.

Μετρήστε τα αποτελέσματα ξεχωριστά

• Ακρίβεια εξαγωγής αποσπάσματος: Προετοιμάστε ερωτήσεις με γνωστές απαντήσεις. Ζητήστε από αξιολογητές να ελέγξουν αν κάθε απόσπασμα ή απάντηση που παράγεται από την τεχνητή νοημοσύνη συλλαμβάνει το σωστό γεγονός χωρίς να αλλάζει το νόημά του.
• Ποσοστό επιλογής παραθέσεων: Για κάθε σταθερή ερώτηση, καταγράψτε αν η σελίδα-στόχος εμφανίζεται ως παραπομπή. Καταγράψτε επίσης αν η παρατεθειμένη σελίδα υποστηρίζει πραγματικά τον ισχυρισμό.
• Χρόνος ευρετηρίασης: Καταγράψτε πότε δημοσιεύεται κάθε σελίδα, πότε ανιχνεύεται για πρώτη φορά και πότε επιβεβαιώνεται η ευρετηρίασή της για πρώτη φορά. Ελέγξτε τακτικά την κατάσταση και αναφέρετε τον μέσο χρόνο, καθώς και το ποσοστό που δεν έχει ακόμη ευρετηριαστεί στο τέλος.

Ο χρόνος ευρετηρίασης χρειάζεται προσεκτικό χειρισμό. Η Google συνιστά ανιχνεύσιμους συνδέσμους και sitemaps για να βοηθήσει στην ανακάλυψη, αλλά δηλώνει ότι η ανίχνευση και η ευρετηρίαση δεν είναι εγγυημένες. Οι οδηγίες της σημειώνουν επίσης ότι οι ενημερώσεις επανανίχνευσης μπορεί να χρειαστούν χρόνο. Αναφέρετε τις σελίδες που δεν έχουν ευρετηριαστεί μέχρι το τέλος ως δεν έχουν ευρετηριαστεί ακόμη, αντί να τις αφαιρέσετε σιωπηλά από τα αποτελέσματα. (developers.google.com)

Χρησιμοποιήστε μια σταθερή λίστα ερωτημάτων και επαναλάβετε τις ίδιες ερωτήσεις στα ίδια προϊόντα αναζήτησης τεχνητής νοημοσύνης. Τα αποτελέσματα μπορεί να αλλάξουν, οπότε κρατήστε την ημερομηνία, την πλατφόρμα, την ερώτηση, την απάντηση και τις παρατεθειμένες διευθύνσεις URL σε ένα αρχείο καταγραφής. Η αναφορά AI Performance του Bing Webmaster Tools μπορεί να δείξει ποιες σελίδες του ιστότοπου παρατίθενται και πώς αλλάζει η δραστηριότητα των παραθέσεων. Η Bing προειδοποιεί ότι οι αλλαγές σε αυτά τα σύνολα δεν δείχνουν ότι μια επεξεργασία σελίδας προκάλεσε την αλλαγή. (bing.com)

Οι υποθέσεις μου—όχι αποτελέσματα δοκιμών

Πριν εκτελέσω τη δοκιμή, θα περίμενα:

• Η ακρίβεια των αποσπασμάτων μπορεί να βελτιωθεί όταν μια ενότητα απαντά σε μια πιθανή ερώτηση χωρίς να χάνει το απαραίτητο πλαίσιο. Οι μελέτες RAG υποστηρίζουν τη δοκιμή αυτής της ιδέας, αλλά δεν τεκμηριώνουν την επίδρασή της στη δημόσια αναζήτηση τεχνητής νοημοσύνης.
• Η επιλογή παραθέσεων μπορεί να αλλάξει ελάχιστα—ή καθόλου. Μια σαφέστερη ενότητα μπορεί να βοηθήσει στην κατανόηση, αλλά η απόφαση για παραπομπή εξαρτάται επίσης από το ερώτημα, τις ανταγωνιστικές πηγές, και το αν η σελίδα είναι προσβάσιμη και σχετική. Η Google περιγράφει τις απαντήσεις τεχνητής νοημοσύνης ως αντλούμενες από την ανάκτηση αναζήτησης και σχετικά ερωτήματα, όχι από έναν σταθερό κανόνα μήκους ενότητας. (developers.google.com)
• Ο χρόνος ευρετηρίασης μπορεί να μην βελτιωθεί απλώς και μόνο επειδή οι ενότητες είναι μικρότερες. Τα σήματα ανακάλυψης και η πρόσβαση ανίχνευσης είναι πιο άμεσα πράγματα για έλεγχο. Αυτή είναι μια λογική προσδοκία, όχι ένα μετρημένο αποτέλεσμα.

Ένα πρακτικό πρότυπο αρχιτεκτονικής περιεχομένου

Για τις περισσότερες σελίδες ιδρυτών και προϊόντων, συνιστώ αυτό ως οδηγό στυλ, όχι ως υπόσχεση για περισσότερες παραθέσεις:

1. Μία σελίδα, μία κύρια ανάγκη αναγνώστη. Δηλώστε τι βοηθάει η σελίδα τον αναγνώστη να κάνει.
2. Μία σαφής H1. Κάντε το κύριο θέμα προφανές.
3. Χρησιμοποιήστε περιγραφικές H2 και H3. Κάντε τη σελίδα εύκολη για σάρωση, με επικεφαλίδες σε λογική σειρά.
4. Στοχεύστε σε μία ολοκληρωμένη απάντηση ανά ενότητα. Χρησιμοποιήστε 80–120 λέξεις όταν ταιριάζει αυτό το μήκος. Επιμηκύνετε όταν η ιδέα χρειάζεται απόδειξη, πλαίσιο ή παράδειγμα.
5. Γράψτε έτσι ώστε κάθε ενότητα να μπορεί να σταθεί μόνη της. Ονομάστε το προϊόν, το πρόσωπο ή την ιδέα αντί να βασίζεστε σε αόριστες λέξεις όπως «αυτό» ή «αυτή».
6. Προσθέστε σταθερά, περιγραφικά αναγνωριστικά σε σημαντικές επικεφαλίδες. Χρησιμοποιήστε συνηθισμένους συνδέσμους όπως href="#short-sections" για πλοήγηση στη σελίδα—όχι ως ισχυρισμό ότι κάθε τμήμα είναι μια νέα σελίδα.
7. Διατηρήστε το σημαντικό κείμενο προσβάσιμο. Ελέγξτε ότι οι ανιχνευτές μπορούν να φτάσουν στη σελίδα και ότι το κύριο περιεχόμενό της είναι διαθέσιμο ως κείμενο. Για την Αναζήτηση ChatGPT, η OpenAI αναγνωρίζει το OAI-SearchBot ως τον ανιχνευτή αναζήτησης και εξηγεί ότι οι ιδιοκτήτες ιστότοπων μπορούν να διαχειριστούν την πρόσβασή του μέσω του robots.txt. (developers.openai.com)
8. Τοποθετήστε τα αποδεικτικά στοιχεία δίπλα στον ισχυρισμό που υποστηρίζουν. Ένας σύντομος ισχυρισμός με μια κοντινή πηγή είναι ευκολότερο να ελεγχθεί από έναν ισχυρισμό που εξαρτάται από πλαίσιο πολλές ενότητες μακριά.
9. Διατηρήστε την άποψη του ιδιοκτήτη. Μια καθαρή διάταξη δεν θα κάνει το γενικό περιεχόμενο άξιο αναφοράς—ή άξιο ανάγνωσης.

Αυτό το τελευταίο σημείο είναι εύκολο να παραβλεφθεί. Ο αυτοματισμός θα πρέπει να εξοικονομεί χρόνο στον ιδρυτή, όχι να διαγράφει τον λόγο που το περιεχόμενό του είναι διαφορετικό. Μια χρήσιμη ροή εργασίας περιεχομένου μπορεί να επαναχρησιμοποιήσει μια σαφή ενημέρωση: Δημιουργός, Κοινό, και Γούστο. Το AutoPod χρησιμοποιεί αυτές τις εισόδους για να καθοδηγήσει τα άρθρα, διατηρώντας παράλληλα την άποψη του ιδιοκτήτη στη διαδικασία. Το σύστημα μπορεί να οργανώσει τη σελίδα· η διορατικότητα εξακολουθεί να πρέπει να προέρχεται από τους ανθρώπους που γνωρίζουν το προϊόν και τον πελάτη.

Συμπέρασμα: σχεδιάστε για σαφήνεια, μετά δοκιμάστε

Οι σύντομες ενότητες, οι σαφείς επικεφαλίδες και οι ονομαστικές άγκυρες αποτελούν καλό σχεδιασμό σελίδας. Δεν είναι μια αποδεδειγμένη μέθοδος για παραθέσεις. Μια ενότητα 80–120 λέξεων είναι ένα λογικό σημείο εκκίνησης όταν εκφράζει μια ολοκληρωμένη ιδέα, αλλά οι μεγαλύτερες ενότητες μπορεί να είναι σωστές όταν ο αναγνώστης χρειάζεται περισσότερο πλαίσιο.

Δημιουργήστε σελίδες που οι άνθρωποι μπορούν να σαρώσουν και να εμπιστευτούν. Βεβαιωθείτε ότι τα συστήματα αναζήτησης μπορούν να έχουν πρόσβαση σε αυτές. Στη συνέχεια, δοκιμάστε αν μια αρθρωτή διάταξη βελτιώνει την εξαγωγή ή την παράθεση στις δικές σας σελίδες. Μέχρι να πραγματοποιηθεί αυτή η δοκιμή, η ειλικρινής απάντηση είναι απλή: **η καλή τμηματοποίηση αξίζει να δοκιμαστεί, αλλά ο κανόνας των 100 λέξεων δεν είναι γεγονός.