Script rapido trova discrepanze nel JSON-LD tra versioni linguistiche
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Un controllo automatico confronta i campi che devono essere identici e segnala derive prima che confondano motori di ricerca e assistenti AI.
La pagina in inglese mostra un numero di telefono, la giapponese ne ha uno vecchio, la cinese non include l’indirizzo: uno script segnala la deriva nel JSON-LD prima che confonda i motori di ricerca e gli assistenti AI1.
Un post su dev.to spiega come verificare la coerenza dei dati strutturati tra lingue diverse di uno stesso sito. L’idea è semplice: alcune proprietà devono restare identiche in ogni versione linguistica. Altre, come la descrizione, possono cambiare. Il controllo confronta solo il primo gruppo e ignora il resto1.
I campi che vanno allineati sono espliciti. Nome dell’organizzazione, salvo un nome locale deciso e documentato. url. logo. telephone. email. Tutte le componenti dell’indirizzo. I link sameAs ai profili esterni. Se questi valori divergono tra lingue, il sito comunica fatti diversi sulla stessa entità. I motori di ricerca e gli assistenti AI li leggono come affermazioni in conflitto1.
Il codice di estrazione è breve. La funzione jsonld scarica l’HTML con requests.get usando un timeout di 20 secondi e un header User-Agent impostato su “schema-check”. Una regex isola i blocchi script con type application/ld+json. Ogni blocco passa a json.loads. Il codice gestisce sia un singolo oggetto sia un array di oggetti, e in entrambi i casi restituisce una lista piatta di record JSON-LD. Se il parsing fallisce, stampa “invalid JSON-LD on”, seguito dall’URL, e prosegue con il resto1.
Questo primo passo crea l’elenco degli oggetti da confrontare. Il post chiarisce cosa verificare: confrontare tra le versioni, campo per campo, le proprietà che non devono cambiare. Ignorare i contenuti che per definizione variano con la lingua, come la descrizione. In questo modo, il controllo si concentra sulle parti che devono restare identiche e non segnala differenze attese1.
Gli esempi illustrano il rischio. Un telefono aggiornato su una lingua e obsoleto su un’altra crea ambiguità. Un indirizzo assente in una versione lascia un vuoto. Un link sameAs sbagliato o mancante interrompe la serie di riferimenti tra la pagina e i profili esterni. Queste discrepanze diventano affermazioni diverse sulla stessa organizzazione e generano conflitti tra le versioni1.
Il risultato atteso non è riscrivere il markup. Serve un avviso tempestivo. Il controllo evidenzia dove le versioni divergono nei campi che devono coincidere. Così si intercetta la deriva prima che si estenda ad altre pagine o a nuovi contenuti1.
C’è anche un beneficio collaterale. Se un blocco JSON-LD non è valido, la funzione lo segnala subito con un messaggio, senza interrompere l’analisi degli altri blocchi. L’errore emerge prima ancora del confronto tra lingue, e l’informazione basta per intervenire sul markup1.
La traccia operativa è chiara: estrarre tutti i blocchi JSON-LD, normalizzarli in una lista, e confrontare solo i campi che devono restare identici tra le versioni. Il post indica l’elenco delle proprietà da tenere allineate e l’esempio di codice per l’estrazione. Il resto, come la descrizione, non rientra nel perimetro del controllo e resta libero di variare con la lingua1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,1/10.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.