CharlieWei5183/academic-english-editing

Englische Lektoratsstation (academic-english-editing)

Dieses Plugin enthält eine integrierte Lektoratsstation für englische akademische Texte (ab Version 0.8.0). Sie wird nach der Übersetzung ins Englische durch translate-en und vor der manuellen englischen Überprüfung eingesetzt: Sie entfernt KI-generierte englische Spuren, gleicht akademische Konventionen an und passt sich dem Tonfall des Autors und der Zeitschrift an, während die ohnehin korrekte Präzision und evidenzgebundene Sprache der akademischen Schreibweise erhalten bleibt. In technischer Schreibweise ist „neutral und präzise“ die menschliche Stimme – fügen Sie keine Meinungen, keinen Humor und keine Ich-Perspektive ein.

Haftungsvereinbarung [Quelle: academic-pipeline Lektoratsstationsvertrag]

• Dies ist eine optionale Station: Sie kann übersprungen werden, ersetzt aber nicht die manuelle englische Überprüfung.
• Nur die sprachliche Darstellung darf geändert werden; Zahlen, <!-- results.* -->/<!-- table:* -->/<!-- claims:* -->-Marker, [@citekey], Claim-Stärke, Validierungsgrenzen sowie methodische oder limitierende Aussagen dürfen nicht verändert werden.
• Das Lektorat erstellt eine neue englische Version manuscript/en/vN.md (bei SI wird eine neue Version synchronisiert).
• Nach dem Lektorat werden check_markers.py, der Fact-Checker (sprachübergreifender Rückvergleich mit 2–3 Sätzen pro Abschnitt) und der reviewer-language ausgeführt; danach sind weiterhin manuelle englische Überprüfung und ein vollständiger check-consistency(en) erforderlich.
• Jegliche Änderungen, die sich auf die Claim-Stärke, Zahleninterpretation, Methodik oder Einschränkungen beziehen, werden an das vorgelagerte Quell-Artefakt (claim-audit/interpret-results/validation) zurückgegeben und nicht in dieser Station entschieden.

Warum keine Claim-Evidence-Umschreibung (ursprüngliche academic-humanizer Layer 4)

Layer 4 des academic-humanizers (Abschwächung von Verben auf die Beweisstärke, Einfügen von Indikatoren oder Abschwächungen für unbelegte Behauptungen) würde die Claim-Stärke ändern und damit den obigen Vertrag „nur Darstellung ändern“ verletzen. Zudem sind die Claims zu dem Zeitpunkt, wenn diese Station erreicht wird, bereits durch claim-audit geprüft und manuell bestätigt. Daher wird Layer 4 in dieser Station nicht durchgeführt: Bei übermäßigen Behauptungen wird nur markiert und an claim-audit/interpret-results zurückgemeldet, ohne den Text selbst zu ändern. Der Geist von Layer 4 wird in der Pipeline bereits durch claim-audits Entailment/Stärke-Angriff und check_numbers.py umgesetzt.

Wann verwenden

Bearbeiten von englischer akademischer Prosa: Abschnitte von Artikeln, Abstracts, Rebuttals, Related Work. Nicht verwenden für Blogs, Marketing, persönliche Essays; auch kein Werkzeug, um die Nutzung von KI zu verschleiern. Für Forschungs-/Förderanträge (NSF, NIH usw.) den separaten Skill grant-proposal-editing verwenden (Anträge haben ein anderes Register: Sie verkaufen Vision und Machbarkeit, die straffe Sprache von Artikeln ist ungeeignet).

Kernprinzip [Quelle: academic-humanizer v0.3.3 · Core principle]

Akademisches Schreiben hat bereits die richtige menschliche Stimme: neutral, präzise, dritte Person Plural („we“), jede Behauptung an Beweise gebunden. Die Aufgabe dieser Station ist es, (1) KI-Tells zu entfernen, ohne umgangssprachlich zu werden; (2) Disziplinen beizubehalten, die allgemeine Humanizer übersehen würden – jede Zahl, jedes Ergebnis und jede Referenz beizubehalten, kein Verb stärker zu machen als seinen Beweis (aber Änderungen nur auf der Darstellungsebene; die Entscheidung über die Beweisstärke liegt bei claim-audit).

Ablauf [Quelle: academic-humanizer v0.3.3 · Process, angepasst an die Haftungsvereinbarung]

1. Read: Lesen des englischen Manuskripts und (falls vorhanden) von Beispielartikeln des Autors; Notieren des Registers der Zielzeitschrift.
2. Audit (noch nicht ändern): Auflisten der erkannten Muster (Position + Änderungsvorschlag). Muster, die die Claim-Stärke oder Zahleninterpretation betreffen, mit „→ zurück an claim-audit“ markieren und nicht in die Änderungsliste dieser Station aufnehmen.
3. Rewrite: Struktur und Inhalt bleiben unverändert; alle Zahlen, Marker, Citekeys und Claim-Markierungen bleiben erhalten; KI-Tells entfernen; legitimes Hedging beibehalten.
4. Report: Ausgabe des lektorierten Textes plus kurzen Änderungsbericht (Typ der entfernten Muster, Anmerkungen zu Tonfall/Register) und Bestätigung, dass keine Zahlen, Gleichungen oder Referenzen geändert wurden. Der Ausgabeumfang entspricht dem des Originals: Wenn der Originaltext fünf Abschnitte hatte, hat der umgeschriebene Text ebenfalls fünf Abschnitte.

---

Der folgende Inhalt von Layer 1/2/3/5 stammt aus academic-humanizer v0.3.3, wobei jede Schicht mit ihrer Quelle gekennzeichnet ist; lediglich Querverweise auf das Vorschlagsmodus (ursprüngliche Layer 6) wurden entfernt.

Layer 1: Allgemeine KI-Tell-Liste [Quelle: academic-humanizer v0.3.3 · Layer 1]

Scannen und Korrigieren dieser allgemeinen Muster, jedoch unter Berücksichtigung der akademischen Ausnahmen in Layer 3: Aufgeblasene Bedeutsamkeit („marking a pivotal moment“); oberflächliche „-ing“-Schwänze, die Tiefe vortäuschen („..., highlighting...“); werbende/bildhafte Sprache („rich“, „vibrant“, „groundbreaking“); vage Zuschreibungen („experts argue“ ohne Quellenangabe); KI-Vokabular (delve, underscore, intricate, tapestry, testament, landscape (abstract), pivotal, showcase, foster, leverage (füllend), realm, seamless); Vermeidung der Kopula („serves as“ → „is“); negative Parallelismen („not just X, but Y“); Dreierregel-Auffüllungen; elegante Variation (Synonyme für einen Bezugspunkt durchwechseln); Füllphrasen („it is worth noting that“, „in order to“); überlange, klauselgestapelte Sätze (aufteilen; siehe 2.11); sowie Gedankenstriche (vollständig entfernen; durch Kommas, Doppelpunkte, Klammern oder Satzaufteilung ersetzen).

Vorher: Additionally, an enduring testament to the method's value is its ability to delve into intricate dependencies, showcasing a seamless integration that underscores its pivotal role. Nachher: The method also captures higher-order dependencies, which the baselines miss (Table 2).

Layer 2: Akademische KI-Tells [Quelle: academic-humanizer v0.3.3 · Layer 2]

2.1 Übermäßige Behauptungsverben

Empirische Arbeiten shows/ provides evidence, nicht prove/ demonstrate universelle Wahrheiten. Achtung: demonstrate, prove, establish, confirm, guarantee; „significantly“ ohne Test/Zahlen. Vorher: We prove that our method significantly outperforms all prior approaches. Nachher: Our method improves held-out accuracy by 4--7 points over the strongest prior approach (Table 3); the gain is significant at p < 0.01 by a paired test. (Hinweis: Diese Station passt den Tonfall nur auf der „Darstellungsebene“ an; wenn die tatsächliche Beweislage das Verb nicht stützt, handelt es sich um ein Claim-Stärke-Problem, das an claim-audit zurückgemeldet wird, ohne dass diese Station den Text umschreibt.)

2.2 Bedeutsamkeits-Hype

Achtung: paves the way for, a crucial/pivotal step toward, has the potential to revolutionize, opens new avenues, sheds light on, of paramount importance, bridges the gap. Vorher: This work paves the way for a new paradigm and sheds light on a problem of paramount importance. Nachher: This work addresses one failure mode of prior methods: error accumulation under long-horizon rollout (Section 4).

2.3 Leere Verstärker

Achtung: extensive/comprehensive/thorough experiments, a wide range of, numerous, various. Vorher: We conduct extensive experiments on a wide range of datasets. Nachher: We evaluate on three datasets (ImageNet, CIFAR-100, and COCO).

2.4 Neuheits-Auffüllung

Achtung: „novel“ mehr als einmal pro Abschnitt; „to the best of our knowledge“; „for the first time“. Vorher: We propose a novel framework and, to the best of our knowledge, are the first to study this. Nachher: We study online calibration under delayed labels, which prior calibration work (offline) does not address.

2.5 Formelhafte Einleitungen

Achtung: „In recent years, X has attracted increasing attention“; „With the rapid development of...“; „Despite recent advances,...“. Vorher: In recent years, tabular deep learning has attracted increasing attention. Nachher: Tabular deep learning has a structural limitation: most models discard feature-type metadata and must relearn it from data.

2.6 Übermäßige Verwendung von Konnektoren

Vermeiden Sie, dass aufeinanderfolgende Sätze alle mit Moreover/Furthermore/Additionally/In particular beginnen; lassen Sie die Logik selbst sprechen. Vorher: Moreover, the method is fast. Furthermore, it is simple. Additionally, it scales. Nachher: The method is fast and simple, and it scales to one million rows (Section 5).

2.7 Klischees in Beitragslisten

Jeder Beitragspunkt sollte konkrete Ergebnisse nennen, nicht die Zusammenfassung wiederholen. Vorher: Our contributions are: (1) a novel method; (2) extensive experiments; (3) strong results. Nachher: We (1) introduce a metadata-aware encoder that reaches 0.91 AUROC vs 0.86 for the strongest baseline; (2) show it stays within 2 points under 20% label noise where the baseline drops 9; (3) release the benchmark.

2.8 Zitationsdumping

Führen Sie eine oder zwei wirklich relevante Arbeiten an und erklären Sie, warum, anstatt eine Klammer mit vielen Zahlen zu setzen. Vorher: Many methods exist [3, 7, 9, 12, 15]. Nachher: The closest prior method is TabNet [7], which encodes all features jointly; we instead condition on feature-type metadata.

2.9 Hedging durch Unbestimmtheit

Achtung: somewhat, relatively, fairly, to some extent, quite. Quantifizieren oder streichen. Vorher: Performance is somewhat better and relatively robust. Nachher: Accuracy is 3 points higher and varies by less than 1 point across five seeds.

2.10 Standard-Betonungen

Achtung: „It is worth noting that“, „It should be emphasized that“, „Notably,“, „Importantly,“. Wenn es wirklich wichtig ist, wird der Satz selbst sprechen. Vorher: It is worth noting that, importantly, the gain holds across scenarios. Nachher: The gain holds across all three scenarios (Table 4).

2.11 Überlange, klauselgestapelte Sätze

KI bevorzugt lange Sätze, die mit „which“/„that“/„while“/„with“ drei oder vier Nebensätze aneinanderreihen. Teilen Sie sie auf: ein Satz, ein Gedanke; streichen Sie Nebensätze, die keine Last tragen. Achtung: Sätze mit mehr als etwa 30 Wörtern oder 3+ Nebensätzen. Vorher: Existing methods, though promising, are largely empirical, with unclear principles underpinning their behavior, which limits their reliability and further progress. Nachher: Existing methods stay empirical. Their principles are unclear, which limits reliability and progress.

Layer 3: Beibehalten, nicht überkorrigieren [Quelle: academic-humanizer v0.3.3 · Layer 3]

Allgemeine Humanizer würden legitime akademische Konstruktionen glattbügeln; diese sollten beibehalten werden:

• Evidenzgebundenes Hedging ist richtig und notwendig. Wenn eine Behauptung tatsächlich unsicher ist, behalten Sie „suggests“, „is consistent with“, „we hypothesize that“, „may indicate“, „appears to“ bei. Falsche Korrektur: „the results suggest X“ in „the results prove X“ ändern – das würde eine übermäßige Behauptung erzeugen. Behalten Sie kalibrierte Verben bei.
• Passiv ist in Ordnung, wenn der Handelnde irrelevant ist: “Samples were normalized to total protein.”
• Die erste Person Plural „we“ ist Standard; schreiben Sie nicht um, um sie zu vermeiden.
• Semikolons und gelegentliche Dreierlisten sind in Maßen in Ordnung. Gedankenstriche sind eine Ausnahme: vollständig entfernen (Layer 1) und durch Kommas, Doppelpunkte, Klammern oder Satzaufteilung ersetzen.
• Formale Definitionen, benannte Methoden/Metriken, Begriffe, Gleichungen und Symbole bleiben unverändert erhalten.
• Erfinden, löschen oder ändern Sie niemals Zahlen, Gleichungen oder Referenzen; behalten Sie jeden Citekey bei. (Diese Station wird durch die Pipeline-Skripte check_markers.py/check_numbers.py/check_citations.py und den vollständigen check-consistency(en) maschinell überwacht.)

Layer 5: Tonfall und Zeitschriftenregister anpassen [Quelle: academic-humanizer v0.3.3 · Layer 5]

Wenn der Autor bestehende Artikel bereitstellt, lesen Sie zuerst diese Beispiele und notieren Sie sich Satzrhythmus, Konnektoren-Gewohnheiten, Ausmaß und Position des Hedging, Abschnittsanfänge, Notationen und Lieblingswendungen, um sie dann anzugleichen. Passen Sie sich auch dem Register der Zeitschrift an (z. B. ICLR/NeurIPS: prägnant, direkt, ergebnisorientiert; Nature/PNAS: eher erklärend). Ohne Beispiele verwenden Sie standardmäßig klare, präzise, dem Zeitschriftenregister entsprechende Prosa – vermeiden Sie die umgangssprachliche, meinungsstarke Stimme allgemeiner Humanizer.

---

Quellen- und Ableitungshinweise (Provenance)

• Layer 1/2/3/5, Kernprinzip, Ablauf, Wann verwenden: Stammen aus dem Benutzer-Skill academic-humanizer v0.3.3 (MIT), abschnittsweise mit [Quelle: academic-humanizer v0.3.3 · …] gekennzeichnet; Text weitgehend wörtlich übernommen, lediglich Querverweise auf den Vorschlagsmodus entfernt und in 2.1/Layer 3 der Haftungshinweis ergänzt, dass Änderungen nur auf der Darstellungsebene erfolgen und die Beweisstärke an claim-audit zurückgegeben wird.
• „Haftungsvereinbarung“ und „Warum keine Claim-Evidence-Umschreibung“: Neu für die academic-pipeline hinzugefügt [Quelle: academic-pipeline Lektoratsstationsvertrag], abgestimmt auf die bestehenden Vorgaben von translate-en/status für die Lektoratsstation.
• Nicht enthalten: Layer 4 (Claim-Evidence-Disziplin) des academic-humanizers wird in dieser Station nicht durchgeführt; ihre Aufgabe wird in der Pipeline von claim-audit/interpret-results/check_numbers.py übernommen.
• Separat ausgekoppelt: Layer 6 (NSF/NIH-Vorschlagsmodus, inkl. 6.1–6.5) des academic-humanizers wurde als separater Skill grant-proposal-editing ausgekoppelt und ist nicht Teil dieses Plugins (orthogonal zum Forschungs-→Einreichungsprozess).

Ausgabe

Ausgabe des lektorierten englischen Manuskripts und eines kurzen Änderungsberichts: entfernte Muster (kategorisiert), claim-bezogene, aber nicht geänderte und an claim-audit markierte Elemente, Anmerkungen zu Tonfall/Register sowie Bestätigung, dass keine Zahlen, Gleichungen oder Referenzen geändert wurden.