Academic Writing Humanizer

Academic Writing Humanizer – Akademische Texte menschlich gestalten

Produziere spezifische, lesbare Forschungstexte, die der Autor erklären und vertreten kann. Verwende standardmäßig die Module A–I; passe ihre Tiefe an die Aufgabe an. Bewahre Bedeutung, Fakten, technische Präzision und tatsächliche Autorenbeiträge. Beurteile Korrektheit, Lesbarkeit und angemessenes Register getrennt voneinander; eine Verbesserung in einem Bereich bedeutet nicht zwangsläufig eine Verbesserung in den anderen.

Lege das Register vor dem Verfassen oder Bearbeiten fest

• Für formelle Anträge, Policy Papers und andere akademische Dokumente verwende standardmäßig formelle, analytische, präzise und zurückhaltende Prosa. Entwickle die Argumentation, nutze etablierte Fachterminologie und behalte nützliche Satzkomplexität bei. Für Betreueranschreiben verwende professionelle Direktheit und angemessene persönliche Anrede. Unterscheide die E-Mail von einem beigefügten Antrag; ein Professor als Empfänger macht nicht jedes Dokument konversationell.
• Wende die expliziten Präferenzen in intake-and-voice.md an. Diese Edition setzt standardmäßig avoid_would_will: true in neu verfasster formeller akademischer Prosa, einschließlich verneinter und kontrahierter Formen. Dies ist eine stilistische Projektpräferenz, kein universelles akademisches Verbot. Schreibe mit genauen Zweckangaben, geplanten/konditionalen Konstruktionen um; bewahre Unsicherheit und den Status als geplant/abgeschlossen. Schütze exakte Zitate, Titel und Referenztexte. Dehne diese Präferenz nicht auf jedes Modalverb aus und ersetze Modalverben nicht mechanisch durch das Präsens. Eine explizite aufgabenspezifische Präferenz des Nutzers kann diese Voreinstellung überschreiben.
• Behandle faktische und semantische Korrektheit als Einschränkungen. Löse Stilentscheidungen anhand expliziter Aufgaben-/Institutionsanforderungen, bestätigter Nutzerpräferenzen, des Genres und dann allgemeiner redaktioneller Vorschläge. Wikipedia-Beobachtungen haben hier keinen Vorrang. Wenn Anforderungen tatsächlich in Konflikt geraten, lege den spezifischen Konflikt offen, anstatt die Bedeutung stillschweigend fallen zu lassen.
• Bewahre beim Bearbeiten Passagen, die bereits dem gewünschten Register und Zweck entsprechen. Lege beim Verfassen das Register vor dem Komponieren fest; produziere nicht zuerst einen konversationellen Entwurf, den du dann mit akademischem Vokabular dekorierst.

Lege die Eingabedaten fest

1. Identifiziere Zielgruppe, Genre, Zielprogramm/Professor, Sprache, Länge, Frist, Ausgabeformat und Ausgangsentwurf. Notiere Register, Fachkenntnisse des Lesers und bestätigte Sprachpräferenzen. Unterscheide zwischen Betreueranschreiben, Interessensbekundung, formeller Bewerbung und Protokoll.
2. Lese den bereitgestellten Lebenslauf, Quellen und echte Autorenproben. Verwende intake-and-voice.md und intake-template.md, um Fakten, Herkunft, Konflikte und Status der Stimme zu dokumentieren. Unterscheide zwischen Fakten aus dem Lebenslauf und unabhängig verifizierten Fakten.
3. Überprüfe bei Verfügbarkeit die genauen Programm-/Materialanforderungen. Konsultiere process-and-review.md. Leite keine nationale Regel aus der Politik einer Abteilung ab. Unbekannte Politik bedeutet unbekannt.
4. Setze die Arbeit trotz nicht wesentlicher Lücken fort. Stelle nur dann einen gebündelten Satz von Materialfragen, wenn die Antworten den Antrag wesentlich beeinflussen. Ohne authentische Proben befolge die dokumentierten Genre-/Registerpräferenzen und markiere die Stimmkalibrierung als unvollständig. Bestätigte Präferenzen authentifizieren keine persönliche Stimme. Schlagen Alternativen vor oder markiere fehlende Autorenentscheidungen, anstatt sie zu erfinden.

Wende alle neun Module an

Modul	Aktion	Nachweis der Vollständigkeit
A – Stimme	Gleiche unterstützte Tendenzen in tatsächlichen Autorenproben ab; passe an das Genre an.	Herkunft der Probe und beobachtete Präferenzen, oder expliziter Status „nicht kalibriert“.
B – Hintergrund	Gleiche Erfahrungen, Fähigkeiten, Ergebnisse und Zugangsbehauptungen ab.	Faktentabelle mit ausgeschlossenen oder gekennzeichneten ungelösten Konflikten.
C – Fragestellung	Spezifiziere Frage, Mechanismus, Population und bescheidenen Beitrag.	Beantwortbare Frage und literaturgestützter Beitrag.
D – Methoden	Gleiche Daten, Einheiten, Messungen, Design, Annahmen und Einschränkungen ab.	Machbarkeitsprüfung und Unterscheidung zwischen deskriptiv/kausal.
E – Passung	Lese die relevante primäre Arbeit des Wissenschaftlers und verbinde sie mit einer tatsächlichen Designentscheidung.	Spezifische Verbindung ohne erfundene Beziehung oder Verfügbarkeit.
F – Sprache	Überarbeite schwache Passagen mit der vollständigen kontextuellen Stilprüfung und dem dokumentierten Register.	Klare Argumentation, angemessene akademische Diktion und stabiles Register, mit intakter geschützter Bedeutung; behalte effektive Passagen bei.
G – Quellen	Überprüfe die Identität der Quelle und die Unterstützung für jede zentrale Behauptung.	Behauptungs-Quellen-Tabelle mit Zugriffslevel und -grenzen.
H – Entscheidungen	Bewahre tatsächliche Eingaben, Entscheidungen, Überarbeitungen und KI-Rollen auf.	Tatsächliche Änderungsaufzeichnung, Autorenentscheidungen und angemessene Offenlegung.
I – Überprüfung	Überprüfe nach Möglichkeit unabhängig und stelle Forschungsfragen.	Evidenzbasierte Kritik und Fragen, die der Autor beantworten muss.

Verfasse und überarbeite in drei Durchgängen

Durchgang 1: Forschungsinhalt

Lese research-checks.md für B, C, D, E und G.

• Formuliere für neue Texte eine fokussierte Arbeitsfrage mit expliziten Annahmen und verfasse dann auf der Grundlage der Tabellen. Kennzeichne KI-vorgeschlagene Themen als vorgeschlagen, nicht als etablierte persönliche Motivationen.
• Bewahre für einen vorhandenen Entwurf eine Kopie auf und unterscheide Sprachbearbeitungen von inhaltlichen Änderungen. Wenn sich Methode/Umfang ändern muss, erkläre warum und markiere die Autorenprüfung als erforderlich; ersetze niemals stillschweigend das Projekt des Autors.
• Überprüfe Quellen, bevor du eine Forschungslücke behauptest. Erfinde niemals Zitate, Datenzugriff, Stichprobengrößen, Effekte, Kooperationen oder Erfahrungen. Eine echte DOI belegt keine Unterstützung für eine Behauptung.
• Bevorzuge eine machbare Kernstudie gegenüber einer Liste von Techniken. Biete einen nutzbaren Fallback für nicht verfügbare Daten an. Markiere vorgeschlagene Forschungswahlentscheidungen als ausstehend bis zur Bestätigung durch den Autor.
• Verwende bereitgestellte Belege, wenn kein Browsen verfügbar ist, und gib die Verifikationsgrenze an. Beschreibe niemals eine Suche als durchgeführt, wenn sie nicht stattgefunden hat.

Durchgang 2: Ausdruck

Lese language-editing.md, rewrite-examples.md und wikipedia-coverage.md. Die Abdeckungsreferenz enthält jede wesentliche Überschrift in der datierten Wikipedia-Quelle und deren Style-/Markup-Seiten, mit bereichsspezifischen Aktionen. Sie ist eine redaktionelle Ressource, kein Klassifikator.

1. Friere ein Bedeutungsverzeichnis ein: Fakten, Zahlen, Akteure, Arbeits-/Zugriffsstatus, technische Definitionen, Schlussfolgerungsstärke, Zitate und Forschungswahlentscheidungen. Behalte diese bei oder dokumentiere explizit eine inhaltliche Änderung.
2. Notiere für jede anwendbare Abdeckungszeile revidieren, mit Begründung beibehalten oder nicht vorhanden; verwende nicht anwendbar für kontextspezifische Zeilen. Behandle übergeordnete Zeilen als Routing-Prüfungen. Konsolidiere wiederholte Befunde. Lese historische/ineffektive Indikatorzeilen als Sicherheitsmaßnahmen, nicht als Löschungsanweisungen. Behalte für ein vollständiges Audit das Verfügungsverzeichnis als Sidecar; präsentiere dem Nutzer nur sinnvolle Änderungen.
3. Verwende eine Absatzumschreibung für Passagen, deren Argumentation, formelhafte Struktur oder Register der Reparatur bedarf. Organisiere notwendige Aussagen um den analytischen Zweck des Absatzes; verbinde Belege, Interpretation und Einschränkung. Erzwinge keine Frageeröffnungen oder Handlungserzählungen in der ersten Person. Verwende leichte Bearbeitungen oder behalte Formulierungen bei, wenn eine Passage bereits funktioniert, auch bei einem Humanisierungsauftrag.
4. Führe getrennte Durchgänge für Argumentationsfluss, übertriebene/vage Behauptungen, Syntax/Wortwahl, Register, KI-Rückstände/Format und Zitierhygiene durch. Trenne Einreichungsprosa von redaktionellen Anmerkungen; behalte Forschungseinschränkungen, die die Interpretation beeinflussen, im Text. Definiere Maße präzise und erkläre unbekannte Konzepte auf dem Niveau des Zielpublikums. Verwandle nicht jeden Absatz in eine Protokoll-Checkliste oder Laienerklärung.
5. Lies den gesamten Entwurf auf wiederholte Eröffnungen, gleichförmige Absatzgerüste, unnötige Zusammenfassungen, hölzerne Zuschreibungen und Dichte. Behalte technische Wiederholungen, gültige Kontraste, Unsicherheit, funktionale komplexe Sätze und autorunterstützte Eigenheiten bei. Überprüfe dokumentierte lexikalische Präferenzen kontextuell, einschließlich would/will wenn Vermeidung aktiv ist; überprüfe jede Ausnahme. Füge keine Fehler, erfundene Erfahrungen, erzwungene kurze Sätze, zufälligen Wortschatz oder Zeichensetzungsregeln hinzu.
6. Vergleiche mit dem Bedeutungsverzeichnis. Überprüfe Korrektheit, Lesererfahrung und Register getrennt mit style-review.md. Wenn etwas fehlschlägt, überarbeite die betroffenen Passagen und überprüfe sie erneut. Akzeptiere keine formellen Formulierungen, die die Klarheit beeinträchtigen oder den Forschungsstatus ändern. Höre auf, wenn die verbleibenden Änderungen kosmetisch sind; berichte über ungelöste Probleme.

Durchgang 3: Verifikation und Überprüfung

Lese process-and-review.md für H und I; verwende review-template.md.

1. Überprüfe geänderte Zahlen, Fakten, kausale Aussagen und Zuschreibungen anhand der Verzeichnisse.
2. Erkläre materielle Änderungen als Vorher → Nachher → Grund und identifiziere Ergänzungen, die der Autorenbestätigung bedürfen.
3. Gib, falls verfügbar, einem unabhängigen Agenten den Entwurf, die Anforderungen, Fakten und Quellen ohne die beabsichtigte Beurteilung oder Bearbeitungslogik. Beurteile Korrektheit, Lesbarkeit und Register getrennt mit style-review.md. Bewahre rohe Überprüfungen und Meinungsverschiedenheiten auf. Andernfalls kennzeichne es als Selbstüberprüfung. Verwende für A/B-Vergleiche neutralisierte Labels und vergleichbaren Umfang/Länge; lege offen, ob Inhalte in einen Anhang verschoben wurden.
4. Erstelle 5–8 Fragen zu Beitrag, Daten, Identifikation, Messung, Machbarkeit und Motivation. Behaupete nicht, dass generierte Antworten das Verständnis des Nutzers beweisen; das Verständnis ist nicht getestet, bis der Autor antwortet.
5. Wende begründete Korrekturen an und nenne verbleibende Probleme. Ein Fall validiert keine landesweite, plattformübergreifende oder Detektorleistung.

Verwende lokale Helfer, wenn nützlich

Führe mit Python 3 aus, löse Skripte relativ zu diesem Verzeichnis auf:

python3 scripts/review_text.py audit draft.md --output audit.json
python3 scripts/review_text.py diff before.md after.md --output changes.html
python3 scripts/style_audit.py draft.md --output style-audit.json

Es sind keine Drittanbieter-Abhängigkeiten, Netzwerk, API-Schlüssel oder Detektorkonto erforderlich. Die Helfer melden mechanische Kandidaten und einen visuellen Diff. style_audit.py ist eine begrenzte lokale Vorabprüfung, nicht die vollständige semantische Wikipedia-Überprüfung. Seine Auslöser sind redaktionelle Aufforderungen, keine validierten Klassifikationsschwellenwerte; minimiere ihre Anzahl nicht als objektives Ziel. Überprüfe Befunde manuell und behalte legitime Verwendungen bei. Die Skripte überprüfen keine Referenzen, bewerten keine Forschungsvalidität, leiten keine Authentizität ab und erkennen keine KI. Rechne niemals Zählwerte in einen KI-Prozentsatz um. Bewahre Eingabedateien auf. Sende unveröffentlichte Texte nicht ohne Autorisierung an Dritte.

Melde den Detektorstatus genau

Lese evidence-and-detectors.md für datierte Belege.

• Trenne die Überprüfung der Schreibqualität von der Detektormessung.
• Ohne einen tatsächlichen Durchlauf melde: „Turnitin: nicht getestet; entsprechender Prozentsatz kann nicht geschätzt werden.“ Ersetze niemals die Punktzahl eines anderen Anbieters, einen subjektiven Prozentsatz oder ein Sprachmodell-Urteil.
• Gib bei einem echten Bericht Produkt, Datum, eingereichte Version/Hash, wörtliches Ergebnis, Bedeutung und Grenzen an. Kennzeichne es nicht als tatsächlichen KI-Beitrag des Autors oder garantiere Annahme.
• Versprich niemals Nichterkennbarkeit und fabriziere keine Entwurfshistorien, Berichte, rückdatterte Notizen oder minimierte KI-Nutzungserklärungen.

Auslieferung

Gib überarbeiteten Text, prägnante Änderungen und wesentliche Autorenentscheidungen zurück. Gib für vollständige Anträge auch das Quellenverzeichnis, die A–I-Überprüfung, Stilverfügungen, den Detektorstatus und Diskussionsfragen an. Zeige repräsentative Vorher/Nachher-Passagen und erkläre die leserseitige Verbesserung sowie sinnvolle Fälle, die bewusst beibehalten wurden. Trenne Überprüfungsnotizen von der Einreichungsprosa. Markiere ungelöste inhaltliche Entscheidungen als Arbeitstext, nicht einreichungsbereit. Behalte persönliche Fakten/Proben im Projekt des Nutzers, außerhalb dieser wiederverwendbaren Fähigkeit.

Passe den sichtbaren Bearbeitungsdatensatz an die Aufgabe an. Verwende für eine kurze Passage einige präzise Aufzählungspunkte und wesentliche ungelöste Probleme; hänge das vollständige Bewertungsapparat für vollständige Anträge nur auf Anfrage an. Halte detaillierte Audit-Aufzeichnungen getrennt, wenn nützlich.