Academic de-LLM

Academic de-LLM: Entfernen Sie die Verräter, behalten Sie die Aussage

Generierte Prosa ist selten falsch. Sie ist erkennbar. Dies ist der letzte Durchlauf, den Sie durchführen, nachdem die Argumentation abgeschlossen ist und vor der Einreichung.

Auf akademisches Schreiben ausgelegt. Die zugrundeliegenden Messungen stammen aus 1,3 Millionen Wörtern von Journal-Abstracts, Open-Access-Volltexten und arXiv-Preprints. Jede Behauptung hier ist gemessen oder zitiert, und references/sources.md gibt an, welche, einschließlich was jede Quelle nicht belegt und welche Behauptungen gar keine Quelle haben.

Zwei Dinge verändern sich, eines meistens nicht

Struktur und Wortschatz nehmen überall zu. Zwei- bis viermal so hoch im Vergleich zu einem Pre-ChatGPT-Baseline, sowohl in Abstracts als auch in Volltexten. Stufe 2 und Stufe 3 sind die eigentliche Arbeit, in jedem akademischen Dokument.

Formatierung ist meist Journal-Template, nicht Autorschaft. In Volltexten liegen Abschnittsüberschriften von 2021 bis 2026 flach: „2. Material und Methoden“ ist das, was das Formular verlangt. Die Verwendung von Gedankenstrichen ist in beiden Fällen gering.

Also:

Dokument	Beginnen Sie bei	Weil
Ein Paper, LaTeX oder Journal-Template	Stufe 2	Überschriften und Nummerierungen gehören zur Zeitschrift, nicht zu Ihnen. Überspringen Sie Stufe 1, auch wenn die Datei Markup enthält
Ein Abstract oder ein Einreichungsfeld	Stufe 2	es gibt kein zu prüfendes Markup
Ein akademischer Blogbeitrag in Markdown oder HTML	Stufe 1, kurz	Sie haben die Formatierung gewählt, also sind Em-Dashes und Aufzählungen mit fettgedruckten Inline-Headern Ihre Verantwortung. Dann Stufe 2

Abbildungen und Korpora dahinter sind in references/sources.md.

Verwandt, aber separat und von einem anderen Autor: SimpleEnglish (ASD-STE100). Verwenden Sie das, wenn ein Leser den Text missverstehen könnte. Verwenden Sie dieses hier, wenn ein Leser denken könnte, eine Maschine hätte ihn geschrieben. Bei einem Paper führen Sie nur dieses durch, weil STE die Modalverben verbietet, die Ihre Gewissheit tragen.

Zwei Direktiven, gleichermaßen verbindlich

Entfernen Sie den Verräter, behalten Sie die Aussage. Eine Umformulierung, die eine Aussage über das hinaus beansprucht, was die Evidenz stützt, hat den Text gebrochen, um einen Stilcheck zu bestehen. Das ist schlimmer als der Verräter.

Entfernen Sie den Verräter, behalten Sie den Rhythmus. Gründlich angewandt erzeugen die folgenden Stufen kurze Aussagesätze mit gemeinsamem Subjekt: jeder Verräter verschwunden und der Rhythmus mit ihnen. Das ist gemessen, nicht hypothetisch, weshalb diese vier Regeln die Stufenrichtlinien überschreiben, wo immer sie in Konflikt geraten.

Zerlegen Sie keinen langen Satz in drei kurze, nur weil die Verbindung ein Partizip war. Schreiben Sie das Partizip an Ort und Stelle um, oder machen Sie den Nebensatz untergeordnet. Ein langer Satz zwischen kurzen ist das, was ein menschlicher Absatz ausmacht.

Beginnen Sie aufeinanderfolgende Sätze nicht mit demselben Subjekt. Wenn eine Korrektur „Wir machen X. Wir machen Y. Wir machen Z“ erzeugt, ist die Korrektur schlechter als das, was sie ersetzt hat, egal was die Musterzählung sagt.

Behalten Sie das Bindewort. Ausdrücke, die signalisieren, was ein Satz tut – kontrastieren, einräumen, fortfahren – sind, wie ein Leser einer Argumentation folgt. Einige stehen auf Triggerlisten. Sie zu entfernen, punktet gut und liest sich schlecht.

Ein Treffer mit hoher Punktzahl ist nicht automatisch entfernenswert. Präzision misst, wie zuverlässig ein Muster auf maschinelle Autorschaft hinweist. Sie sagt nichts darüber aus, ob der Ausdruck seinen Platz für den Leser verdient. Nur Sie können die zweite Frage beantworten.

Lesen Sie nach jedem Durchlauf das Ergebnis laut vor. Wenn jeder Satz gleich lang ist, setzen Sie einen zurück.

Schritt Null: Der Skip-Durchlauf

Führen Sie dies durch, bevor Sie etwas abgleichen. Diese werden niemals bearbeitet, und ein Durchlauf, der sie berührt, richtet echten Schaden an:

Umrandete Code-Blöcke und Inline-Code-Spans. YAML-, TOML- und JSON-Frontmatter oder -Konfiguration. Markdown-Tabellen, einschließlich Zellen, die einen Gedankenstrich als Platzhalter für „nicht zutreffend“ verwenden. Aufgabenlisten. Fußnoten und Zitationsblöcke. Direkte Zitate von anderen Personen. Fehlermeldungen und Logzeilen. Bezeichner, CLI-Flags und Dateipfade. Gedankenstriche in numerischen Bereichen wie 0.88–0.98. Alles, was vor November 2022 geschrieben wurde.

Sagen Sie, was Sie übersprungen haben, wenn Sie Bericht erstatten ("übersprungen: 3 Code-Blöcke, 1 Tabelle, Frontmatter"). Es macht den Durchlauf überprüfbar und ist die Hauptverteidigung gegen die unten dokumentierte Fehleralarmrate.

Stufe 1: Formatierung

Höchste Ausbeute in Dokumenten mit Markup und die Stufe, die ältere Anleitungen vergraben.

Bei reiner Prosa gilt nur der unten stehende Gedankenstrich. Alles andere in dieser Stufe benötigt Markup, um zu existieren, kann also nicht vorkommen.

Em-Dash (Gedankenstrich)

Das einzige Stufe-1-Muster, das in Prosa ohne Markup vorkommt. In arXiv-Preprints hat es sich zwischen 2020 und 2026 etwa verdoppelt, von 3,7 auf 7,8 pro 10.000 Wörter. In Volltexten ist es in beiden Fällen niedrig, daher ist ein Blick in einem Blog-Beitrag sinnvoll, in einem Paper lohnt er sich selten.

Wikipedia listet „Gedankenstrich-Übergebrauch“, nicht Gedankenstrich-Gebrauch. Schreiben Sie um, anstatt zu ersetzen:

Vorher	Nachher
Der Build schlug fehl — der Cache war veraltet.	Der Build schlug fehl. Der Cache war veraltet.
Die Latenz stieg um das 3-fache — weit außerhalb der Streuung von Lauf zu Lauf.	Die Latenz stieg um das 3-fache, weit außerhalb der Streuung von Lauf zu Lauf.
Zwei Engines — Chroma und Qdrant — brachten nichts.	Weder Chroma noch Qdrant brachten etwas.

Komma, wenn der Nachsatz ein Modifikator ist, Punkt, wenn es eine eigene Aussage ist, Klammern, wenn es ein Einschub ist. Niemals ein Semikolon.

Inline-Header fette Aufzählungen

49% der Dateien, 46 pro 10.000 Wörter. Die Form ist - **Begriff**: Erklärung, wiederholt in einer Liste, wo Prosa hingehört.

Vorher:

• Schnell: Läuft in unter einer Sekunde.
• Portabel: Keine Abhängigkeiten.

Nachher: Es läuft in unter einer Sekunde und hat keine Abhängigkeiten.

Behalten Sie die Liste, wenn die Elemente wirklich parallel sind und ein Leser eher scannt als liest, wie bei einer Flag-Referenz. Konvertieren Sie sie, wenn die „Liste“ drei Sätze im Kostüm sind.

Titel in Großschreibung

83% der Dateien, 22 pro 10.000 Wörter. ## Erste Schritte Mit Der Konfig wird zu ## Erste Schritte mit der Konfig. Satzfall durchgehend, außer bei Eigennamen.

Seltener vorkommende Formatierung

Übermäßige Fettschrift, insbesondere das Fettdrucken von Begriffen innerhalb des Absatzes als „wichtige Erkenntnisse“. Emojis als Aufzählungszeichen, Trennzeichen oder Überschriftenverzierung (11% der Dateien). Überschriftenebenen, die springen, H2 direkt zu H4. Thematische Unterbrechungen vor Überschriften. Markdown, das in ein nicht-Markdown-Format hineinragt. Geschweifte Anführungszeichen, wo gerade hingehören, was hier mit 0% gemessen wurde, aber immer noch in aus Textverarbeitungen eingefügtem Text vorkommt.

Stufe 2: Struktur

Modell-generierte Schreibgewohnheiten anstatt Schnittstellen-Artefakte, daher überleben sie Anbieter- und Modellgenerationen hinweg. Aus Wikipedia: Kategorien und Terminologie, außer falsche Bereiche, die unten vermerkt sind.

Copula-Vermeidung

2,6-fache Überrepräsentation in Journal-Abstracts nach ChatGPT, 2,6-fach in Volltexten. Ein einfaches ist oder sind verkleidet als dient als, fungieren als, steht als, agiert als, bietet, bleibt, positioniert X als, präsentiert eine und bietet eine ... Lösung.

serves as (dient als) ist jedes Mal ein echter Beleg. Bloßes provides (bietet) war nur 1 von 6, weil „das Werkzeug bietet X“ ein gewöhnliches Verb ist, daher ist es auf die kopulare Form eingeschränkt: „bietet eine effektive Lösung“ bedeutet „ist eine effektive Lösung“. maintains (erhält aufrecht) war nie echt bei 11 Treffern. Lesen Sie das Verb: wenn ist es nicht ersetzen kann, lassen Sie es.

Oberflächliche Analyse mittels -ing

Der stärkste Verräter überhaupt in akademischer Prosa. Gegen einen Pre-ChatGPT-Baseline von 1,0 pro 10.000 in einem Journal erreichte es 8,7 im Jahr 2024, erreichte seinen Höhepunkt bei 12,2 im Jahr 2025 und liegt bei 6,9 im Jahr 2026. Volltexte zeigen die gleiche Form, 1,9 bis 8,2. Immer noch fast das 7-fache nach zwei Jahren, während die Wortschatzmarker abklangen.

Ein Partizipialsatz, der einer Tatsache eine vage Interpretation anhängt: highlighting (hervorhebend), underscoring (unterstreichend), emphasizing (betonend), ensuring (sicherstellend), reflecting (widerspiegelnd), contributing to (beitragend zu), providing (bereitstellend), enhancing (verbessernd), allowing (ermöglichend), helping (helfend), supporting (unterstützend), maintaining (aufrechterhaltend), thereby ...ing (dadurch ...end).

Es braucht kein Komma. „sensor signals enabling precise and robust detection“ (Sensorsignale, die eine präzise und robuste Erkennung ermöglichen) ist dasselbe Muster ohne Satzzeichen, und die Suche nur nach Kommata hat die meisten verpasst. enabling (ermöglichend) wurde komplett gestrichen: es passte 16 Mal, und nicht eines war ein echter Beleg, während es ein Drittel von allem ausmachte, was dieses Muster fand.

Vorher: Der Cache wird zuerst geprüft, wodurch Roundtrips reduziert und die Latenz verbessert werden. Nachher: Der Cache wird zuerst geprüft. Das entfernt einen Roundtrip.

Negativparallelismus

Vier Varianten: nicht nur X, sondern Y, nicht X, sondern Y, X eher als Y und im Gegensatz zu X, tut diese Arbeit Y.

Die letzte ist die, die tatsächlich vorkommt. Die Suche nur nach den nicht nur-Formen ergab 14 Treffer in 60 Abstracts, und nicht einer war echt, während jeder echte Beleg die Form Im Gegensatz zu traditionellen Studien, die Genauigkeit optimieren, betont diese Arbeit... hatte.

Vorher: Dies geht nicht um Geschwindigkeit. Es geht um Korrektheit. Nachher: Die Änderung korrigiert das Ergebnis. Sie macht es nicht schneller.

Dreierregel

Dreier-Adjektive oder -Phrasen. Nicht jede Dreiheit ist ein Verräter; drei reale Dinge sind drei reale Dinge. Der Test ist, ob das Löschen des dritten Information verliert.

Unangemessene Betonung der Bedeutung

entscheidend, ist von entscheidender Bedeutung, ist wesentlich, ist lebenswichtig, spielt eine entscheidende Rolle, ist ein Zeugnis für, bedeutendes Potenzial, Hervorhebung der Bedeutung von. Allgemeine Wichtigkeit ersetzt eine spezifische Tatsache.

Das zuverlässigste der strukturellen Muster: etwa 3 von 4 Treffern sind echt. Bloßes entscheidend ist schwächer bei 2 von 5 und wird trotzdem behalten, weil es „sind entscheidend für die Klassifikationsleistung“ erfasst, und bei einem Finder, dessen Treffer gelesen werden, kostet ein Fehlalarm mehr als ein falsch positives Ergebnis.

Vage Quellenangabe

Beobachter haben angeführt, Experten argumentieren, Branchenberichte deuten an, mehrere Quellen. Nennen Sie wen, oder lassen Sie die Behauptung fallen.

Falsche Bereiche

von X bis Y, wo X und Y nicht auf einer gemeinsamen Skala sind. „von der Geburt der Sterne bis zum rätselhaften Tanz der Dunklen Materie“ ist eine Form, kein Bereich.

Unbelegt. Nicht auf der Wikipedia-Seite, anders als der Rest dieser Stufe. Siehe references/sources.md.

Die Herausforderungen-Formel

„Trotz seines X steht es vor mehreren Herausforderungen“, gefolgt von vager Positivität.

Elegante Variation

Rotierende Synonyme, um die Wiederholung eines Wortes zu vermeiden, ein Artefakt von Wiederholungsstrafen. In technischen Texten ist dies aktiv schädlich: eine Sache, ein Name.

Stufe 3: Übermäßiger Wortschatz

26% der Dateien, 2,4 pro 10.000 Wörter. Niedrigere Häufigkeit als Formatierung, aber die einzige Stufe mit einer veröffentlichten Messung dahinter.

Kobak et al. fanden heraus, dass der überschüssige Wortschatz von 2024 überwiegend stilistisch ist, nicht thematisch: von 379 übermäßigen Stilwörtern waren 66% Verben und 14% Adjektive. Das ist das Gegenteil eines realen Ereignisses wie Covid, dessen übermäßige Wörter inhaltsbezogene Substantive waren (79,2% der Inhaltswörter waren Substantive).

Höchste Häufigkeitsverhältnisse (r = Häufigkeit 2024 ÷ kontrafaktisch): delve (eintauchen) 28,0, underscores (unterstreicht) 13,8, showcasing (präsentiert) 10,7. Höchste absolute Unterschiede: potential (Potenzial) 0,052, findings (Ergebnisse) 0,041, crucial (entscheidend) 0,037.

Die zehn stärksten kombinierten Marker der Autoren: across (quer durch), additionally (darüber hinaus), comprehensive (umfassend), crucial (entscheidend), enhancing (verbessernd), exhibited (zeigte), insights (Erkenntnisse), notably (insbesondere), particularly (besonders), within (innerhalb von).

Die unabhängig erstellte Liste von Wikipedia überschneidet sich stark, was der nützliche Teil ist, zwei Methoden konvergieren: delve (eintauchen), underscore (unterstreichen), showcase (präsentieren), crucial (entscheidend), pivotal (entscheidend), intricate (komplex), meticulous (akribisch), robust (robust), testament (Zeugnis), tapestry (Teppich), landscape (Landschaft), realm (Bereich), align with (im Einklang mit), foster (fördern), garner (ernten), enhance (verbessern), interplay (Zusammenspiel), vibrant (lebendig), enduring (beständig), commendable (lobenswert).

Ersetzen Sie diese nicht pauschal. Jedes ist ein legitimes englisches Wort, und eine Wortverbotsliste ist die Fehlerform jedes anderen Tools in diesem Bereich. Crucial (entscheidend) in einem Satz, der feststellt, warum etwas entscheidend ist, ist in Ordnung. Das Signal ist Dichte und Ko-Okkurrenz: mehrere von ihnen in einem Absatz, ohne Arbeit zu leisten.

Diese Liste verfällt, und der Verfall wird gemessen. In einem Journal fiel crucial (entscheidend) von 5,9 pro 10.000 im Jahr 2024 auf 0,9 im Jahr 2026, zurück auf sein Pre-ChatGPT-Niveau, und delve (eintauchen) verschwand praktisch. Beide waren die am stärksten publizierten Marker, und Publizität tötet einen Wort-level-Verrat. robust (robust) ging den anderen Weg und steigt immer noch. Überschüssiger Wortschatz verschiebt sich eher, als dass er verschwindet, daher altert eine feste Liste in beide Richtungen schlecht.

Behandeln Sie Kobaks Methode als den dauerhaften Teil und diese Liste als eine Momentaufnahme. Im gleichen Zeitfenster blieben die strukturellen Verräter in Stufe 2 bestehen. Wenn Sie nur für eine Stufe bei Prosa Aufmerksamkeit haben, verwenden Sie Stufe 2. Zahlen in references/sources.md.

Stufe 4: Paste-Ära-Artefakte

Zeichenketten, die ein Modell erzeugt, die kein Mensch tippen würde. Nahezu schlüssig, wenn vorhanden, und trivial abzugleichen.

Sie maßen 0% über beide Korpora hier, weil es Web-Interface-Zitationsdarstellungen sind. Sie treten nur auf, wenn jemand aus einem Chatfenster einfügt, was agentengeschriebener Text niemals tut. Behalten Sie die Prüfung, da sie einen Durchlauf kostet, aber führen Sie nicht damit an.

Modell	Artefakt-Zeichenketten
ChatGPT	contentReference, oaicite, turn0search0
Gemini	[cite: 1], [span_1](start_span)
Grok	grok_card, grok_render_citation_card_json
DeepSeek	linsenförmige Klammern 【 】, einzelner Dagger †
Perplexity	attached_file, ppl-ai-file-upload

Prüfen Sie auch auf utm_source= in zitierten URLs, DOIs, die auf nicht verwandte Papers auflösen, ungültige ISBNs und benannte Referenzen, die deklariert, aber nie verwendet wurden.

Muster finden Kandidaten, keine Verstöße

Jedes Muster hier ist ein Finder. Lesen Sie jeden Treffer.

Gemessen an einem echten Paper: Das Em-Dash-Muster lieferte 8 Treffer, von denen 2 Prosa waren, die es wert war, korrigiert zu werden. Der Rest waren drei Code-Kommentare, ein Tabellenplatzhalter und zwei numerische Gedankenstriche. Ein Durchlauf, der alle 8 geändert hätte, hätte eine Tabelle und drei Code-Beispiele beschädigt.

Gemessen an 30 Abstracts mit einem Gremium, das jeden Treffer kennzeichnete: von allem, was die Finder abgleichen, ist etwa die Hälfte ein echter Beleg. Die andere Hälfte war ein Wort, das zufällig übereinstimmte.

Der Skip-Durchlauf in Schritt Null ist das, was diese Rate überlebensfähig hält.

Was KEIN Beweis ist

Wikipedia ist diesbezüglich eindeutig, und es ist wichtiger als die Marker.

Text, der vor ChatGPT (November 2022) verfasst wurde, kann nicht KI-generiert sein, egal wie er aussieht. Ein Autor, der seine Entscheidungen kohärent erklären kann, ist ein Autor. Unregelmäßiger Satzbau ist ein menschliches Muster, kein maschinelles. Keiner dieser Marker ist ein Beweis: Kobak et al. schätzen eine Populationsrate, und Populationsstatistiken klassifizieren keine Individuen.

Verwenden Sie dies nicht ch...

[abgeschnitten für Übersetzung]