CharlieWei5183/academic-english-editing

Estación de pulido de inglés académico (academic-english-editing)

Este plugin incluye una estación de pulido de inglés académico (incluida desde la versión 0.8.0). Se utiliza después de que translate-en genere el borrador en inglés y antes de la verificación humana final: elimina los rastros de escritura generada por IA, alinea el texto con las convenciones académicas y lo adapta al tono del autor y la revista, preservando al mismo tiempo la precisión y el tono de vinculación con la evidencia que ya son correctos en la escritura académica. En la escritura técnica, 'neutral y preciso' es la voz humana; no se deben inyectar opiniones, humor ni personalidad en primera persona.

Acuerdo de integración [Fuente: acuerdo de estación de pulido de academic-pipeline]

• Esta es una estación opcional: se puede omitir, pero no puede sustituir la verificación humana en inglés.
• Solo se puede modificar la presentación lingüística; no se pueden alterar números, <!-- results.* --> / <!-- table:* --> / <!-- claims.* --> markers, [@citekey], la fuerza de las afirmaciones, los límites de validación, ni la semántica de métodos o limitaciones.
• El pulido genera una nueva versión en inglés manuscript/en/vN.md (con una nueva versión sincronizada si hay SI).
• Después del pulido, se deben volver a ejecutar check_markers.py, el fact-checker de verificación cruzada entre idiomas (muestrear 2-3 oraciones por sección para comparar con la retrotraducción) y reviewer-language; luego, aún se requiere verificación humana en inglés y una ejecución completa de check-consistency(en).
• Cualquier cambio que afecte la fuerza de las afirmaciones, la interpretación de números, los métodos o las limitaciones debe remitirse al artefacto de origen ascendente (claim-audit / interpret-results / validation), y no se decide en esta estación.

Por qué no incluye la reescritura de afirmaciones (capa 4 del academic-humanizer original)

La capa 4 de academic-humanizer (que reduce los verbos a la fuerza de la evidencia, añade indicadores o suaviza afirmaciones no fundamentadas) cambia la fuerza de las afirmaciones, lo que viola el acuerdo anterior de 'solo modificar la presentación'; además, cuando el texto llega a esta estación, las afirmaciones ya han sido evaluadas por claim-audit y verificadas por humanos. Por lo tanto, esta estación no realiza la reescritura de la capa 4: si se detecta una sobreafirmación, solo se marca y se notifica a claim-audit / interpret-results, sin modificar el texto. El espíritu original de la capa 4 ya se implementa en el pipeline mediante los ataques de suficiencia/intensidad de claim-audit y check_numbers.py.

Cuándo usarlo

Editar prosa académica en inglés: secciones de artículos, resúmenes, réplicas, trabajos relacionados. No se debe usar para blogs, marketing, ensayos personales, y no es una herramienta para eludir la divulgación del uso de IA. Para trabajar con propuestas de financiación/investigación (NSF, NIH, etc.), utilice el skill independiente grant-proposal-editing (el registro de las propuestas es diferente: venden visión y viabilidad, y la contracción típica de los artículos no es aplicable).

Principios centrales [Fuente: academic-humanizer v0.3.3 · Core principle]

La escritura académica ya tiene una voz humana correcta: neutral, precisa, en tercera persona del plural ("we"), con cada afirmación vinculada a la evidencia. El trabajo de esta estación es (1) eliminar los AI tells sin coloquializar el texto; (2) mantener la disciplina que los humanizadores generales suelen pasar por alto: preservar cada número, resultado y cita, sin permitir que ningún verbo tenga más fuerza que su evidencia (pero la modificación es solo a nivel de "presentación"; la determinación de la fuerza de la evidencia corresponde a claim-audit).

Proceso [Fuente: academic-humanizer v0.3.3 · Process, ajustado según el acuerdo de integración]

1. Read: Leer el borrador en inglés y (si los hay) muestras de artículos previos del autor; anotar el registro de la revista objetivo.
2. Audit (sin modificar aún): Listar uno por uno los patrones detectados (ubicación + sugerencia de corrección). Aquellos que impliquen la fuerza de las afirmaciones o la interpretación de números se marcan como "→ remitir a claim-audit" y no entran en la lista de modificaciones de esta estación.
3. Rewrite: La estructura y el contenido no cambian; todos los números, marcadores, citekeys y marcas de afirmaciones se conservan; se eliminan los tells; se mantiene la cobertura legal.
4. Report: Generar el texto pulido más un breve registro de cambios (tipos de patrones eliminados, notas sobre el tono/registro) y confirmar que no se han modificado números, ecuaciones ni citas. Cubre todo lo que cubre el texto original: si originalmente tenía cinco párrafos, la reescritura también tendrá cinco.

---

El contenido de las capas 1/2/3/5 a continuación proviene de academic-humanizer v0.3.3, con la fuente indicada en cada capa; solo se han eliminado las referencias cruzadas relacionadas con el modo de propuesta (capa 6 original).

Capa 1: Lista de AI-tells generales [Fuente: academic-humanizer v0.3.3 · Layer 1]

Escanear y corregir estos patrones generales, sujetos a las excepciones académicas de la capa 3: Significado inflado ("marking a pivotal moment"); coletillas "-ing" superficiales que aparentan profundidad ("..., highlighting..."); lenguaje promocional/figurativo ("rich", "vibrant", "groundbreaking"); atribuciones vagas ("experts argue" sin cita); vocabulario de IA (delve, underscore, intricate, tapestry, testament, landscape (abstract), pivotal, showcase, foster, leverage (relleno), realm, seamless); evitación de cópulas ("serves as" → "is"); paralelismos negativos ("not just X, but Y"); relleno de la regla de tres; variación elegante (cambiar sinónimos para un mismo referente); relleno ("it is worth noting that", "in order to"); oraciones largas con muchas cláusulas (dividirlas; ver 2.11); y guiones largos (eliminarlos por completo; reescribir con comas, dos puntos, paréntesis o dividiendo la oración).

Antes: 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. Después: The method also captures higher-order dependencies, which the baselines miss (Table 2).

Capa 2: AI-tells académicos (eliminar o corregir) [Fuente: academic-humanizer v0.3.3 · Layer 2]

2.1 Verbos de sobreafirmación

El trabajo empírico shows / provides evidence, no prove / demonstrate verdades universales. Vigilar: demonstrate, prove, establish, confirm, guarantee; "significantly" sin prueba/valores numéricos. Antes: We prove that our method significantly outperforms all prior approaches. Después: 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. (Nota: Esta estación solo ajusta el tono a nivel de "presentación"; si la evidencia real no respalda el verbo, se trata de un problema de fuerza de la afirmación, que se marca y remite a claim-audit, sin modificar el texto aquí).

2.2 Exageración de importancia

Vigilar: 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. Antes: This work paves the way for a new paradigm and sheds light on a problem of paramount importance. Después: This work addresses one failure mode of prior methods: error accumulation under long-horizon rollout (Section 4).

2.3 Intensificadores vacíos

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

2.4 Relleno de novedad

Vigilar: "novel" más de una vez por sección; "to the best of our knowledge"; "for the first time". Antes: We propose a novel framework and, to the best of our knowledge, are the first to study this. Después: We study online calibration under delayed labels, which prior calibration work (offline) does not address.

2.5 Aperturas formuláticas

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

2.6 Abuso de conectores

Evite que oraciones consecutivas comiencen con Moreover / Furthermore / Additionally / In particular; deje que la lógica fluya por sí misma. Antes: Moreover, the method is fast. Furthermore, it is simple. Additionally, it scales. Después: The method is fast and simple, and it scales to one million rows (Section 5).

2.7 Clichés de lista de contribuciones

Cada punto de contribución debe nombrar un resultado específico, no repetir el resumen. Antes: Our contributions are: (1) a novel method; (2) extensive experiments; (3) strong results. Después: 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 Descarga de citas

Citar una o dos realmente relevantes y explicar por qué, en lugar de una cadena de corchetes. Antes: Many methods exist [3, 7, 9, 12, 15]. Después: The closest prior method is TabNet [7], which encodes all features jointly; we instead condition on feature-type metadata.

2.9 Cobertura por vaguedad

Vigilar: somewhat, relatively, fairly, to some extent, quite. Cuantificar o eliminar. Antes: Performance is somewhat better and relatively robust. Después: Accuracy is 3 points higher and varies by less than 1 point across five seeds.

2.10 Énfasis de relleno

Vigilar: "It is worth noting that", "It should be emphasized that", "Notably,", "Importantly,". Si es realmente importante, la oración lo mostrará por sí misma. Antes: It is worth noting that, importantly, the gain holds across scenarios. Después: The gain holds across all three scenarios (Table 4).

2.11 Oraciones largas con muchas cláusulas

La IA tiende a oraciones largas que encadenan tres o cuatro cláusulas con "which" / "that" / "while" / "with". Divídalas: una idea por oración, elimine las cláusulas que no aporten peso. Vigilar: oraciones de más de aproximadamente 30 palabras, o con 3+ cláusulas. Antes: Existing methods, though promising, are largely empirical, with unclear principles underpinning their behavior, which limits their reliability and further progress. Después: Existing methods stay empirical. Their principles are unclear, which limits reliability and progress.

Capa 3: Conservar, no sobrecorregir [Fuente: academic-humanizer v0.3.3 · Layer 3]

Los humanizadores generales suelen aplanar construcciones académicas legítimas; estas deben conservarse:

• La cobertura ligada a la evidencia es correcta y necesaria. Cuando una afirmación es realmente incierta, conserve "suggests", "is consistent with", "we hypothesize that", "may indicate", "appears to". Corrección incorrecta: cambiar "the results suggest X" por "the results prove X" — eso es generar una sobreafirmación. Conserve los verbos calibrados.
• La voz pasiva está bien cuando el agente no es relevante: "Samples were normalized to total protein."
• La primera persona del plural "we" es estándar; no reescriba para evitarla.
• Punto y coma y las ocasionales listas de tres se pueden usar con moderación. Los guiones largos son una excepción: elimínelos por completo (Capa 1), reescriba con comas, dos puntos, paréntesis o dividiendo la oración.
• Definiciones formales, métodos/indicadores con nombre, terminología, ecuaciones y símbolos consérvelos tal cual.
• Nunca invente, elimine ni modifique ningún número, ecuación o cita; conserve cada cite key. (Esta estación cuenta con la verificación mecánica de check_markers.py / check_numbers.py / check_citations.py del pipeline y una ejecución completa de check-consistency(en).)

Capa 5: Alineación con el tono y el registro de la revista [Fuente: academic-humanizer v0.3.3 · Layer 5]

Si el autor proporciona artículos previos, léalos primero como muestra, anote el ritmo de las oraciones, los hábitos de conectores, el grado y la ubicación de la cobertura, cómo abre las secciones, las marcas y expresiones idiomáticas, y luego alinee. También alinee con el registro de la revista (por ejemplo, ICLR / NeurIPS: conciso, directo, centrado en resultados; Nature / PNAS: más explicativo). Cuando no haya muestras, use por defecto una prosa limpia, precisa y acorde al registro de la revista, evitando la voz coloquial y opinativa de los humanizadores generales.

---

Procedencia y notas sobre derivación

• Capas 1/2/3/5, principios centrales, proceso, cuándo usarlo: Provienen del skill de usuario academic-humanizer v0.3.3 (MIT), con la fuente indicada en cada sección como [Fuente: academic-humanizer v0.3.3 · ...]; el texto se ha tomado en gran parte tal cual, solo se han eliminado las referencias cruzadas relacionadas con el modo de propuesta y se han añadido notas de integración en 2.1/Capa 3 sobre que la modificación es solo a nivel de presentación y la fuerza de las afirmaciones se remite a claim-audit.
• "Acuerdo de integración" y "Por qué no incluye la reescritura de afirmaciones": Son adiciones exclusivas de academic-pipeline [Fuente: acuerdo de estación de pulido de academic-pipeline], alineadas con las normas existentes de translate-en / status para la estación de pulido.
• No incluido: La capa 4 de academic-humanizer (disciplina de afirmaciones) no entra en esta estación; sus responsabilidades en el pipeline las asumen claim-audit / interpret-results / check_numbers.py.
• Extraído por separado: La capa 6 de academic-humanizer (modo de propuestas NSF/NIH, con secciones 6.1-6.5) se ha extraído como skill independiente grant-proposal-editing, que no se incluye con este plugin (ortogonal al flujo de investigación → envío).

Resultado

Genere el texto en inglés pulido junto con un breve informe de cambios: patrones eliminados (categorizados), elementos relacionados con afirmaciones que no se modificaron pero se marcaron para claim-audit, notas sobre el tono/registro, y confirmación de que no se han modificado números, ecuaciones ni citas.