CharlieWei5183/academic-english-editing

Station de révision anglaise académique (academic-english-editing)

Cette station de révision anglaise académique est intégrée au plugin (disponible depuis la version 0.8.0). Elle s'utilise après la production du texte anglais par translate-en et avant la validation humaine en anglais : elle supprime les traces de génération par IA, aligne le texte sur les conventions académiques et le rapproche du ton de l'auteur et de la revue, tout en préservant la précision et le ton lié aux preuves, qui sont déjà corrects dans l'écriture académique. Dans l'écriture technique, « neutre et précis » est la voix humaine ; n'injectez pas d'opinions, d'humour ou de personnalité à la première personne.

Contrat de raccordement [Source : contrat de station de révision du pipeline académique]

• Il s'agit d'une étape optionnelle : elle peut être ignorée, mais elle ne remplace pas la validation humaine en anglais.
• Seule la présentation linguistique peut être modifiée ; les chiffres, les marqueurs <!-- results.* --> / <!-- table:* --> / <!-- claims.* -->, les [@citekey], la force des affirmations, les limites de validation, le sens des méthodes ou des limitations ne doivent pas être altérés.
• La révision produit une nouvelle version anglaise manuscript/en/vN.md (avec une nouvelle version synchronisée s'il y a un SI).
• Après la révision, exécutez à nouveau check_markers.py, le fact-checker pour une vérification croisée sémantique (2-3 phrases par section pour une traduction retour et comparaison) et le réviseur de langue ; une validation humaine en anglais et un check-consistency(en) complet restent nécessaires.
• Tout changement affectant la force des affirmations, l'interprétation des chiffres, les méthodes ou les limitations doit être renvoyé à l'artefact source en amont (claim-audit / interpret-results / validation), et ne doit pas être tranché dans cette station.

Pourquoi exclure la réécriture des affirmations et des preuves (anciennement Couche 4 de academic-humanizer)

La Couche 4 de academic-humanizer (qui rétrograde les verbes à la force des preuves, ajoute des indicateurs ou des atténuations pour les affirmations non étayées) modifie la force des affirmations, ce qui viole le contrat ci-dessus « ne modifier que la présentation » ; de plus, lorsqu'on arrive à cette station, les affirmations ont déjà été examinées par claim-audit et validées manuellement. Par conséquent, cette station n'effectue pas la réécriture de la Couche 4 : si elle détecte des affirmations excessives, elle les marque et les signale à claim-audit / interpret-results, sans réécrire le texte elle-même. L'esprit de la Couche 4 est déjà mis en œuvre dans le pipeline par les tests d'implication / d'intensité de claim-audit et par check_numbers.py.

Quand l'utiliser

Révision de prose académique anglaise : sections d'articles, résumés, réponses aux relecteurs, travaux connexes. Ne pas utiliser pour les blogs, le marketing, les essais personnels, et ce n'est pas un outil pour contourner la divulgation de l'utilisation de l'IA. Pour traiter les propositions de financement/recherche (NSF, NIH, etc.), utilisez le skill indépendant grant-proposal-editing (le registre des propositions est différent : il vend une vision et une faisabilité ; la concision des articles ne s'applique pas).

Principes fondamentaux [Source : academic-humanizer v0.3.3 · Core principle]

L'écriture académique a déjà la bonne voix humaine : neutre, précise, à la troisième personne du pluriel (« we »), chaque affirmation liée à une preuve. Le travail de cette station est (1) de supprimer les tells de l'IA sans rendre le texte familier ; (2) de maintenir une discipline que les humaniseurs généraux négligent souvent — préserver chaque chiffre, résultat et citation, sans laisser aucun verbe être plus fort que les preuves qui le soutiennent (mais la révision se fait uniquement au niveau de la « présentation » ; la détermination de la force des preuves incombe à claim-audit).

Processus [Source : academic-humanizer v0.3.3 · Process, adapté au contrat de raccordement]

1. Lire : Lire le texte anglais et (le cas échéant) les échantillons d'articles existants de l'auteur ; noter le registre de la revue cible.
2. Auditer (sans réécrire) : Lister un par un les motifs détectés (emplacement + suggestion de correction). Ceux qui concernent la force des affirmations ou l'interprétation des chiffres sont marqués « → retour à claim-audit » et ne sont pas inclus dans la liste de réécriture de cette station.
3. Réécrire : Structure et contenu inchangés ; tous les chiffres, marqueurs, clés de citation, marqueurs d'affirmation sont conservés ; supprimer les tells, conserver les atténuations légitimes.
4. Rapporter : Produire le texte révisé + un court journal des modifications (types de motifs supprimés, remarques sur le ton/registre), et confirmer qu'aucun chiffre, équation ou citation n'a été modifié. Couvrir tout ce que couvre le texte original : s'il y avait cinq paragraphes, la révision en compte aussi cinq.

---

Le contenu des Couches 1/2/3/5 ci-dessous provient de academic-humanizer v0.3.3, avec la source indiquée pour chaque couche ; seules les références croisées liées au mode proposition (anciennement Couche 6) ont été supprimées.

Couche 1 : Liste générale des tells de l'IA [Source : academic-humanizer v0.3.3 · Layer 1]

Scanner et corriger ces motifs généraux, sous réserve des exceptions académiques de la Couche 3 : signification gonflée (« marking a pivotal moment ») ; terminaisons superficielles en « -ing » qui simulent la profondeur (« ..., highlighting… ») ; langage promotionnel/figuratif (« rich », « vibrant », « groundbreaking ») ; attributions vagues (« experts argue » sans citation) ; vocabulaire de l'IA (delve, underscore, intricate, tapestry, testament, landscape (abstrait), pivotal, showcase, foster, leverage (bourrage), realm, seamless) ; évitement de la copule (« serves as » → « is ») ; parallélismes négatifs (« not just X, but Y ») ; bourrage par la règle de trois ; variation élégante (cycles de synonymes pour un même référent) ; bourrage (« it is worth noting that », « in order to ») ; phrases trop longues avec des propositions en cascade (les diviser ; voir 2.11) ; ainsi que les tirets cadratins (les supprimer tous ; les remplacer par des virgules, des deux-points, des parenthèses ou en reformulant la phrase).

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

Couche 2 : Tells académiques de l'IA (supprimer ou corriger) [Source : academic-humanizer v0.3.3 · Layer 2]

2.1 Verbes de surenchère d'affirmation

Les travaux empiriques shows / provides evidence, pas prove / demonstrate des vérités universelles. À surveiller : demonstrate, prove, establish, confirm, guarantee ; « significantly » sans test/chiffre. Avant : We prove that our method significantly outperforms all prior approaches. Après : 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. (Remarque : Cette station n'ajuste que le ton au niveau de la « présentation » ; si les preuves réelles ne soutiennent pas le verbe, il s'agit d'un problème de force d'affirmation, marqué pour retour à claim-audit, et non réécrit dans cette station.)

2.2 Hype sur la signification

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

2.3 Intensificateurs vides

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

2.4 Bourrage de nouveauté

À surveiller : « novel » plus d'une fois par section ; « to the best of our knowledge » ; « for the first time ». Avant : We propose a novel framework and, to the best of our knowledge, are the first to study this. Après : We study online calibration under delayed labels, which prior calibration work (offline) does not address.

2.5 Ouvertures formulaires

À surveiller : « In recent years, X has attracted increasing attention » ; « With the rapid development of… » ; « Despite recent advances,… ». Avant : In recent years, tabular deep learning has attracted increasing attention. Après : Tabular deep learning has a structural limitation: most models discard feature-type metadata and must relearn it from data.

2.6 Usage excessif de connecteurs

Évitez de commencer des phrases consécutives par Moreover / Furthermore / Additionally / In particular ; laissez la logique s'enchaîner d'elle-même. Avant : Moreover, the method is fast. Furthermore, it is simple. Additionally, it scales. Après : The method is fast and simple, and it scales to one million rows (Section 5).

2.7 Clichés de listes de contributions

Chaque point de contribution doit nommer un résultat concret, pas résumer le résumé. Avant : Our contributions are: (1) a novel method; (2) extensive experiments; (3) strong results. Après : 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 Entassement de citations

Citez une ou deux références vraiment pertinentes et expliquez pourquoi, pas une liste de crochets. Avant : Many methods exist [3, 7, 9, 12, 15]. Après : The closest prior method is TabNet [7], which encodes all features jointly; we instead condition on feature-type metadata.

2.9 Atténuation par le vague

À surveiller : somewhat, relatively, fairly, to some extent, quite. Quantifiez ou supprimez. Avant : Performance is somewhat better and relatively robust. Après : Accuracy is 3 points higher and varies by less than 1 point across five seeds.

2.10 Emphase passe-partout

À surveiller : « It is worth noting that », « It should be emphasized that », « Notably, », « Importantly, ». Si c'est vraiment important, la phrase le montrera d'elle-même. Avant : It is worth noting that, importantly, the gain holds across scenarios. Après : The gain holds across all three scenarios (Table 4).

2.11 Phrases trop longues avec propositions en cascade

L'IA aime les longues phrases qui enchaînent trois ou quatre propositions avec « which »/« that »/« while »/« with ». Séparez-les : une idée par phrase, supprimez les propositions qui ne portent pas le poids. À surveiller : les phrases de plus de 30 mots environ, ou avec 3+ propositions. Avant : Existing methods, though promising, are largely empirical, with unclear principles underpinning their behavior, which limits their reliability and further progress. Après : Existing methods stay empirical. Their principles are unclear, which limits reliability and progress.

Couche 3 : À conserver, ne pas sur-corriger [Source : academic-humanizer v0.3.3 · Layer 3]

Les humaniseurs généraux aplatissent les constructions académiques légitimes ; celles-ci doivent être conservées :

• L'atténuation liée aux preuves est correcte et nécessaire. Lorsque l'affirmation est réellement incertaine, conservez « suggests », « is consistent with », « we hypothesize that », « may indicate », « appears to ». Correction erronée : remplacer « the results suggest X » par « the results prove X » — cela crée une affirmation excessive. Conservez les verbes calibrés.
• La voix passive est acceptable lorsque l'acteur n'est pas pertinent : « Samples were normalized to total protein. »
• La première personne du pluriel « we » est la norme ; ne la réécrivez pas pour l'éviter.
• Le point-virgule et occasionnellement trois éléments peuvent être utilisés avec modération. Les tirets cadratins sont une exception : supprimez-les tous (Couche 1), remplacez-les par des virgules, des deux-points, des parenthèses ou en reformulant la phrase.
• Les définitions formelles, les méthodes/métriques nommées, la terminologie, les équations et les symboles sont conservés tels quels.
• N'inventez, ne supprimez et ne modifiez jamais aucun nombre, équation ou citation ; conservez chaque clé de citation. (Cette station est contrôlée mécaniquement par check_markers.py/check_numbers.py/check_citations.py du pipeline et par un check-consistency(en) complet.)

Couche 5 : Alignement du ton et du registre de la revue [Source : academic-humanizer v0.3.3 · Layer 5]

Si l'auteur fournit un article existant, lisez d'abord l'échantillon, notez le rythme des phrases, les habitudes de connecteurs, le degré et l'emplacement de l'atténuation, la façon dont les sections commencent, les notations et les expressions idiomatiques, puis alignez-vous. Alignez-vous également sur le registre de la revue (par exemple, ICLR/NeurIPS : concis, direct, axé sur les résultats ; Nature/PNAS : plus explicatif). Sans échantillon, utilisez par défaut une prose propre, précise et conforme au registre de la revue, et non la voix familière et pleine d'opinion des humaniseurs généraux.

---

Provenance et dérivations

• Couches 1/2/3/5, principes fondamentaux, processus, quand l'utiliser : proviennent du skill utilisateur academic-humanizer v0.3.3 (MIT), chaque section est annotée avec [Source : academic-humanizer v0.3.3 · …] ; le texte est largement repris, seules les références croisées liées au mode proposition ont été supprimées, et des annotations de raccordement ont été ajoutées en 2.1/Couche 3 précisant que « la révision se fait uniquement au niveau de la présentation, et la force des preuves est renvoyée à claim-audit ».
• « Contrat de raccordement » et « Pourquoi exclure la réécriture des affirmations et des preuves » : ajout spécifique au pipeline académique [Source : contrat de station de révision du pipeline académique], aligné sur les règles existantes de translate-en/status concernant la station de révision.
• Non inclus : La Couche 4 de academic-humanizer (discipline des affirmations et des preuves) n'est pas dans cette station ; son rôle est assuré dans le pipeline par claim-audit/interpret-results/check_numbers.py.
• Extrait séparément : La Couche 6 de academic-humanizer (mode proposition NSF/NIH, comprenant les sections 6.1–6.5) est extraite en tant que skill indépendant grant-proposal-editing, non inclus dans ce plugin (orthogonal au processus recherche → soumission).

Résultat

Produire le texte anglais révisé et un court rapport de modifications : types de motifs supprimés (classés), éléments liés aux affirmations non modifiés mais marqués pour retour à claim-audit, remarques sur le ton/registre, et confirmation qu'aucun nombre, équation ou citation n'a été modifié.