Academic Humanizer

このスキルは、AIが作成した学術散文を、その分野の注意深い著者が書くような文体に変換します。すなわち、文字通りで、正確で、一文一文がつながり、エビデンスが強いところでは自信を持ち、エビデンス以上に強くならないようにします。変更するのは語彙であり、内容ではありません。数値、数式、引用キー、相互参照、形式的なステートメント、真の限定詞は著者が書いたまま維持され、バンドルされたスクリプトでこれを検証します。著者は、各自の所属機関のAI開示義務を遵守する必要があります。

モードと対象範囲

Polis（推敲） モードは、ユーザーが polish, tighten, rewrite, 潤色, 改写を依頼した場合のデフォルトです。以下の編集規則内で、すべてのルールが適用され、流れ（ルール8）とイディオム（ルール9）のために文が書き換えられる可能性があります。
Cleanup（クリーンアップ） モードは、ユーザーがAIトーンの除去のみを依頼した場合、只去AI味や成稿清理と言った場合、またはテキストを最終版と呼んだ場合に適用されます。ルール1から4、およびルール5の最初の項目のみが適用されます。どのルールにも該当しない文はそのまま保持され、該当する文は該当部分のみが変更されます。エビデンスを必要とする主張はプレースホルダーではなくレポートに記載されます。
Draft（草稿） モードは、アシスタントが新しい草稿テキスト（セクション、応答文、プロポーザルなど）を作成する場合に適用されます。ルールを適用しながら執筆し、check_revision.py audit を草稿に対して実行し、見つかった問題を修正してから提出します。記憶から引用しないでください。新しい参照はすべて検索し、存在を確認し、それを説明する文がソースと一致することを確認してください。文献レビューには過去2年間の研究の検索を含めてください。

推敲とクリーンアップの選択が確定しない場合、草稿には推敲を、ユーザーが最終版または提出済みと呼ぶテキストにはクリーンアップを使用します。

編集の規律

すべての変更にはルールがある。 各変更は、以下の番号付きルールのいずれかに対応します。ルールのない変更は差し戻されます。語彙の好みはルールではありません。
最小限の変更。 ルールに該当する文の中で、ルールが対象とする部分のみを変更し、隣接する語句はそのままにします。推敲モードでは、同一文にルール8と9を適用することも許可されます。
何も追加しない。 名前、機関、役割、場所、数字、日付、順序、引用、出典、リンク、因果関係の主張、動機、事例は、元のテキストまたはユーザーの資料に含まれている場合にのみテキストに入力されます。改訂版のすべての内容語は、これら2つのソースのいずれかに由来します。具体的な詳細は著者が提供するものであり、内容の薄い箇所はレポート項目となります。
何も失わない。 本当の不確実性を表現する主張、結論、譲歩、限定詞（may, likely, typically, in some cases, under these conditions, 可能, 通常, 在某些情况下）は維持されます。ルール7は、テキスト自体が証明または報告する結果に対するヘッジと、積み重ねられた重複の2種類の限定詞のみを削除し、レポートには各削除がリストされます。compare は消失したすべての限定詞をリストします。
構造を固定する。 見出しレベル、セクション順序、段落数と順序、リスト、表、図、引用、コードは、ユーザーが構造変更を要求しない限りそのまま維持されます。構造上の問題はレポートに記載されます（ルール11）。

スタイルリファレンスを優先

ユーザーが著者の過去の論文、スタイルガイド、またはターゲットボイスの説明を提供した場合、編集前にそれを読んでください。文の長さ、接続詞、ヘッジングの程度、セクションと段落の始め方、句読点の習慣、表記法に注目してください。リファレンスがルール1、2、3、4、8、9と競合する場合はリファレンスに従ってください。これらのルールは文体を設定するものであり、リファレンスは著者の文体を示すものだからです。意図的にダッシュを使用する著者はそのままにします。リファレンスは、エビデンス、証明された範囲、スタンス、不変項を保護するルール5、6、7、10を決して上書きしません。

チェッカーの実行

SKILL_DIRはこのファイルを含むフォルダです。一般的な場所は、Claude Codeでは ~/.claude/skills/academic-humanizer、Claudeアプリでは /mnt/skills/user/academic-humanizer、OpenAI Codexでは ~/.agents/skills/academic-humanizer または .agents/skills/academic-humanizer です。Pythonのない環境でも同じ比較は行われます。読み取りによって実行し、レポートにスクリプトが実行されなかったことを記載します。

推敲とクリーンアップのプロセス

オリジナルをワーキングフォルダにそのまま保存します。例：ah/orig.tex、またはその他のテキストの場合は .md や .txt。文書の種類、発表媒体、言語、モードを記録します。
スタイルリファレンスが提供された場合はそれを読みます。
python3 SKILL_DIR/scripts/check_revision.py audit ah/orig.tex を実行します。出力には、AIの兆候のあるフレーズ候補とその行、文型、ダッシュ、セミコロンと括弧の密度、長い文、非常に短い文の連続、セクションと結果の構造がリストされます。各ヒットは判断の候補です。「Robust」はロバスト統計の論文では正しく、「navigation」はロボティクス論文では文字通りの意味です。
何も変更する前に全文を読みます。各段落の単一のポイントと、それが前の段落からどのように続いているかを特定します。流れの問題はこのレベルで現れるからです。
ルールと編集規律に従って書き換えます。クリーンアップモードでは、ルールに該当する文のみに触れます。
改訂版をオリジナルの隣に保存し、python3 SKILL_DIR/scripts/check_revision.py compare ah/orig.tex ah/revised.tex --changes を実行します。スクリプトは、数値、引用キー、\ref と \label キー、数式、形式的環境のテキスト、プリアンブルを比較します。次に、消失した限定詞、新しい大文字の用語、新しい引用符で囲まれた文字列、変更されたすべての文をリストし、オリジナルに対する改訂版を監査します。意図しない差異をそれぞれ差し戻し、変更された各文をルールに対応付け、意図した差異のみが残るまで繰り返します。
最終チェックリストを確認し、「出力」の説明に従って提出します。

約150語以下の単一段落の場合、スクリプトはオプションです。提出前に、数値、引用、限定詞、数式をオリジナルと読み比べて確認します。

会話の中で最初の書き換えを行う前に references/examples.md を読んでください。各ルールが、文が必要とするエビデンスがある場合とない場合でどのように適用されるか、また同じ段落が推敲モードとクリーンアップモードでどのように処理されるかが示されています。

ルール

1. 決まり文句とAI語彙を削除する

完全な候補リストは references/lexicon.txt にあり、スクリプトがこれを読み取ります。主なグループ：

語彙：delve, underscore, intricate, tapestry, testament, pivotal, showcase, foster, realm, seamless, harness, multifaceted, nuanced, holistic, meticulous, paramount, invaluable, crucial（単に重要という意味の場合）、leverage（単に使用するという意味の場合）。
内容のない重要性の主張：paves the way, a crucial step toward, opens new avenues, sheds light on, bridges the gap, of paramount importance, transformative, groundbreaking, new paradigm。
定型の書き出し：「In recent years, X has attracted increasing attention」、「With the rapid development of」、「Despite recent advances」、「X plays a crucial role in」。代わりに具体的な問題で始めます。
口語的な書き出し：Simply put, Long story short, Bottom line, 说白了, 说穿了, 先说结论。削除してポイントを述べます。
数字のないサイズ語：extensive または comprehensive experiments, a wide range of, numerous, various, substantial。それぞれを、論文が報告する数または数字に置き換えます。
新規性の水増し：「novel」（セクションごとに1回以上）、「for the first time」、「to the best of our knowledge」。最大1つまで保持し、著者が文献を検索した場合のみ。
強調の予告：It is worth noting that, Importantly, Interestingly, Notably。事実を述べ、その位置とエビデンスに重みを任せます。
繋辞の回避（「is」の意味で「serves as」や「stands as」）、強調のための否定並列（「not just X but Y」）、曖昧な評価を追加する trailing "-ing" 節（「..., highlighting the importance of ...」）、1つの項目を意味する3つのリスト。
含意の決まり文句：rich insights, important implications for practitioners, provides a new perspective, delicate balance, interplay, repeated counterintuitive。
応答文の決まり文句：すべての返信で「insightful comment」に対する感謝。査読者への感謝はレターの冒頭に1回だけ。各返信は何がどこで変更されたかを述べます。

2. 文字通りに書く

比喩や比喩的なラベルを、それが表すメカニズムに置き換えます：landscape, through the lens of, cornerstone, blueprint, roadmap, double-edged sword, sweet spot, unlock, arms race, holy grail, silver bullet, at the heart of, tackle, grapple with。その分野の読者は各文をモデルまたはデータと照合しますが、比喩は照合するものを何も提供しません。

擬人化の比喩は最も明確なケースです。理想化された人物として記述されるツール、モデル、手順（「acts as a tireless reviewer」、「like a wise mentor」、像一位智慧的導師）は、通常、賞賛や「not only ... but also」節が続きます。そのものが何をするかを述べてください：「it checks each constraint against the data in seconds」。

比喩として始まった場合でも、確立された技術用語はそのままにします：bottleneck, halo effect, spillover, curse of dimensionality, cold start, warm start, signal and noise, backbone（ネットワークアーキテクチャの場合）、loss landscape, heuristic（アルゴリズムクラスの名前として）。用語は、その分野または論文内で定義がある場合に保持されます。一般的なラベルよりも正確な記述の方が優れています：「a method without a performance guarantee」は「a heuristic method」よりも多くの情報を伝えます。

このルールは検証可能性のために存在します。比喩自体はモデル出力と人間の文章を区別するものではありません。中国語のノンフィクションを書く人間の書き手はより多くの比喩を使用します（「変更しない理由」を参照）。このルールは論文、学位論文、レポート、レターに適用します。比喩がジャンルに属するエッセイや一般向けの文章では、スタイルリファレンスに従います。

論文のタイトルと、著者がモデル、ポリシー、効果に付けた名前はそのままにします。比喩的な名前はレポートに1回記載され、決定は著者に委ねられます。

3. 句読点：ダッシュなし、セミコロンと括弧は最小限に

エムダッシュ（U+2014、LaTeX ---、中国語の破折号）と、ダッシュとして使用されるスペース入りのエンダッシュまたはハイフンを削除します。代わりにコンマ、コロン、または2つの文を使用します。数値範囲のエンダッシュ（2--6）と結合名（Karush--Kuhn--Tucker）はそのままにします。中国語の連接号も references/chinese.md の説明に従ってそのままにします。

セミコロンと括弧内の挿入句も同じロジックに従います。1段落に2つ以上のセミコロン、またはほとんどの文に括弧内の挿入句がある場合は、完全な文に再構成する必要がある段落を示します。引用、数式番号、単位、初出の略語を囲む括弧は標準的であり、そのままにします。

ダッシュの頻度はモデルによって1桁以上異なります。中国語ノンフィクションのコーパスでは、1,000文字あたり、人間の書き手は0.80、Claudeは4.25、DeepSeekは5.16、Kimiは2.32、Geminiは0.51、GPTは0.11のダッシュを使用しました。同じコーパスで、GPTは5つのモデルの中で「不是……而是」を最も頻繁に使用しました。どのモデルが生成したかに関わらず、すべての草稿は完全なチェックを受けます。

4. 生成テキストを示す文型

以下の各パターンは、5つのモデルによる300のモデル作成記事と、中国語ノンフィクションにおける329の人間作成記事で測定した結果、人間の文章よりもモデル出力で明らかに高い頻度で出現します。また、それぞれに特定の文で特定できるトリガーがあります。英語の形式も英語で同じ働きをします。項目は、そのトリガーが存在する場合にのみ適用されます。

4.1 捏造された対比。 文が、テキスト内の誰も持っていない誤解を設定し、それを訂正します：「The real barrier is not technology but understanding」、「X is not about A; it is about B」、「What matters is not A but B」、不是……而是、並非……而是、不在於……而在於、與其說……不如說、看似……實則、你以為……其實。主張を直接述べてください：「The barrier is understanding.」テキスト内の誰か（先行結果、論文が緩和する仮定、データが棄却する仮説など）がAを持っていると特定されている場合、対比は維持されます：「Unlike \citet{ref1}, we do not assume a closed population.」ルール1は加法的な形式「not just X but Y」をカバーします。

4.2 誘導コロンとリストのリードイン。 合図フレーズとコロンが、内容を述べる代わりに内容を予告します：「The key insight is: ...」、「The answer is simple: ...」、「The result: ...」、「In short: ...」、一句話總結：、核心是：、關鍵在於：、原因如下：、本質上：。合図が何も伝えない場合は削除します。前の文にリンクする場合は保持し、コロンを通常の構文に置き換えます。リストのみを告知する文（「Here are the main reasons:」、我見過的幾種典型場景：）は、内容のある文になるか削除され、リストはすべての項目を保持して前のテキストに続きます。引用、定義、数式、一般的なステートメントの一部を導入するコロン（「The model has two components: a measurement model and a structural model」）はそのままにします。また、多くの序論での「We make three contributions:」のようなジャンルのリードインもそのままにします。見出し、リスト項目ラベル、URL、コードは対象外です。

4.3 繰り返される文の骨格と埋め草の例。 同じ骨格で構築された2つ以上の隣接する文で、節の順序、コンマの位置、長さが同じ場合、完成したフォームのように読めます。測定された頻度は、人間のテキストでは100段落あたり4.81であるのに対し、モデルテキストでは9.41です。1つの文の構文を、マージ、分割、順序変更、または従属化によって変更し、その内容を維持します。同じポイントを伝える3つ以上の並列ケースがある場合、最も代表的なケースを主節に保持し、情報を落とさずに他のケースを節に圧縮します。ナラティブシーケンス、列挙されたステップ、1文内の並列節はそのままにします。

4.4 言い換え文。 「This means that」、「This suggests that」、「In other words」、這意味著、這表明、這說明、或いは換句話說で始まり、前の文を繰り返す文は、その文に統合されるか、その結論のみを保持します。前の文に含まれない結論を導き出す文はそのまま保持され、その根拠はルール5および6の下でチェックされます。

4.5 修辞的リスト。 完全に聞こえるように3つ以上の並列項目を連鎖させる1つの節。例：スタートアップ、中堅企業、大企業...

（訳注：原文が途中で切れているため、ここでSkill Markdownの翻訳は終了します。実際の完全なSKILL.mdを翻訳する必要があります。）

Academic-Humanizer