Academic de-LLM: 機械生成らしさを除去し、議論を残す

Academic de-LLM: 機械生成らしさを除去し、議論を残す は何をしますか？

機械生成された散文が間違っていることは稀です。しかし、それが機械生成であることはすぐにわかります。これは、議論が固まり、提出の直前に行う最後のパスです。

このスキルは、学術的な文章に焦点を当てて設計されています。その背後にある測定は、130万語のジャーナル要約、オープンアクセス全文、arXivプレプリントに基づいています。すべての主張は測定または引用されており、references/sources.md にその詳細、各ソースが確立していない内容、および根拠がない主張が明記されています。

動くものは2つ、ほとんど動かないものは1つ

構造と語彙はあらゆる場所で増加しています。 ChatGPT以前のベースラインと比較して、要約と全文の両方で2～4倍に増加しています。学術文書においては、Tier 2とTier 3が作業の中心です。

フォーマットは、ほとんどがジャーナルのテンプレートであり、著者性を示すものではありません。 全文では、セクション見出しは2021年から2026年にかけて横ばいです。「2. 材料と方法」は、形式が要求するものです。emダッシュの使用頻度はどちらにせよ低いです。

したがって:

文書	開始階層	理由
LaTeXまたはジャーナルテンプレートの論文	Tier 2	見出しや番号付けは発表媒体のものであり、あなたのものではありません。ファイルにマークアップがあってもTier 1はスキップします
要約、または提出フィールド	Tier 2	チェックすべきマークアップがありません
MarkdownまたはHTMLの学術ブログ記事	Tier 1（簡潔に）	フォーマットをあなたが選択したため、emダッシュやインラインヘッダーの太字リストはあなたの責任です。その後、Tier 2へ進みます

この背後にある図表とコーパスは references/sources.md にあります。

関連していますが別のトピックであり、別の著者によるもの: SimpleEnglish (ASD-STE100)。読者がテキストを誤読する可能性がある場合は、そちらを使用してください。読者が機械が書いたと思う可能性がある場合は、こちらを使用してください。論文では、こちらだけを実行してください。STEは、確実性を示す法助動詞を禁止するためです。

2つの指示、同等に拘束力があります

テルを削除し、主張を残してください。 文の主張をエビデンスがサポートする以上に書き換えることは、スタイルチェックを通すためにテキストを破壊することです。それはテルよりも悪いです。

テルを削除し、リズムを残してください。 徹底的に適用すると、以下の階層は短い平叙文を同じ主語で連ねたものを生成します。すべてのテルはなくなり、それとともにリズムも失われます。これは測定されたことであり、仮説ではありません。そのため、以下の4つのルールは、それらが階層のガイダンスと競合する場合、階層ガイダンスに優先します。

分詞でつなげたからといって、長い文を3つの短い文に分割しないでください。 分詞はその場で書き換えるか、従属節にしてください。短い文の中に1つ長い文があることは、人間の段落が持つ姿です。

連続する文を同じ主語で開始しないでください。 修正によって「我々はXを行う。我々はYを行う。我々はZを行う。」が生成される場合、その修正は、パターンカウントが何と言おうと、置き換え前よりも悪質です。

接続詞は残してください。 文が何をしているか（対比、譲歩、進行）を示すフレーズは、読者が議論を追う方法です。そのいくつかはトリガーリストに載っています。それらを削除するとスコアは良くなりますが、読みにくくなります。

スコアの高いトリガーは、自動的に削除する価値があるわけではありません。 精度（Precision）は、パターンが機械の作者であることをどれだけ確実に示すかを測定します。そのフレーズが読者にとってその場所に値するかどうかについては何も語りません。その2番目の質問に答えられるのはあなただけです。

どのパスを行った後も、結果を声に出して読んでください。すべての文が同じ長さであれば、1つ元に戻してください。

ステップ0: スキップパス

何かをマッチングする前に行ってください。これらは決して編集されず、これらに触れるパスは本当の損害を与えます:

フェンスで囲まれたコードブロックとインラインコードスパン。YAML、TOML、JSONのフロントマターまたは設定。Markdownテーブル（「該当なし」プレースホルダーとしてダッシュを使用するセルを含む）。タスクリスト。脚注と引用ブロック。他者からの直接引用。エラーメッセージとログ行。識別子、CLIフラグ、ファイルパス。数値範囲内のenダッシュ（0.88–0.98 など）。2022年11月より前に書かれたもの。

報告時に何をスキップしたかを述べてください（「スキップ: 3つのコードブロック、1つのテーブル、フロントマター」）。これによりパスが監査可能になり、以下に文書化された偽陽性率に対する主な防御策となります。

Tier 1: フォーマット

マークアップを含む文書で最も効果的であり、古いガイドが埋もれさせている階層です。

プレーンな散文には、以下のemダッシュのみが適用されます。この階層の他のすべては、存在するためにマークアップを必要とするため、発生しません。

Emダッシュ

散文でマークアップなしに発生する唯一のTier 1パターン。arXivプレプリントでは、2020年から2026年の間に約2倍に増加し、1万語あたり3.7から7.8になりました。全文ではどちらにせよ低いため、ブログ記事では一目見る価値があり、論文ではほとんど報われません。

Wikipediaは「emダッシュの過剰使用」を挙げていますが、emダッシュの使用そのものを挙げているわけではありません。置き換えるのではなく書き換えてください:

変更前	変更後
The build failed — the cache was stale.	The build failed. The cache was stale.
Latency rose 3x — well outside run-to-run spread.	Latency rose 3x, well outside run-to-run spread.
Two engines — Chroma and Qdrant — gained nothing.	Neither Chroma nor Qdrant gained anything.

尾部が修飾語の場合はカンマ、それ自体が主張である場合はピリオド、余談の場合は括弧。決してセミコロンは使用しないでください。

インラインヘッダーの太字リスト

ファイルの49%、1万語あたり46個。形状は - **用語**: 説明 が、散文が属する場所でリストとして繰り返されるものです。

変更前:

• 高速: 1秒未満で実行。
• ポータブル: 依存関係なし。

変更後: 1秒未満で実行され、依存関係がありません。

項目が真に並列的であり、読者が読むのではなくスキャンする場合（フラグリファレンスなど）はリストを保持してください。「リスト」が衣装を着た3つの文である場合は、変換してください。

タイトルケースの見出し

ファイルの83%、1万語あたり22個。## Getting Started With The Config は ## Getting started with the config になります。固有名詞を除き、全体で文の大文字小文字を使用します。

低頻度のフォーマット

過剰な太字、特に「キーテイクアウェイ」として段落途中の用語を太字にすること。絵文字を箇条書き、区切り、または見出しの装飾として使用すること（ファイルの11%）。見出しレベルのスキップ（H2から直接H4）。見出しの前のテーマ区切り。Markdownではない形式にMarkdownが漏れていること。ストレート引用符が属する場所でのカール引用符（ここでは0%と測定されたが、ワードプロセッサから貼り付けられたテキストでは依然として発生します）。

Tier 2: 構造

モデルレベルの生成習慣であり、インターフェースのアーティファクトではないため、ベンダーやモデル世代を超えて存続します。Wikipediaのカテゴリと用語（ただし偽の範囲（false ranges）は除く。後述）。

コピュラ回避（Copula avoidance）

ChatGPT以降、ジャーナル要約で2.6倍の過剰、全文でも2.6倍。単純な is や are が serves as、serve as、stands as、functions as、boasts、offers、remains、positions X as、presents a、provides a ... solution として装飾されます。

serves as は出現するたびに実際のインスタンスです。裸の provides は6回に1回だけでした。「the tool provides X」は普通の動詞であるため、コピュラ形に限定されます:「provides an effective solution」は「is an effective solution」を意味します。maintains は11件のマッチのうち、実際のインスタンスは1つもありませんでした。動詞を読んでください: is で置き換えられない場合は、そのままにしてください。

-ingによる表面的な分析

学術散文におけるあらゆる種類のテルの中で最も強いもの。 あるジャーナルでは、ChatGPT以前のベースラインが1万語あたり1.0だったのに対し、2024年には8.7、2025年には12.2でピークに達し、2026年には6.9です。全文でも同様の形状を示し、1.9から8.2です。2年経ってもベースラインの約7倍であり、語彙マーカーは減衰しています。

事実に漠然とした解釈を付加する分詞節: highlighting、underscoring、emphasizing、ensuring、reflecting、contributing to、providing、enhancing、allowing、helping、supporting、maintaining、thereby ...ing。

カンマは必要ありません。 「sensor signals enabling precise and robust detection」は、句読点なしでも同じパターンであり、カンマの後だけを見ると、それらのほとんどを見逃していました。enabling は完全に削除されました: 16回マッチしましたが、実際のインスタンスは1つもなく、このパターンが見つけたもの全体の3分の1を占めていました。

変更前: The cache is checked first, reducing round trips and improving latency. 変更後: The cache is checked first. That removes one round trip.

否定の並列（Negative parallelism）

4つのバリエーション: not just X, but Y、not X, but Y、X rather than Y、unlike X, this work Y。

最後のものだけが実際に発生します。not just 形式のみを検索すると、60の要約全体で14のマッチがあり、実際のインスタンスは1つもなく、すべての真正なインスタンスは「unlike traditional studies that optimise accuracy, this work emphasises...」という形状を取っていました。

変更前: This is not about speed. It is about correctness. 変更後: The change corrects the result. It does not make it faster.

3の法則（Rule of three）

3つ組の形容詞またはフレーズ。すべての三つ組がテルであるとは限りません。3つの実在物は3つの実在物です。テストは、3つ目を削除しても情報が失われないかどうかです。

重要性の過度な強調（Undue emphasis on significance）

pivotal、is crucial、is essential、is vital、plays a crucial role、is a testament to、significant potential、highlighting the importance of。特定の事実を一般的な重要性で置き換える。

構造パターンの中で最も信頼性が高い: 約4件中3件は実際のインスタンスです。裸の pivotal は5件中2件と弱く、それでも「are pivotal to classification performance」を捕捉するため保持されます。そして、ヒットが読まれるファインダーでは、ミスは偽陽性よりもコストがかかります。

曖昧な帰属（Vague attribution）

Observers have cited、Experts argue、Industry reports suggest、several sources。誰かを指名するか、主張を削除してください。

偽の範囲（False ranges）

from X to Y で、XとYが共通の尺度上にないもの。「星の誕生から暗黒物質の謎めいた踊りまで」は、形状であり、範囲ではありません。

出典なし。この階層の他の部分とは異なり、Wikipediaページにはありません。references/sources.md を参照してください。

課題の公式（The challenges formula）

「Despite its X, it faces several challenges」に続き、曖昧なポジティブさ。

優雅なバリエーション（Elegant variation）

単語の繰り返しを避けるために同義語をローテーションする行為。繰り返しペナルティのアーティファクトです。技術的なテキストではこれは積極的に有害です: 1つのものには1つの名前。

Tier 3: 過剰語彙

ファイルの26%、1万語あたり2.4個。フォーマットよりも頻度は低いですが、公開された測定値が背後にある唯一の階層です。

Kobakらは、2024年の過剰語彙は圧倒的にスタイル上のものであり、話題上のものではないことを発見しました: 379の過剰スタイル語のうち、66%が動詞、14%が形容詞でした。これは、内容語の79.2%が名詞であったCovidのような実際のイベントとは正反対です。

最も高い頻度比（r = 2024年の頻度 ÷ 反事実的頻度）: delves 28.0、underscores 13.8、showcasing 10.7。最も高い絶対ギャップ: potential 0.052、findings 0.041、crucial 0.037。

著者らの最も強い10の複合マーカー: across、additionally、comprehensive、crucial、enhancing、exhibited、insights、notably、particularly、within。

Wikipediaが独自に編集したリストは大きく重複しており、これが有用な部分です。2つの方法が収束しています: delve、underscore、showcase、crucial、pivotal、intricate、meticulous、robust、testament、tapestry、landscape、realm、align with、foster、garner、enhance、interplay、vibrant、enduring、commendable。

これらを一律に置き換えないでください。これらはすべて正当な英単語であり、禁止語リストはこの分野の他のすべてのツールの失敗モードです。Crucial が、なぜそれが重要であるかを確立する文で使用されている場合は問題ありません。シグナルは密度と共起です: それらのうちのいくつかが1つの段落に、何の仕事もせずに出現すること。

このリストは減衰し、その減衰は測定されています。 あるジャーナルでは、crucial は2024年の1万語あたり5.9から2026年には0.9に減少し、ChatGPT以前のレベルに戻り、delve は事実上消えました。どちらも最も公表されたマーカーであり、公表は単語レベルのテルを殺すものです。robust は逆方向に進み、まだ上昇しています。過剰語彙は消えるのではなく変化するため、固定リストは古くなりやすく、両方向に悪影響を及ぼします。

Kobakの方法を耐久性のある部分として扱い、このリストをスナップショットとして扱ってください。同じ期間に、Tier 2の構造テルは維持されました。散文に対して1つの階層にしか注意を払う余裕がない場合は、Tier 2を使用してください。 図は references/sources.md にあります。

Tier 4: 貼り付け時代のアーティファクト

モデルが出力する文字列で、人間がタイプすることは決してないもの。存在する場合はほぼ決定的であり、マッチングは簡単です。

ここでは両コーパスで0%と測定されました。なぜなら、これらはWebインターフェースの引用レンダリングだからです。これらは、誰かがチャットウィンドウから貼り付けた場合にのみ出現し、エージェントが書いたテキストでは決して発生しません。チェックは維持してください（1パスのコストです）が、それでリードしないでください。

モデル	アーティファクト文字列
ChatGPT	contentReference、oaicite、turn0search0
Gemini	[cite: 1]、[span_1](start_span)
Grok	grok_card、grok_render_citation_card_json
DeepSeek	レンチキュラーブラケット 【 】、迷いの短剣符 †
Perplexity	attached_file、ppl-ai-file-upload

また、引用されたURLに残された utm_source=、無関係な論文に解決されるDOI、無効なISBN、宣言されたが使用されていない名前付き参照もチェックしてください。

パターンは候補を見つけるものであり、違反ではありません

ここにあるすべてのパターンはファインダーです。それぞれのヒットを読んでください。

ある実際の論文で測定された場合: emダッシュパターンは8ヒットを返し、そのうち修正に値する散文は2つでした。残りは3つのコードコメント、1つのテーブルプレースホルダー、2つの数値enダッシュでした。8つすべてを変更するパスは、テーブルと3つのコードサンプルを破損していたでしょう。

審査員パネルであらゆるヒットにラベルを付けて30の要約全体で測定された場合: ファインダーがマッチするすべてのもののうち、約半分は実際のインスタンスです。残りの半分は、偶然に一致した単語です。

ステップ0のスキップパスは、このレートを生存可能に保つものです。

エビデンスではないもの

Wikipediaはこれを明示しており、マーカーよりも重要です。

ChatGPT（2022年11月）より前のテキストは、どのように見えようと、AI生成であることはできません。自分の選択を首尾一貫して説明できる著者は、著者です。不規則な構文は、機械的なパターンではなく、人間のパターンです。これらのマーカーのいずれも証拠にはなりません: Kobakらは集団率を推定しており、集団統計は個人を分類しません。

このチェックを、人を非難するために使用しないでください。同僚が誤って「delve」と書いたとしましょう。本当に機械が書いた場合と、そうでない場合があります。機械検出の文化は、実際の害を引き起こしています。良いテキストは、出会った場所に関係なく良いテキストです。

参考文献

すべての測定、出典、およびこれらのパターンがどのように導き出されたかの詳細については、references/sources.md を参照してください。

このファイル自体は、SKILL.md の仕様に従ってフォーマットされています。