あなたの文体 は何をしますか？
これを、この目的のために執筆するユーザーが書いたかのように響かせてください。ユーザーの意図、判断、専門用語、引用、証拠は保持してください。一般的なAIの文体を、一般的な編集者の文体に置き換えないでください。
コンテキストから始め、質問票から始めない
このスキルを宣言してください。下書きと利用可能なプロジェクトコンテキストを検査し、著者、言語、対象読者、文書の種類、目的、ドメイン、執筆条件を推測します。ドメインには、主題、ジャンル、レジスターが含まれます。条件には、共同作業、編集、翻訳、時間、セクションの機能も含まれます。既知の情報と推測された情報を記録してください。
参考資料を収集したりスタイルを測定したりする前に、references/corpus-and-model.md を読んでください。まずユーザーが提供した資料と関連するプロジェクトフォルダを探し、ユーザーのドライブ全体は探さないでください。著者の身元が特定されている場合は、正当な公開著者コピーの比較可能な作品を探してください。強い著者性の証明と比較可能な目的を優先します：単独著者の作品、確認された著者執筆の文章、次に共著者による編集の注意書きがある第一著者の作品。ChatGPT以前の作品は、他の点で比較可能な場合に有用ですが、無支援の著者性の証拠にはなりません。身元を推測したり、共著論文の文体全体をその第一著者に帰属させたりしないでください。
少数の良質な参考資料を目指し、大規模でミスマッチの多いコーパスは避けてください。通常、3～5の比較可能な文書が出発点として有用であり、有効性のしきい値ではありません。最近の同じ目的の文書は、古い無関係な論文よりも優れていることがあります。発見作業は自分で行ってください。身元、アクセス、著者性、または目的が解決できない場合にのみ、簡潔な質問を1つ行ってください。適切な参考資料が存在しない場合、個人のベースラインをでっち上げないでください。
ローカルな文体ライブラリを構築する
プロジェクトの既存の分析/レビュー領域を再利用するか、下書きの隣に your_voice/ を作成してください。元の参考資料は変更しないでください。ソースURL/パス、著者性の信頼度、日付、ドメイン/条件、抽出除外条件、チェックサムを保存し、次にクリーンな散文と簡潔な定性的な文体プロファイルを保存します。スキル内でプライベート文書をアップロードしたり、ダウンロードした論文を再配布したりしないでください。再利用可能な個人ライブラリはローカルに保たれ、言語/ジャンルごとに分割され、1つの普遍的な指紋に統合されません。
state.md を使用して、元の下書きのスナップショット、選択された参考資料、固定された抽出/モデル設定、現在のステージ、各パスの出力/チェック、残っている問題、正確な次のアクションを記録してください。再開時にはそれを読み、元のベースラインを保持し、修正されたテキストで上書きしないでください。後続のAI支援による修正は比較出力であり、新しい独立した参考資料ではありません。
手順
編集前に references/edit-and-report.md を読んでください。元の下書きを保持し、これが言語編集タスクであることを確認してください。未解決の科学的問題を、磨き上げて確かなものに見せかけずに、フラグを立ててください。
- ベースライン。 代表的な参考資料の文章を読み、実際の習慣を説明し、比較可能な参考資料/下書きの散文を測定します。機能語、句読点、文の長さを使用します。表やその他の著者以外の資料は分析から除外しますが、原稿から削除はしません。
- 軽いデスロップ。 明らかなチャットボットの残骸、空の強調、反復的な要約、気取ったフレームワークを、それらが何も追加しない場所で削除します。デスロップ/プレインアカデミックスキルが利用可能な場合は、それを読んで使用します。それ以外の場合は、編集リファレンスに含まれる自己完結型のガイダンスを使用します。この著者の証拠に反して、その汎用的な割り当てや文の長さの下限を課さないでください。これを
cleanupとして保存し、元のものと3つのパーソナルボイスパスとは区別します。 - パス 1 — 簡単で大きな違い。 3～5の安定した影響力の大きい特徴を検査します。自然な機会のみを編集します：連鎖する発見、反復的な書き出し、または不必要な接続の足場。良い元の文は保持します。
- パス 2 — 文脈に応じた機能語とリズムの作業。 再測定し、実際の文がそれを正当化する場合に、残っている最大の違いに対処します。モーダル、接続詞、代名詞、冠詞を、頻度だけでなく意味についてチェックします。割合を一致させるためにフィラーを挿入しないでください。
- パス 3 — 残差と完全な読み。 再測定し、残っている明らかに有用な変更を加え、流れ、文法、推論、認識可能な文体について読みます。パスは正直にゼロ編集を行うことができます。3ラウンドの恣意的な変更を強制しないでください。
各パスの後、差分を保存し、固定された設定で測定し、主張/数値/引用/用語をチェックし、何が変更されたかをユーザーに簡潔に表示します。範囲、権限、または科学的意味が決定を必要とする場合を除き、不必要な質問をせずに3つのパスを続けてください。ローカルのバッチサイズ制限を尊重してください。
80/20ルールは労力を優先します。5つの一致した頻度がスタイルの80%を解決するという意味ではありません。3つのパスの後、残っているものを正直に説明して終了します。さらなる再適合や編集には、偶然の精度に達したいという願望ではなく、理由が必要です。
測定
バンドルされている scripts/compare_voice.py は、英語の文分割された散文を測定し、マッチしたグループ化デザインが利用可能な場合に、標準化された正則化ロジスティック回帰を適合させます。その依存関係は、透過的な特徴分析とグループ化された分類のためのNumPyとscikit-learnです。これは決して下書きを編集しません。入力形式、抽出、グループ化、制限、呼び出しについては、コーパス/モデルリファレンスを読んでください。
検証済みのKoppel-512インベントリが利用可能で、その使用が許可されている場合は使用してください。付属の assets/function_words_en.txt は、明示的にラベル付けされた小さな英語の代替であり、Koppel-512ではありません。リストの長さに基づいて、その出典を主張しないでください。他の言語では適切なトークン化とインベントリが必要です。中国語や翻訳されたテキストを英語のスクリプトに入力し、有効な個人の文体測定を報告しないでください。
この分類器は、特定のデザインの下で参考資料と下書きのサンプルを分離します。これはAIライティングを識別したり、著者性を証明したり、「人間らしさ」を推定したり、ユーザーの文体のパーセンテージを測定したりしません。相関する係数は診断的な手がかりであり、因果的な単語の重要度ではありません。識別可能性の低下は、より良い文章の十分な証拠にはなりません。
同僚のように報告する
簡潔で、直接的で、具体的にしてください。モデルを1～2文で説明し、最も関連する特徴について小さな参考資料/元/最終比較を示し、2～3の代表的な編集前/編集後を示します。チェックした後でのみ、変更されていない科学的内容を述べてください。弱い参考資料の出典、不十分なデータ、抽出の制限、役に立たなかった変更に言及してください。演劇的な熱意、格言、大げさな主張、または儀式的な「XではなくY」というフレーミングは避けてください。
編集された下書き、ローカルな測定/出典パス、完了したパス数、未解決の項目を提供してください。プライベートな参考資料を公開、送信、またはコミットしないでください。原稿のコミットに関する既存の許可に従ってください。最終的な提出とAI使用の開示は著者の責任です。