CharlieWei5183/academic-english-editing

영문 교정소 (academic-english-editing)

본 플러그인 내장 영문 학술 교정소(0.8.0부터 포함). translate-en이 영문 초안을 생성한 후, 사람이 직접 확인하기 전에 선택적으로 사용합니다: AI가 생성한 영문 자취를 제거하고, 학술 관례에 맞추며, 저자와 저널의 톤을 반영하면서, 학술 작문에서 원래 정확했던 정밀함과 증거 기반 어조를 보존합니다. 기술 글쓰기에서 '중립적이고 정확한' 것이 사람의 목소리입니다; 의견, 유머 또는 1인칭 개성을 주입하지 마십시오.

계약 조건 [출처: academic-pipeline 교정소 계약]

• 선택적 단계입니다: 건너뛸 수 있지만, 영문 직접 확인을 대체할 수 없습니다.
• 오직 언어 표현만 수정할 수 있습니다; 숫자, <!-- results.* -->/<!-- table:* -->/<!-- claims.* --> 마커, [@citekey], claim strength, validation boundary, 방법론 또는 제한 사항의 의미를 변경할 수 없습니다.
• 교정 결과는 새 영문 버전 manuscript/en/vN.md를 생성합니다 (SI가 있는 경우 새로운 버전도 동시에 생성).
• 교정 후 check_markers.py, fact-checker(섹션당 2-3문장 역번역 비교) 및 reviewer-language를 다시 실행해야 합니다; 이후에도 영문 직접 확인 및 전체 check-consistency(en)이 필요합니다.
• claim 강도, 숫자 해석, 방법론 또는 제한 사항에 영향을 미치는 모든 변경은 상위 소스 아티팩트(claim-audit/interpret-results/validation)로 돌아가며, 본 단계에서 판단하지 않습니다.

claim-evidence 재작성을 포함하지 않는 이유 (기존 academic-humanizer Layer 4)

aacademic-humanizer의 Layer 4(동사를 증거 강도에 맞게 낮추고, 근거 없는 주장에 지표 또는 softening을 추가)는 claim 강도를 변경하여 위의 '오직 표현만 수정' 계약을 위반합니다. 또한 본 단계에 도달했을 때 claims는 이미 claim-audit에서 심사되고 사람이 확인을 마쳤습니다. 따라서 본 단계에서는 Layer 4 재작성을 수행하지 않습니다: over-claim이 발견되면 표시만 하고 claim-audit/interpret-results에 보고하며, 자체적으로 원고를 수정하지 않습니다. 원 Layer 4의 정신은 파이프라인 내에서 claim-audit의 entailment/강도 공격과 check_numbers.py를 통해 구현됩니다.

사용 시기

영문 학술 산문 편집: 논문 섹션, 초록, rebuttal, related work. 블로그, 마케팅, 개인 에세이에는 사용하지 않으며, AI 사용 공개를 회피하기 위한 도구가 아닙니다. 자금/연구 제안서(NSF, NIH 등)를 처리해야 하는 경우 별도 skill grant-proposal-editing을 사용하십시오 (제안 언어 영역이 다르며 비전과 실행 가능성을 판매하므로 논문 수준의 축약이 적용되지 않습니다).

핵심 원칙 [출처: academic-humanizer v0.3.3 · Core principle]

학술 작문은 이미 올바른 사람의 목소리를 가지고 있습니다: 중립적이고, 정확하며, 3인칭 복수('we')를 사용하고, 모든 주장이 증거에 연결됩니다. 본 단계의 작업은 (1) 구어체화하지 않으면서 AI tells를 제거하고; (2) 일반적인 humanizer가 놓치는 규율을 지키는 것입니다 — 모든 숫자, 결과 및 인용을 보존하고, 어떤 동사도 그 증거보다 강하지 않도록 합니다 (단, 수정은 '표현' 수준에서만; 증거 강도 판단은 claim-audit에 속함).

프로세스 [출처: academic-humanizer v0.3.3 · Process, 계약 조건에 맞게 조정]

1. Read: 영문 원고와 (있는 경우) 저자의 기존 논문 샘플을 읽고, 대상 저널의 언어 영역을 기록합니다.
2. Audit (먼저 수정하지 않음): 감지된 패턴을 하나씩 나열합니다 (위치 + 제안 수정 방법). claim 강도 또는 숫자 해석과 관련된 것은 '→ claim-audit으로' 표시하고, 본 단계의 수정 목록에 포함하지 않습니다.
3. Rewrite: 구조와 내용은 변경하지 않으며, 모든 숫자, 마커, citekey, claim 표시를 보존하고, tells를 제거하며, 합법적인 hedging은 유지합니다.
4. Report: 교정된 원고와 간단한 변경 로그(제거된 패턴 유형, 톤/레지스터 메모)를 출력하고, 숫자, 방정식 또는 인용이 변경되지 않았음을 확인합니다. 원본이 포함하는 모든 것을 포함합니다: 원본이 5문단이었다면 재작성도 5문단입니다.

---

다음 Layer 1/2/3/5 내용은 academic-humanizer v0.3.3에서 가져왔으며, 각 레이어별로 출처를 표시합니다; 제안 모드(원 Layer 6)와 관련된 상호 참조만 제거했습니다.

Layer 1: 일반 AI-tell 목록 [출처: academic-humanizer v0.3.3 · Layer 1]

Layer 3의 학술 예외를 따르면서 다음 일반 패턴을 스캔하고 수정합니다: inflated significance ('marking a pivotal moment'); superficial '-ing' tails that fake depth ('..., highlighting...'); promotional/figurative language ('rich', 'vibrant', 'groundbreaking'); vague attributions ('experts argue' with no cite); AI vocabulary (delve, underscore, intricate, tapestry, testament, landscape (abstract), pivotal, showcase, foster, leverage (filler), realm, seamless); copula avoidance ('serves as' → 'is'); negative parallelisms ('not just X, but Y'); rule-of-three padding; elegant variation (cycling synonyms for one referent); filler ('it is worth noting that', 'in order to'); overlong, clause-stacked sentences (split them; 2.11 참조); 및 em-dashes (전체 제거; 쉼표, 콜론, 괄호 또는 문장 분할로 재작성).

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

Layer 2: 학술 AI tells (제거 또는 수정) [출처: academic-humanizer v0.3.3 · Layer 2]

2.1 Over-claiming verbs

실증 작업은 shows / provides evidence이지만, 보편적 진리를 prove / demonstrate하지는 않습니다. Watch: demonstrate, prove, establish, confirm, guarantee; 'significantly' without test/numbers. Before: We prove that our method significantly outperforms all prior approaches. After: 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. (참고: 본 단계는 '표현' 수준에서만 어조를 조정합니다; 실제 증거가 동사를 뒷받침하기에 충분하지 않다면 이는 claim 강도 문제이며, claim-audit으로 표시하고 본 단계에서 수정하지 않습니다.)

2.2 Significance hype

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

2.3 Empty intensifiers

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

2.4 Novelty padding

Watch: 'novel' more than once per section; 'to the best of our knowledge'; 'for the first time'. Before: We propose a novel framework and, to the best of our knowledge, are the first to study this. After: We study online calibration under delayed labels, which prior calibration work (offline) does not address.

2.5 Formulaic openers

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

2.6 Connective overuse

연속된 문장을 모두 Moreover/Furthermore/Additionally/In particular로 시작하지 마십시오; 논리가 스스로 이어지도록 하십시오. Before: Moreover, the method is fast. Furthermore, it is simple. Additionally, it scales. After: The method is fast and simple, and it scales to one million rows (Section 5).

2.7 Contribution-list cliches

각 기여 사항에는 초록을 반복하지 말고 구체적인 결과를 명시하십시오. Before: Our contributions are: (1) a novel method; (2) extensive experiments; (3) strong results. After: 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 Citation dumping

대괄호 안에 여러 개를 나열하는 대신 진정으로 관련 있는 한두 개를 인용하고 그 이유를 설명하십시오. Before: Many methods exist [3, 7, 9, 12, 15]. After: The closest prior method is TabNet [7], which encodes all features jointly; we instead condition on feature-type metadata.

2.9 Hedging-by-vagueness

Watch: somewhat, relatively, fairly, to some extent, quite. 수치화하거나 삭제하십시오. Before: Performance is somewhat better and relatively robust. After: Accuracy is 3 points higher and varies by less than 1 point across five seeds.

2.10 Boilerplate emphasis

Watch: 'It is worth noting that', 'It should be emphasized that', 'Notably,', 'Importantly,'. 정말 중요하다면 문장 자체가 그 중요성을 드러낼 것입니다. Before: It is worth noting that, importantly, the gain holds across scenarios. After: The gain holds across all three scenarios (Table 4).

2.11 Overlong, clause-stacked sentences

AI는 'which'/'that'/'while'/'with'를 사용하여 3-4개의 절을 연결하는 긴 문장을 선호합니다. 분할하십시오: 한 문장에 하나의 의미, 중요하지 않은 절은 제거하십시오. Watch: 약 30단어 초과 또는 3+ 절 문장. Before: Existing methods, though promising, are largely empirical, with unclear principles underpinning their behavior, which limits their reliability and further progress. After: Existing methods stay empirical. Their principles are unclear, which limits reliability and progress.

Layer 3: 보존, 과도한 교정 금지 [출처: academic-humanizer v0.3.3 · Layer 3]

일반 humanizer가 평평하게 만드는 정당한 학술 구조는 보존해야 합니다:

• 증거 연계 hedging은 정확하고 필수적입니다. 주장이 실제로 불확실할 때 'suggests', 'is consistent with', 'we hypothesize that', 'may indicate', 'appears to'를 유지하십시오. 잘못된 수정: *'the results suggest X'*를 *'the results prove X'*로 변경하는 것 — 이는 over-claim을 만듭니다. 보정된 동사를 유지하십시오.
• 수동태 행위자가 관련 없을 때는 문제가 없습니다: 'Samples were normalized to total protein.'
• 1인칭 복수 'we' 는 표준이며, 이를 피하기 위해 문장을 다시 쓸 필요가 없습니다.
• 세미콜론과 가끔의 3항 나열은 적절히 사용할 수 있습니다. Em-dashes는 예외입니다: 전체 제거(Layer 1)하고 쉼표, 콜론, 괄호 또는 문장 분할로 재작성하십시오.
• 형식적 정의, 명명된 방법/지표, 용어, 방정식 및 기호는 원래 그대로 유지하십시오.
• 어떤 숫자, 방정식 또는 인용도 절대 발명, 삭제 또는 변경하지 마십시오; 모든 cite key를 유지하십시오. (본 단계는 파이프라인의 check_markers.py/check_numbers.py/check_citations.py 및 전체 check-consistency(en)에 의해 기계적으로 보호됩니다.)

Layer 5: 어조 및 저널 언어 영역 정렬 [출처: academic-humanizer v0.3.3 · Layer 5]

저자가 기존 논문을 제공한 경우 먼저 샘플을 읽고, 문장 리듬, 접속사 습관, hedging의 정도와 위치, 섹션 시작 방식, 표현 및 관용구를 기록한 다음 정렬합니다. 또한 저널 언어 영역에 맞춥니다 (예: ICLR/NeurIPS: 간결하고 직접적이며 results-forward; Nature/PNAS: 더 설명적). 샘플이 없을 때는 깨끗하고 정확하며 저널 언어 영역에 맞는 산문을 기본값으로 사용하며, 일반 humanizer의 구어체적이고 의견이 담긴 목소리를 피합니다.

---

출처 및 파생 설명 (Provenance)

• Layer 1/2/3/5, 핵심 원칙, 프로세스, 사용 시기: 사용자 skill academic-humanizer v0.3.3(MIT)에서 파생되었으며, 각 섹션에 [출처: academic-humanizer v0.3.3 · …]로 표시되어 있습니다; 텍스트는 대부분 그대로 가져왔으며, 제안 모드와 관련된 상호 참조만 제거하고 2.1/Layer 3에 '수정은 표현 수준에서만, 증거 강도는 claim-audit으로'라는 계약 조건 메모를 추가했습니다.
• '계약 조건' 및 'claim-evidence 재작성을 포함하지 않는 이유': academic-pipeline 전용으로 새로 추가되었습니다 [출처: academic-pipeline 교정소 계약]; translate-en/status의 교정소에 대한 기존 규범과 일치합니다.
• 포함되지 않음: academic-humanizer의 Layer 4(claim-evidence discipline)는 본 단계에 포함되지 않습니다; 그 역할은 파이프라인 내에서 claim-audit/interpret-results/check_numbers.py가 담당합니다.
• 별도 추출: academic-humanizer의 Layer 6(NSF/NIH 제안 모드, 6.1-6.5 포함)은 별도 skill grant-proposal-editing으로 추출되었으며, 본 플러그인에 포함되지 않습니다 (연구→제출 워크플로와 직교함).

출력

교정된 영문 원고와 간단한 변경 보고서를 출력합니다: 제거된 패턴(분류), claim 관련되어 수정되지 않고 claim-audit으로 표시된 항목, 어조/언어 영역 메모, 그리고 숫자, 방정식 또는 인용이 변경되지 않았음을 확인합니다.