CharlieWei5183/academic-english-editing

Estação de Polimento de Inglês Acadêmico (academic-english-editing)

Estção de polimento de inglês acadêmico integrada a este plugin (incluída desde a versão 0.8.0). Selecione após a tradução para o inglês (translate-en) e antes da revisão humana: elimina marcas de IA, alinha-se às convenções acadêmicas e ajusta-se ao tom do autor e do periódico, preservando ao mesmo tempo a precisão e a ligação evidencial que já estão corretas na escrita acadêmica. Na escrita técnica, 'neutro e preciso' é a voz humana real; não insira opiniões, humor ou personalidade em primeira pessoa.

Contrato de Ponto de Montagem [Fonte: Contrato da Estação de Polimento do academic-pipeline]

• Esta é uma estação opcional: pode ser ignorada, mas não substitui a revisão humana em inglês.
• Apenas a apresentação linguística pode ser alterada; não modifique números, marcadores <!-- results.* --> / <!-- table:* --> / <!-- claims.* -->, [@citekey], força de alegação (claim strength), limites de validação (validation boundary), significado de métodos ou limitações.
• A revisão gera uma nova versão em inglês manuscript/en/vN.md (atualiza a versão se houver SI).
• Após a revisão, execute novamente check_markers.py, o fact-checker de verificação cruzada entre idiomas (amostra 2–3 frases por seção para tradução reversa e comparação) e o reviewer-language; em seguida, ainda é necessária revisão humana em inglês e a verificação completa check-consistency(en).
• Qualquer alteração que envolva força de alegação, interpretação de números, métodos ou limitações deve ser devolvida ao artefato de origem upstream (claim-audit / interpret-results / validation), não sendo decidida nesta estação.

Por que não incluir a reescrita claim-evidence (antiga Layer 4 do academic-humanizer)?

A Layer 4 do academic-humanizer (que reduz verbos ao nível da força da evidência e adiciona indicadores ou suavização para alegações sem suporte) altera a força da alegação, violando o contrato acima de 'apenas apresentação'; além disso, quando o texto chega a esta estação, as alegações já foram revisadas pelo claim-audit e confirmadas por humanos. Portanto, esta estação não realiza a reescrita da Layer 4: ao detectar over-claim, apenas marca e reporta ao claim-audit / interpret-results, sem reescrever por conta própria. O espírito original da Layer 4 é implementado no pipeline pelo claim-audit (ataques de entailment/força) e pelo check_numbers.py.

Quando usar

Revisão de prosa acadêmica em inglês: seções de artigos, resumos, rebuttals, trabalhos relacionados. Não use em blogs, materiais de marketing, ensaios pessoais, e não é uma ferramenta para contornar a divulgação do uso de IA. Para lidar com propostas de financiamento/pesquisa (NSF, NIH etc.), use a skill independente grant-proposal-editing (o registro de propostas é diferente, pois vende visão e viabilidade; a contenção típica de artigos não se aplica).

Princípios Centrais [Fonte: academic-humanizer v0.3.3 · Core principle]

A escrita acadêmica já tem uma voz humana correta: neutra, precisa, em terceira pessoa plural ('we'), com cada afirmação ligada à evidência. O trabalho desta estação é (1) remover os AI tells sem coloquializar o texto; (2) manter a disciplina que humanizadores comuns deixam escapar — preservar cada número, resultado e citação, não permitindo que nenhum verbo seja mais forte do que sua evidência (mas a reescrita é apenas no nível de 'apresentação'; a determinação da força da evidência pertence ao claim-audit).

Processo [Fonte: academic-humanizer v0.3.3 · Process, ajustado conforme contrato do ponto de montagem]

1. Ler: Leia o texto em inglês e (se disponível) amostras de artigos existentes do autor; anote o registro do periódico alvo.
2. Auditar (sem reescrever ainda): Liste um a um os padrões detectados (posição + sugestão de correção). Itens que envolvam força de alegação ou interpretação de números devem ser marcados como '→ reportar ao claim-audit', sem entrar na lista de reescrita desta estação.
3. Reescrever: Estrutura e conteúdo inalterados; todos os números, marcadores, citekeys e marcadores de alegação preservados; remova os tells, mantenha o hedging legítimo.
4. Relatar: Produza o texto revisado mais um breve change log (tipos de padrões removidos, observações de tom/registro) e confirme que nenhum número, equação ou citação foi alterado. Cubra tudo que o original cobre: se o original tem cinco parágrafos, a reescrita também terá cinco.

---

O conteúdo a seguir (Layers 1/2/3/5) é derivado do academic-humanizer v0.3.3, com a fonte marcada em cada camada; apenas as referências cruzadas ao modo de proposta (antiga Layer 6) foram removidas.

Layer 1: Lista Geral de AI-tells [Fonte: academic-humanizer v0.3.3 · Layer 1]

Escaneie e corrija estes padrões gerais, sujeitos às exceções acadêmicas da Layer 3: significância inflada ("marking a pivotal moment"); terminais "-ing" superficiais que fingem profundidade ("..., highlighting..."); linguagem promocional/figurada ("rich", "vibrant", "groundbreaking"); atribuições vagas ("experts argue" sem citação); vocabulário de IA (delve, underscore, intricate, tapestry, testament, landscape (abstract), pivotal, showcase, foster, leverage (filler), realm, seamless); evitação de cópula ("serves as" → "is"); paralelismos negativos ("not just X, but Y"); preenchimento com regra de três; variação elegante (sinônimos cíclicos para um mesmo referente); preenchimentos ("it is worth noting that", "in order to"); frases longas e empilhadas (divida-as; veja 2.11); e travessões (em-dashes) (remova totalmente; reescreva com vírgulas, dois-pontos, parênteses ou quebrando a frase).

Antes: 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.

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

Layer 2: AI-tells Acadêmicos (remova ou corrija) [Fonte: academic-humanizer v0.3.3 · Layer 2]

2.1 Verbos de alegação excessiva

Trabalhos empíricos shows / provides evidence, não prove / demonstrate verdades universais. Cuidado com: demonstrate, prove, establish, confirm, guarantee; "significantly" sem teste/número. Antes: We prove that our method significantly outperforms all prior approaches. Depois: 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. (Nota: Esta estação ajusta o tom apenas no nível de 'apresentação'; se a evidência real não suportar o verbo, trata-se de problema de força de alegação, marque para reportar ao claim-audit, não reescreva aqui.)

2.2 Hype de significância

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

2.3 Intensificadores vazios

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

2.4 Enchimento de novidade

Cuidado com: "novel" mais de uma vez por seção; "to the best of our knowledge"; "for the first time". Antes: We propose a novel framework and, to the best of our knowledge, are the first to study this. Depois: We study online calibration under delayed labels, which prior calibration work (offline) does not address.

2.5 Aberturas formuladas

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

2.6 Uso excessivo de conectivos

Não deixe que frases consecutivas comecem com Moreover / Furthermore / Additionally / In particular; deixe a lógica fluir por si. Antes: Moreover, the method is fast. Furthermore, it is simple. Additionally, it scales. Depois: The method is fast and simple, and it scales to one million rows (Section 5).

2.7 Clichês de lista de contribuições

Cada item da contribuição deve nomear um resultado específico, não reafirmar o resumo. Antes: Our contributions are: (1) a novel method; (2) extensive experiments; (3) strong results. Depois: 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 Despejo de citações

Cite uma ou duas realmente relevantes e explique por quê, em vez de uma lista de colchetes. Antes: Many methods exist [3, 7, 9, 12, 15]. Depois: The closest prior method is TabNet [7], which encodes all features jointly; we instead condition on feature-type metadata.

2.9 Hedging por vagueza

Cuidado com: somewhat, relatively, fairly, to some extent, quite. Quantifique ou remova. Antes: Performance is somewhat better and relatively robust. Depois: Accuracy is 3 points higher and varies by less than 1 point across five seeds.

2.10 Ênfase padronizada

Cuidado com: "It is worth noting that", "It should be emphasized that", "Notably,", "Importantly,". Se for realmente importante, a frase por si só mostrará. Antes: It is worth noting that, importantly, the gain holds across scenarios. Depois: The gain holds across all three scenarios (Table 4).

2.11 Frases longas e empilhadas

IA prefere frases longas encadeando 3-4 orações com "which"/"that"/"while"/"with". Divida-as: uma ideia por frase, corte orações que não sustentam o peso. Cuidado com: frases com mais de ~30 palavras ou 3+ orações. Antes: Existing methods, though promising, are largely empirical, with unclear principles underpinning their behavior, which limits their reliability and further progress. Depois: Existing methods stay empirical. Their principles are unclear, which limits reliability and progress.

Layer 3: Preserve, não corrija demais [Fonte: academic-humanizer v0.3.3 · Layer 3]

Humanizadores comuns tendem a nivelar construções acadêmicas legítimas; estas devem ser mantidas:

• Hedging ligado à evidência é correto e necessário. Quando a afirmação realmente é incerta, preserve "suggests", "is consistent with", "we hypothesize that", "may indicate", "appears to". Correção errada: transformar "the results suggest X" em "the results prove X" — isso cria um over-claim. Mantenha verbos calibrados.
• Voz passiva é aceitável quando o agente é irrelevante: "Samples were normalized to total protein."
• Primeira pessoa do plural "we" é padrão; não reescreva para evitá-lo.
• Ponto-e-vírgula e trincas ocasionais podem ser usados com moderação. Travessões (em-dashes) são exceção: remova-os totalmente (Layer 1), reescrevendo com vírgulas, dois-pontos, parênteses ou quebrando frases.
• Definições formais, métodos/nomes de métricas, terminologia, equações e símbolos preservados como estão.
• Nunca invente, remova ou altere qualquer número, equação ou citação; preserve cada cite key. (Esta estação é mecanicamente verificada por check_markers.py / check_numbers.py / check_citations.py do pipeline e pela verificação completa check-consistency(en).)

Layer 5: Alinhamento de Tom e Registro do Periódico [Fonte: academic-humanizer v0.3.3 · Layer 5]

Se o autor fornecer artigos existentes, leia as amostras primeiro, anotando o ritmo das frases, hábitos de conectivos, grau e posição do hedging, como as seções são abertas, notações e expressões idiomáticas, depois alinhe o texto. Também alinhe ao registro do periódico (ex.: ICLR/NeurIPS: conciso, direto, focado em resultados; Nature/PNAS: mais explicativo). Sem amostras, mantenha a prosa limpa, precisa e adequada ao registro do periódico, evitando a voz coloquial e opinativa de humanizadores comuns.

---

Proveniência e Notas de Derivação

• Layers 1/2/3/5, princípios centrais, processo, quando usar: Derivados da skill de usuário academic-humanizer v0.3.3 (MIT), com a fonte marcada em cada seção por [Fonte: academic-humanizer v0.3.3 · …]; o texto é amplamente mantido, com remoção apenas das referências cruzadas ao modo de proposta e acréscimo, em 2.1/Layer 3, da observação de 'reescrita apenas no nível de apresentação, força da evidência reportada ao claim-audit'.
• 'Contrato de Ponto de Montagem' e 'Por que não incluir a reescrita claim-evidence': Adicionados exclusivamente para o academic-pipeline [Fonte: Contrato da Estação de Polimento do academic-pipeline], alinhando-se às normas existentes de translate-en/status para esta estação.
• Não incluído: A Layer 4 do academic-humanizer (disciplina claim-evidence) não entra nesta estação; suas responsabilidades no pipeline são assumidas por claim-audit / interpret-results / check_numbers.py.
• Extraído separadamente: A Layer 6 do academic-humanizer (modo de proposta NSF/NIH, incluindo 6.1–6.5) foi extraída como skill independente grant-proposal-editing, não acompanhando este plugin (ortogonal ao fluxo pesquisa→submissão).

Saída

Produza o texto em inglês revisado mais um breve change report: padrões removidos (categorizados), itens relacionados a alegações não alterados mas marcados para reportar ao claim-audit, observações de tom/registro, e confirmação de que nenhum número, equação ou citação foi alterado.