De-AI英语学术论文写作指南
目录
- 目的（目的）
- 核心原则(Coreprinciples)
- 学术人性化契约
- 需要删除的常见AI写作模式
- 结构级痕迹（LLM-判断）
- 特定部分指南
- De-AI 编辑的输出格式
- 更改类别
- 检测清单（与
deai_check.py --analyze) - 分段 AI 迹线密度分数
- 快速参考：常见替代品
- 参考书目
目的（目的）
本指南有助于减少 AI 生成的书写痕迹，同时保持技术准确性和 LaTeX 语法完整性。
目标模式：IEEE TOP期刊（模式一）——简洁、精确、内敛
核心原则（核心原则）
1.语法保真优先
- 切勿修改：LaTeX 命令、环境、数学、引文、标签
- 仅修改：可见段落文本、章节标题、标题文本
- 保留：编译时的所有结构完整性
2. 零捏造
- 切勿添加：新数据、指标、比较、实验设置
- 切勿添加：新的主张、贡献或结论
- 唯一改进：表达清晰度和自然流畅
3. 提高信息密度
- 每句话都必须传达可验证的信息
- 删除没有实质意义的空话
- 用具体的陈述替换模糊的主张（如果有）
- 将无法验证的声明标记为 [待验证]
4. 克制措辞
- 避免在没有证据的情况下过度自信的语言
- 对投机声明使用适当的对冲
- 客观地而非夸张地呈现贡献
学术人性化契约
降低 AI 音调并不是躲避探测器。在平滑散文之前保存论文：
- 保护语法锚点：
\cite{},\ref{},\label{}、方程、环境、宏和源布局。 - 提取学术有效负载：事实/证据、作者立场、章节逻辑、主张-证据链接和边界。
- 只有在有效载荷明确之后才可以拆除修辞支架。
默认输出应该是调查结果、风险摘要或重写蓝图。仅当用户要求散文时才给出散文建议。将缺少的支持标记为[PENDING VERIFICATION]或者needs evidence;不要发明引文、基线、指标、实验或结论。
修辞支架检查
| 类别 | 通用触发 | 学术修复 |
|---|---|---|
| 空对比壳 | 不只是A，还有B；不仅是A，还有B | 仅在指定基线、标准和证据时保留 |
| 虚假洞察标记 | 本质上;实际上;关键是；更重要的是 | 删除标记并直接陈述有证据支持的主张 |
| 演讲冒号 | 结论是：；原因很简单： | 使用正常的学术句子或具体的清单名词 |
| 所指对象模糊 | 由此可见;事物;方面；因素 | 命名对象、机制、结果、因素或限制 |
需要删除的常见人工智能写作模式
第一类：空话口号
| ❌ 类AI | ✅ 类人 | 笔记 |
|---|---|---|
| 显着改善 | 误差减少 X% | 使用特定数字 |
| 综合分析 | 分析 X、Y、Z | 列出分析的内容 |
| 有效的解决方案 | 优于基线 X | 状态比较指标 |
| 重要贡献 | 提出 X 的方法 | 说明贡献 |
| 稳健的性能 | 在 Y 下保持精度 | 指定条件 |
| 新颖的方法 | 通过引入 Y 来扩展 X | 解释一下新内容 |
检测模式：寻找可以用可衡量的主张替换的形容词。
第二类：过度确定
| ❌绝对 | ✅ 合格 |
|---|---|
| 明显地 | 结果表明 |
| 清楚地 | 证据表明 |
| 一定 | 在这些条件下 |
| 完全地 | 大多数情况下 |
| 无疑 | 看来是 |
| 总是 | 在我们的实验中始终如一 |
| 绝不 | 很少观察到 |
检测模式：没有资格或证据的绝对主张。
对于分级保守措辞表（因果/第一性/普遍性/效果大小/应用），请参阅
../evidence/over-claim-guard.md.
类别3：机械结构（机械排比）
无实质内容的三部分并行： ❌“我们的方法快速、准确、高效。” ✅“我们的方法每秒处理 1000 个样本，准确率达 95%。”
模板转换： ❌“近年来，深度学习发展迅速。” ✅“自 2020 年以来，深度学习在 X 领域取得了最先进的性能。”
通用空缺： ❌“随着科技的飞速发展……” ✅ 直接从具体的问题背景开始。
检测模式：可以适用于任何领域任何论文的短语。
第四类：模糊量化（模糊量化）
| ❌ 模糊 | ✅ 具体 |
|---|---|
| 许多研究 | 最近的三项研究 [1-3] |
| 大量的实验 | X数据集上的实验 |
| 实质性的收获 | 提高 12% |
| 大多数 | 78% 的案例 |
| 明显更好 | 表现优于 p<0.01 |
检测模式：没有实际数字或参考的量词。
第五类：模板介绍（模板引言）
❌“时间序列预测是一个具有广泛应用的重要问题。” ✅ “时间序列预测对于供应链优化 [1]、能源管理 [2] 和财务规划 [3] 至关重要。”
❌“机器学习已经彻底改变了许多领域。” ✅ “机器学习提高了医疗保健 [1]、制造 [2] 和金融 [3] 领域的预测准确性。”
检测模式：任何教科书中都可以出现的广泛概括。
结构级痕迹（LLM-判断）
这些不是单词或句子级别的讲述——它们存在于文档结构中，所以 脚本无法捕获它们。通过阅读整个草稿来判断它们，并标记任何发现 [LLM]。
- 过度对称的 IMRAD — 每个部分都填充为相同的形状（介绍总是 4 段；讨论总是“回顾 + 比较 + 暗示 + 限制”）。真正的论文参差不齐：有些部分短，有些部分长。信号：段落计数在各节之间对称。
- 声明式脚手架转换 — “建立 X 后，我们接下来转向 Y。” /“有了这个，我们就继续……”。真正的写作是隐式过渡的：下一句话不经意间就进入了新的主题。
- 无立场的讨论——各自列出了优点和缺点，但没有人承诺。真正的作者采取立场（“我们认为 X 比 Y 更合理，因为……”）。
- 统一的段落长度 — 80% 的段落由 5-7 个句子组成。真正的节奏各不相同：一个 3 句话的强调段落，旁边是一个 10 句话的论证。
如何修复：打破对称性 - 合并薄段落，拆分超载段落，删除已宣布的过渡，并使讨论提交到一个视图。
特定部分指南
摘要（摘要）
结构：目的→方法→关键结果（带数字）→结论
常见的人工智能陷阱：
❌“我们提出了一种新颖的方法......”
✅“我们提出了一种基于注意力的机制......”
❌“实验结果显示显着改善。”
✅ “在数据集 X 上，与基线相比，我们的方法将 MAE 降低了 12%。”
❌“这项工作对......具有重要意义”
✅“此方法可以实现延迟 <10 毫秒的实时预测。”
限制：
- 没有具体细节的通用声明（“新颖”、“重要”、“重要”）
- 包括关键结果的具体数字
- 说明具体贡献，而不是一般价值
例子：
% ❌ AI-like
This paper proposes a novel deep learning approach for time series
forecasting. The method achieves significant performance improvements
over existing methods. Experimental results demonstrate the effectiveness
of our approach.
% ✅ Human-like
This paper proposes an attention-based mechanism for multivariate time
series forecasting. Our method reduces MAE by 12\% on the UCR archive
compared to the Transformer baseline [1]. Experimental results show that
the attention mechanism improves long-term dependency capture.简介（引言）
结构：重要性→差距→贡献→组织
常见的人工智能陷阱：
❌“时间序列预测在现代社会中发挥着重要作用。”
✅ “时间序列预测对于能源网格优化至关重要 [1]。”
❌“然而，现有方法有局限性。”
✅ “然而，现有方法无法捕获嘈杂环境中的长期依赖关系 [2, 3]。”
❌“我们的主要贡献如下：”
✅“这篇论文做出了三个贡献：”
贡献声明规则：
- 每项贡献都必须是可验证的
- 避免在没有证据的情况下使用“新颖”、“第一”、“最先进”
- 说明你做了什么，而不是它有多重要
例子：
% ❌ AI-like
Time series forecasting is very important. Many researchers study this
problem. However, existing methods have some limitations. This paper
proposes a novel method with significant improvements.
% ✅ Human-like
Time series forecasting enables proactive decision-making in energy
management [1] and supply chain optimization [2]. Recent approaches
based on Transformers [3, 4] show promise but struggle with noisy
data [5]. This paper proposes a noise-robust attention mechanism that
reduces prediction error by 12\% compared to standard Transformers.相关工作（相关工作）
结构：分类→比较→位置
常见的人工智能陷阱：
❌“Smith等人提出了一个方法，很好。”
✅“Smith 等人 [1] 提出了 X，它在数据集 Z 上实现了 Y 精度。”
❌“现有的方法可以分为两种：A和B。”
✅“现有方法遵循两种范式：统计方法 [1-3] 和深度学习方法 [4-6]。”
❌“我们的方法和他们不一样。”
✅ “与 [1, 2] 不同，我们的方法结合了注意力机制......”
指南：
- 按方法/范式分组，而不是按时间顺序分组
- 比较具体的技术差异
- 说明你的做法有何不同
- 避免含糊的赞扬（“优秀”、“杰出”）
例子：
% ❌ AI-like
Many people have studied time series forecasting. Some use statistics,
others use deep learning. Smith proposed a good method. Jones also
proposed a method. Our method is better than theirs.
% ✅ Human-like
Time series forecasting methods fall into two categories: statistical
models [1-3] and deep learning approaches [4-6]. Smith et al. [1]
proposed ARIMA, which assumes linear relationships. Recent Transformer-based
methods [4, 5] capture non-linear patterns but require large datasets.
Unlike [4, 5], our method uses a hybrid architecture that maintains
accuracy with limited data.方法（方法）
结构：概述→细节→算法→复杂性
常见的人工智能陷阱：
❌“我们使用神经网络。它非常强大。”
✅“我们使用具有 256 个隐藏单元的 3 层 LSTM。”
❌“该算法运行良好。”
✅“算法在 100 个时期内收敛。”
❌“该模型具有良好的性能。”
✅“模型每秒处理 1000 个样本。”
指南：
- 提供可重复性的实施细节
- 状态超参数和架构选择
- 如果相关，请包括算法复杂性
- 专注于你所做的事情，而不是它的效果如何（这就是结果）
例子：
% ❌ AI-like
We use a deep learning model. The model has many layers and learns
features automatically. We train the model with gradient descent.
% ✅ Human-like
We use a 4-layer Transformer with 8 attention heads (Section 3.1).
The model is trained using Adam optimizer with learning rate 0.001
and batch size 32 (Section 3.2). Training converges in 50 epochs
on a single NVIDIA V100 GPU.实验（实验）
结构：设置→数据集→指标→基线
常见的人工智能陷阱：
❌“我们进行了广泛的实验。”
✅“我们评估了 UCR 档案中的 5 个数据集。”
❌“我们比较了很多方法。”
✅“我们与 4 个基线进行了比较：ARIMA [1]、LSTM [2]、Transformer [3] 和 Informer [4]。”
❌“实验设置合理。”
✅“我们使用 70%/15%/15% 的训练/验证/测试分割。”
指南：
- 说明你实际做了什么
- 列出特定数据集和基线
- 描述评估指标
- 避免主观评估（“合理”、“全面”）
结果 (结果)
结构：主要结果→消融→分析
常见的人工智能陷阱：
❌“我们的方法比基线的表现要好得多。”
✅“与最佳基线相比，我们的方法将 MAE 降低了 12%。”
❌“结果证明了我们方法的有效性。”
✅ “表 1 显示我们的方法在 4/5 数据集上实现了最低的 MAE。”
❌“从图 2 可以看出，我们的方法更优越。”
✅“图 2 显示，我们的方法在训练数据减少 50% 的情况下仍保持了准确性。”
指南：
- 仅报告事实和数字
- 不要解释原因（这是讨论）
- 避免解释性语言（没有数字的“优越”、“优于”）
- 让表格/数字说明一切
例子：
% ❌ AI-like
The experimental results are shown in Table 1. Our method performs
the best. The baseline methods are not as good as ours. From the
results we can see that our method is very effective.
% ✅ Human-like
Table 1 reports MAE for all methods on 5 datasets. Our method
achieves the lowest MAE on 4 datasets (Electricity, Traffic, Solar,
Exchange). Compared to the best baseline (Transformer), our method
reduces MAE by 12\% on average.讨论（讨论）
结构：解释→机制→局限性→未来的工作
常见的人工智能陷阱：
❌“良好的性能证明我们的方法是优秀的。”
✅“准确性的提高表明注意力机制捕获了长期依赖性。”
❌“我们的方法没有任何限制。”
✅“我们的方法需要更多的训练时间（基线为 2.3 小时，而基线为 1.5 小时）。”
❌“未来的工作包括更多的实验。”
✅“未来的工作将探索注意力机制的可解释性。”
指南：
- 解释机制，而不仅仅是结果
- 确认故障和边界条件
- 诚实地陈述限制
- 提出今后的具体工作
结论（结论）
结构：总结→回答研究问题→未来的工作
常见的人工智能陷阱：
❌“在本文中，我们提出了一种新方法，取得了重大改进。”
✅“这篇论文提出了一种基于注意力的机制，可以将 MAE 降低 12%。”
❌“我们的工作具有重要的理论和实践价值。”
✅“这项工作可以利用有限的计算资源进行实时预测。”
❌“未来，我们将不断改进我们的方法。”
✅“未来的工作将将此方法扩展到具有缺失数据的多变量时间序列。”
指南：
- 直接回答研究问题
- 没有新的结果或声明
- 没有新的实验
- 具体的、可操作的未来工作
De-AI 编辑的输出格式
% ============================================================
% DE-AI EDITING (Line X - [Section Name])
% ============================================================
% Original: [AI-like text]
% Revised: [Human-like text]
%
% Changes:
% 1. [Type of change]: [details]
% 2. [Type of change]: [details]
%
% ⚠️ [PENDING VERIFICATION]: [claim needing evidence]
% ============================================================
[revised source code]更改类别
- 删除了空短语：删除了模糊的形容词/副词
- 增加特异性：用具体替换模糊
- 分割长句：分割句子>50个字
- 重新排序的结构：改进的逻辑流程
- 降级声明：添加适当的对冲
- 删除冗余：删除重复内容
- 添加主题：插入缺少的语法主题
- 固定模板表达式：用特定替换通用
检测清单（与 deai_check.py --analyze 配合使用）
高优先级 AI 跟踪（必须修复）
- [ ] 没有具体细节的形容词：重要的、全面的、有效的、重要的
- [ ] 绝对主张：明显、明显、必然、完全
- [ ] 模糊量词：许多、众多、实质性、大多数
- [ ] 模板短语：近年来越来越多，发挥着重要作用
中优先级 AI 跟踪（应修复）
- [ ] 没有实质意义的机械平行
- [ ] 适用于任何论文的通用开口
- [ ] 过于自信的预测或主张
- [ ] 无具体内容的三部分列表
低优先级 AI 跟踪（考虑修复）
- [ ] 重复的句子结构
- [ ] 过度使用过渡词
- [ ] 主动语态更清晰的被动语态
分段 AI 迹线密度分数
运行 deai_check.py --analyze 后，使用以下内容确定各个部分的优先级：
| 分数 | 行动 |
|---|---|
| >70% | 关键：立即重写 |
| 50-70% | 高：很快重写 |
| 30-50% | 媒介：审查和修改 |
| <30% | 低：仅轻微抛光 |
快速参考：常见替代品
| ❌ 删除 | ✅ 替换为 |
|---|---|
| 显着改善 | [具体指标+数字] |
| 综合研究 | 分析 X、Y、Z |
| 有效的解决方案 | 优于基线 X% |
| 新颖的方法 | 通过引入 Y 来扩展 X |
| 稳健的性能 | 在[条件]下保持准确性 |
| 显然/显然 | 证据表明/结果表明 |
| 许多研究 | [数量] 研究 [引用次数] |
| 最近几年 | 自[年份]/[特定时期]以来 |
| 越来越多 | 越来越/从 X 到 Y 增长 |
| 发挥重要作用 | 使/对于/至关重要/对于 |
参考书目
本指南应与以下各项一起使用：
- style-guide.md：一般学术写作规则
- common-errors.md：要避免的中式英语模式
- catalog.md：期刊或会议特定要求