中文学位论文去AI化写作指南
目录
- 目的
- 核心原则
- 学术人味契约：先保论文，再降 AI 味
- 常见 AI 痕迹模式及消除方法
- 结构级 AI 痕迹（靠判断，标
[LLM]） - 分章节准则
- 去AI化编辑输出格式
- 改动类型
- 检测清单（配合
deai_check.py --analyze使用） - 各章节 AI 痕迹密度评分
- 快速参考：常见替换
- 参考文献配合使用
- 分级模式（--tier）与 D1-D5 维度
- 高校 AIGC 检测政策与本模块定位（2025-2026）
目的
本指南帮助降低 AI 生成文本的痕迹，同时保持技术准确性和 LaTeX 语法完整性。
目标模式：Mode T - 博士论文中文初稿（更完整解释）
核心原则
1. 语法保真优先
- 绝不修改：LaTeX 命令、环境、公式、引用、标签
- 仅修改：普通段落文字、章节标题、图表标题文字
- 保持：所有结构完整性以确保可编译
2. 零捏造原则
- 绝不新增：数据、指标、对比结论、实验设置
- 绝不新增：新断言、新贡献点、新引用
- 仅改进：表达清晰度和自然流畅度
3. 提高信息密度
- 每句话必须传递可核查信息
- 删除无实质内容的空话
- 用具体主张替换空泛表述（如有数据）
- 标记无法核查的断言为【待补证】
4. 克制措辞
- 避免无证据支持的过度确定
- 对推测性断言使用适当限定
- 客观陈述贡献，不夸大其价值
学术人味契约：先保论文，再降 AI 味
降低 AI 味不是把论文改得更顺滑，也不是绕过检测。处理顺序必须是：
- 先保护语法锚点：
\cite{}、\ref{}、\label{}、公式、环境、宏和章节结构不作为默认改写对象。 - 再抽取学术载荷：事实/证据、作者主张、章节逻辑、适用边界和待补证处。
- 最后删除结构壳：二元对比壳、伪洞察提示词、冒号讲义腔、空泛指代和无准则比较。
默认输出诊断、风险摘要或改写蓝图。只有用户明确要求改写正文时，才给局部 prose proposal；需要新证据的位置写【待补证】，不要补造数据、引用或结论。
结构壳优先检查
| 类别 | 常见触发 | 学术修复 |
|---|---|---|
| 二元对比壳 | 不是 A，而是 B；不在于 A，而在于 B | 若有实质对比，补明比较轴、基线和证据；否则直接陈述判断 |
| 伪洞察标记 | 真正、其实、本质上、核心在于、这说明 | 删除提示词，直接写证据支持的 claim 或【待补证】 |
| 冒号讲义腔 | 我的结论是：；原因很简单：；重点是： | 改成普通学术句，或用具体名词引出清单 |
| 空泛指代 | 这些东西、这件事、一类、几个方向 | 换成研究对象、方法、因素、结果、局限等准确名词 |
| 无准则比较 | 更适合、更像、更自然、更高级 | 写出比较对象、任务场景和评价准则 |
| 命令式开头 | 别急着、先别、顺序别反了 | 改成学术风险、研究步骤或观察结论 |
常见 AI 痕迹模式及消除方法
类别 1：空话与口号
| ❌ AI 痕迹 | ✅ 拟人化 | 说明 |
|---|---|---|
| 显著提升 | 将 MAE 降低了 X% | 使用具体数字 |
| 全面系统 | 分析了 X、Y、Z 三方面 | 列举具体内容 |
| 有效解决 | 相比基线提升 X% | 陈述对比指标 |
| 重要意义 | 使 X 任务成为可能 | 说明实际价值 |
| 鲁棒性好 | 在噪声环境下保持准确 | 说明条件 |
| 新颖方法 | 在 X 基础上引入 Y | 解释创新点 |
检测方法：查找可被具体主张替换的形容词。
类别 2：过度确定
| ❌ 绝对化 | ✅ 限定化 |
|---|---|
| 显而易见 | 实验结果表明 |
| 毫无疑问 | 可认为 / 据此推断 |
| 必然 | 在本文设置下倾向于 |
| 完全 | 在大多数情况下 |
| 毫无例外 | 在实验观察范围内 |
| 总是 | 在本文实验条件下一致 |
| 从不 | 极少观察到 |
检测方法：没有限定条件或证据支持的绝对断言。
分级的保守措辞替换表（因果/首创/普适/效应量/应用）见
../writing/over-claim-guard.md。
类别 3：机械排比
无实质内容的三段式并列： ❌ "该方法快速、准确、高效。" ✅ "该方法处理速度达 1000 样本/秒，准确率 95%。"
模板化过渡： ❌ "近年来，深度学习发展迅速。" ✅ "自 2020 年以来，深度学习在 X 任务上取得突破性进展 [1-3]。"
通用型开头： ❌ "随着科技的飞速发展..." ✅ 直接从具体问题背景入手。
句式排比检测 (C2)： 3 条及以上连续句子使用相同的开头模式（前 2-4 个字相同），暗示模板化生成。
❌ "本文提出了A方法。本文设计了B模块。本文实现了C框架。" ✅ "A方法旨在解决X问题。在此基础上，B模块通过Y机制增强了性能。此外，C框架将上述组件集成为端到端系统。"
检测方法：可适用于任何领域任何论文的短语；连续 3 行相同开头模式。
类别 4：模糊量化
| ❌ 模糊 | ✅ 具体 |
|---|---|
| 大量研究 | 三项近期研究 [1-3] |
| 多次实验 | 在 X、Y、Z 三个数据集上的实验 |
| 大幅提升 | 提升了 12% |
| 绝大多数 | 78% 的案例 |
| 显著优于 | 以 p<0.01 优于基线 |
检测方法：没有实际数字或引用的量化词。
类别 5：模板引言
❌ "时间序列预测是一个具有重要应用价值的课题。" ✅ "时间序列预测在电网优化 [1]、能源管理 [2]、金融规划 [3] 中发挥关键作用。"
❌ "机器学习技术已广泛应用于众多领域。" ✅ "机器学习已在医疗诊断 [1]、工业质检 [2]、金融风控 [3] 中取得显著成效。"
检测方法：可用于任何教科书中的宽泛概括。
类别 5b：AI 填充连接词 (C1)
AI 生成文本常使用特定的填充连接词作为段落或句子开头，这些词语在人类写作中较少出现或用法不同。
| ❌ AI 填充词 | ✅ 替换建议 |
|---|---|
| 总之 | 删除，直接陈述结论 |
| 综上所述 | 删除或替换为具体的逻辑推导 |
| 不可否认的是 | 删除，直接陈述事实 |
| 值得注意的是 | 删除，将"值得注意"的内容直接作为主句 |
| 需要指出的是 | 删除，直接陈述要点 |
| 不难发现 | 删除，让读者自行从数据中得出结论 |
| 众所周知 | 删除或引用具体文献支撑 |
| 毋庸讳言 | 删除，直接陈述观点 |
检测方法：这些词语通常出现在句首，是 AI 文本的高频特征词。删除后句子应仍然完整。
类别 6：堆叠式并列引用
在引言/绪论和相关工作/文献综述中，将多篇文献简单罗列而不进行逐篇分析，是典型的 AI 写作痕迹。
| ❌ 堆叠引用 | ✅ 分析性引用 |
|---|---|
| 许多学者对此进行了研究 [1], [2], [3], [4], [5]。 | Smith 等人 [1] 提出了 X 方法，在 A 场景下取得了 Y 效果。Jones [2] 在此基础上引入了 Z 机制，但受限于 B。Wang 等人 [3] 则从 C 角度出发，解决了 D 问题。 |
| 近年来的研究取得了一系列进展 [6]-[12]。 | 近年来，基于 Transformer 的方法 [6, 7] 在长序列建模上展现优势，而基于 CNN 的方法 [8, 9] 在计算效率上更具竞争力。混合架构 [10] 试图兼顾两者，但在噪声环境下仍存在不足 [11]。 |
适用范围：引言/绪论 + 相关工作/文献综述
规则：
- 同一句话并列引用不超过 2 个（除非是公认事实的背景陈述）
- 每篇被引文献至少附带一句对其核心贡献、方法或局限的描述
- 优先使用叙述性引用（"Smith 等人 [1] 提出了..."）而非括号堆砌
- 文献综述中按方法/范式分组，组内逐篇讨论具体技术差异
检测方法：查找同一句中出现 3 个及以上 \cite{} 或 [X] 的位置。
结构级 AI 痕迹（靠判断，标 [LLM]）
这类痕迹不在词或句，而在文档结构里，脚本测不出来，须靠通读整篇判断；命中一律标 [LLM]。
- 过度对称的 IMRAD：每一节都被填成同样形状（引言永远 4 段、讨论永远"回顾+对比+意义+局限"）。真实论文是不均匀的——有的节短、有的节长。信号：各节段数高度对称。
- 声明式过渡铺垫："在确立了 X 之后，我们接下来转向 Y。""有了这一点，我们继续……"。真实写作的过渡是隐式的：下一句直接进入新话题，不预告。
- 无立场的讨论：好处坏处都列、但都不选边。真实作者会明确表态（"我们认为 X 比 Y 更可信，因为……"）。
- 段落长度均匀化：80% 的段落都是 5-7 句。真实节奏有起伏——一个 3 句的强调段紧挨一个 10 句的论证段。
如何修复：打破对称——合并过薄段落、拆分过载段落、删除声明式过渡、让讨论明确表态。
分章节准则
摘要
结构：目的 → 方法 → 关键结果（带数字）→ 结论
常见 AI 陷阱：
❌ "本文提出了一种新颖的时间序列预测方法。"
✅ "本文提出了一种基于注意力机制的时间序列预测方法。"
❌ "实验结果表明，该方法取得了显著的性能提升。"
✅ "在 X 数据集上，该方法相比基线将 MAE 降低了 12%。"
❌ "本研究具有重要的理论意义和应用价值。"
✅ "该方法使实时预测成为可能，延迟低于 10ms。"
约束：
- 禁止无具体内容的通用断言（"新颖"、"显著"、"重要"）
- 关键结果必须包含具体数字
- 陈述具体贡献，不泛泛而谈价值
示例：
% ❌ AI 痕迹
本文提出了一种新颖的深度学习方法用于时间序列预测。该方法
相比现有方法取得了显著的性能提升。实验结果证明了该方法的
有效性。
% ✅ 拟人化
本文提出了一种基于注意力机制的多变量时间序列预测方法。
相比 Transformer 基线 [1]，该方法在 UCR 数据集上将 MAE
降低了 12%。实验结果表明，注意力机制有效提升了长程依赖
捕获能力。引言
结构：重要性 → 空白 → 贡献 → 组织结构
常见 AI 陷阱：
❌ "时间序列预测在现代社会中具有重要的地位。"
✅ "时间序列预测是电网优化 [1] 和供应链管理 [2] 的关键技术。"
❌ "然而，现有方法存在一定的局限性。"
✅ "然而，现有方法在噪声环境下无法有效捕获长程依赖 [2, 3]。"
❌ "本文的主要贡献如下："
✅ "本文有三点贡献："
贡献陈述规则：
- 每项贡献必须可核查
- 避免无证据支持的"首次"、"领先"、"最先进"
- 陈述做了什么，而非强调多重要
示例：
% ❌ AI 痕迹
时间序列预测非常重要。很多学者研究这个问题。但是现有方法
有一些不足。本文提出了一种新方法，取得了很好的效果。
% ✅ 拟人化
时间序列预测使能源管理 [1] 和供应链优化 [2] 能够实现主动
决策。近期基于 Transformer 的方法 [3, 4] 展现出潜力，但在
噪声环境下表现不佳 [5]。本文提出了一种噪声鲁棒注意力机制，
相比标准 Transformer 将预测误差降低了 12%。相关工作
结构：分类 → 对比 → 定位
常见 AI 陷阱：
❌ "Smith 等人提出了一种方法，效果很好。"
✅ "Smith 等人 [1] 提出了 X 方法，在 Z 数据集上达到 Y 准确率。"
❌ "现有方法可以分为两类：统计方法和深度学习方法。"
✅ "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]。"
❌ "我们的方法与他们的方法不同。"
✅ "与 [1, 2] 不同，本文方法引入注意力机制以..."
准则：
- 按方法/范式分组，而非按时间顺序
- 对比具体技术差异
- 说明本文的不同之处
- 避免模糊赞扬（"优秀"、"突出"）
- 同一句中并列引用不超过 2 个，每篇文献需有具体分析（参见类别 6）
示例：
% ❌ AI 痕迹
很多人研究时间序列预测。有的用统计方法，有的用深度学习。
Smith 提出了一个很好的方法。Jones 也提出了一个方法。
我们的方法比他们的方法都好。
% ✅ 拟人化
时间序列预测方法分为两类：统计模型 [1-3] 和深度学习方法
[4-6]。Smith 等人 [1] 提出了 ARIMA，假设线性关系。近期
基于 Transformer 的方法 [4, 5] 捕获非线性模式，但需要大量
训练数据。与 [4, 5] 不同，本文方法采用混合架构，在数据
有限时仍保持准确率。方法
结构：概述 → 详细设计 → 算法 → 复杂度
常见 AI 陷阱：
❌ "我们使用了一个神经网络。它非常强大。"
✅ "我们使用了一个 3 层 LSTM，隐藏单元数为 256。"
❌ "算法收敛很快。"
✅ "算法在 100 轮迭代内收敛。"
❌ "模型性能很好。"
✅ "模型处理速度为 1000 样本/秒。"
准则：
- 提供实现细节以保障可复现性
- 说明超参数和架构选择
- 如相关，包含算法复杂度分析
- 专注于做了什么，而非效果如何（效果在结果章）
示例：
% ❌ AI 痕迹
我们使用了一个深度学习��型。模型有很多层，可以自动学习
特征。我们用梯度下降训练模型。
% ✅ 拟人化
我们使用了一个 4 层 Transformer，包含 8 个注意力头
（第 3.1 节）。模型使用 Adam 优化器训练，学习率为 0.001，
批大小为 32（第 3.2 节）。在单张 NVIDIA V100 GPU 上，
训练在 50 轮后收敛。实验
结构：实验设置 → 数据集 → 评价指标 → 基线方法
常见 AI 陷阱：
❌ "我们进行了大量的实验。"
✅ "我们在 UCR 档案的 5 个数据集上进行了评估。"
❌ "我们和很多方法进行了对比。"
✅ "我们与 4 个基线对比：ARIMA [1]、LSTM [2]、Transformer [3]、Informer [4]。"
❌ "实验设置很合理。"
✅ "我们采用 70%/15%/15% 的训练/验证/测试集划分。"
准则：
- 陈述实际做了什么
- 列出具体数据集和基线
- 描述评价指标
- 避免主观评价（"合理"、"全面"）
结果
结构：主要结果 → 消融实验 → 分析
常见 AI 陷阱：
❌ "我们的方法比基线方法好很多。"
✅ "相比最佳基线，本文方法将 MAE 降低了 12%。"
❌ "结果证明了我们方法的有效性。"
✅ "表 1 显示，本文方法在 4/5 个数据集上取得最低 MAE。"
❌ "从图 2 可以看出我们的方法更优。"
✅ "图 2 显示，本文方法在 50% 训练数据下仍保持准确率。"
准则：
- 仅报告事实和数值
- 不解释原因（那是讨论章的任务）
- 避免解释性语言（"更优"、"胜过"但无数字）
- 让表格/图表自己说话
示例：
% ❌ AI 痕迹
实验结果如表 1 所示。我们的方法表现最好。基线方法的性能
不如我们的方法。从结果可以看出我们的方法非常有效。
% ✅ 拟人化
表 1 报告了所有方法在 5 个数据集上的 MAE。本文方法在 4 个
数据集（Electricity、Traffic、Solar、Exchange）上取得最低
MAE。相比最佳基线（Transformer），本文方法平均将 MAE
降低了 12%。讨论
结构：结果解释 → 机制分析 → 局限性 → 未来工作
常见 AI 陷阱：
❌ "良好的性能证明了我们的方法非常优秀。"
✅ "准确率的提升表明，注意力机制有效捕获了长程依赖。"
❌ "我们的方法没有任何局限性。"
✅ "本文方法训练时间更长（2.3 小时 vs 基线的 1.5 小时）。"
❌ "未来工作包括更多实验。"
✅ "未来工作将探索注意力机制的可解释性。"
准则：
- 解释机制，而非重述结果
- 承认失败和边界条件
- 诚实陈述局限性
- 提出具体的未来工作
结论
结构：总结 → 回答研究问题 → 未来工作
常见 AI 陷阱：
❌ "本文提出了一种新颖方法，取得了显著提升。"
✅ "本文提出了一种基于注意力机制的方法，将 MAE 降低了 12%。"
❌ "本研究具有重要的理论和实践价值。"
✅ "本研究使计算资源有限时的实时预测成为可能。"
❌ "未来我们将继续改进我们的方法。"
✅ "未来工作将把该方法扩展到含缺失值的多变量时间序列。"
准则：
- 直接回答研究问题
- 不引入新结果或断言
- 不提出新实验
- 具体、可执行的未来工作
去AI化编辑输出格式
% ============================================================
% 去AI化编辑（第X行 - [章节名称]）
% ============================================================
% 原文：[AI 痕迹文本]
% 修改后：[拟人化文本]
%
% 改动说明：
% 1. [改动类型]：[具体说明]
% 2. [改动类型]：[具体说明]
%
% ⚠️ 【待补证：需要证据支撑的断言】
% ============================================================
[修改后的完整源码]改动类型
- 删除空话：删除模糊形容词/副词
- 补充具体：用具体内容替换空泛表述
- 拆分长句：分割超过 50 字的句子
- 调整结构：改善逻辑流畅度
- 降级措辞：添加适当限定
- 删除冗余：移除重复内容
- 补充主语：插入缺失的语法主语
- 替换模板：用具体内容替换通用表达
检测清单（配合 deai_check.py --analyze 使用）
高优先级 AI 痕迹（必须修复）
- [ ] 无具体信息的形容词：显著、全面、有效、重要
- [ ] 绝对化断言：显而易见、必然、完全、毫无疑问
- [ ] 模糊量化词：大量、众多、大幅、绝大多数
- [ ] 模板化表达：近年来、越来越多的、发挥重要作用
- [ ] 堆叠式并列引用：同一句中 3 个及以上引用无逐篇分析（引言+文献综述）
中优先级 AI 痕迹（应当修复）
- [ ] 无实质内容的三段式并列
- [ ] 可用于任何论文的通用开头
- [ ] 过度自信的预测或断言
- [ ] 无具体内容的三点列举
低优先级 AI 痕迹（考虑修复）
- [ ] 重复的句式结构
- [ ] 过度使用连接词
- [ ] 被动语态（主动更清晰时）
各章节 AI 痕迹密度评分
运行 deai_check.py --analyze 后，按以下优先级处理：
| 得分 | 行动 |
|---|---|
| >70% | 紧急：立即重写 |
| 50-70% | 高：尽快重写 |
| 30-50% | 中：审查并修订 |
| <30% | 低：轻微润色即可 |
快速参考：常见替换
| ❌ 删除 | ✅ 替换为 |
|---|---|
| 显著提升 | [具体指标 + 数字] |
| 全面研究 | 分析了 X、Y、Z |
| 有效解决 | 相比基线提升 X% |
| 新颖方法 | 在 X 基础上引入 Y |
| 鲁棒性好 | 在[条件]下保持准确 |
| 显而易见/显然 | 实验结果表明 / 结果表明 |
| 大量研究 | [数字]项研究 [引用] |
| 近年来 | 自[年份]以来 / 在[具体时期] |
| 越来越多的 | 逐渐 / 从 X 增长到 Y |
| 发挥重要作用 | 使...成为可能 / 是...的关键 |
参考文献配合使用
本指南应与以下文档配合使用：
- academic-style-zh.md：中文学术写作规范
- forbidden-terms.md：受保护术语列表
- structure-guide.md：学位论文结构要求
- gb-standard.md：GB/T 7714 格式规范
分级模式（--tier）与 D1-D5 维度
--tier {light|medium|heavy} 为可选开关。不传时输出与原来完全一致；传入时：
- 缩放阈值：
light报得更少（放宽上限），heavy报得更多（收紧上限），medium保持现有阈值； - 启用 D1 句长检查：按中文标点断句，标记句长变异系数过低（机械均匀）的章节；
- 为每条结论标注 AIGC 维度 D1-D5 并附一句 teaching note（检测器为何标记该模式）。
uv run python scripts/deai_check.py main.tex --analyze --tier heavy五个维度面向可读性，不针对知网/维普等任何具体检测平台：D1 句长变化、D2 段落结构、D3 信息密度、D4 连接词频率、D5 术语-语境匹配。阈值（含 sentence_length.cv_threshold）仍可经 references/deai/tone-thresholds.yaml 覆盖。
高校 AIGC 检测政策与本模块定位（2025-2026）
事实核查日期：2026-06。政策更新频繁，以本校研究生院当年通知为准。
检测格局：阈值集中在 15%-40%
自 2025 届起，知网 AIGC 检测通道在国内高校普及，多数学校把"AI 生成疑似度" 作为学位论文送审/答辩的前置门槛。公开案例（节选）：
| 学校 | 红线 | 备注 |
|---|---|---|
| 四川大学 | 文科 ≤20% / 理工医 ≤15% | 分学科双阈值 |
| 中国民航大学 | ≤30% | 超限退回修改 |
| 中国海洋大学 | ≤40% | 超限需说明或复检 |
| 华东师范大学 | ≤20% 且需标注 AI 使用情况 | 阈值+声明双要求 |
检测误判是常态，不要把检测分当真值
- 公式密集段落、法条/标准引用、访谈转录等规范文本被整段误判为 AI 生成的 案例大量公开存在；
- 同一篇论文在不同平台的检测结果可在 7%-70% 之间波动；
- 南京大学等高校已明确声明"检测结果仅作辅助参考，不作唯一依据"。
因此：把本模块的输出当作可读性改进建议，而不是"过检测"保证。 deai 检查的 D1-D5 维度面向"写得更像认真的人写的"，降低误判风险是副作用， 不是承诺——任何工具都无法保证通过特定平台的检测。
--tier 与校级红线的对应建议（仅指引措辞，不改变缩放逻辑）
- 学校红线 ≤20%（如川大、华东师大）：建议
--tier heavy全文过一遍， 并对公式/引用密集章节人工复核误判； - 红线 20%-40%：默认或
--tier medium即可，优先处理高密度章节； - 学校尚未设线：不必为检测而改写，按可读性建议取舍。
政策边界（与 Safety Boundaries 一致）
教育部及各校政策的共同基调是 "允许辅助、禁止代写"：可以用 AI 辅助 润色语言、检查格式，不可以由 AI 代写核心学术内容。本模块只做语言风格 审阅，不提供任何规避检测的功能或建议；论文的研究内容、数据与结论必须 是作者本人的工作，且按本校要求如实声明 AI 使用情况。