Typst学术论文去AI写作指南

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
Typst 特定语法保留
- 受保护元素（永不修改）
- 可修改元素（仅限文本）
快速参考：常见替代品
参考书目

目的（目的）

本指南有助于减少人工智能生成的书写痕迹，同时保持技术准确性和 Typst 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：打字机功能（#set, #show, #let）、数学环境、引文（@cite）、标签（<label>)
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。在平滑散文之前保留 Typst 纸：

保护语法锚点：@cite, <label>, #set, #show, #let、数学、代码、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。
清除payload后，才可去除中文或英文结构外壳。

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] / 待补证;不要发明引文、基线、指标、实验或结论。

双语结构-外壳检查

类别	通用触发	学术修复
空对比壳	不是 A 而是 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	真正的问题；本质上；本质上;关键是	删除标记并直接陈述有证据支持的主张
演讲冒号	我的结论是：;结论是：	使用正常的学术句子或具体的清单名词
所指对象模糊	这些东西；由此可见;事物;因素	命名对象、方法、机制、结果或限制
模糊比较级	更适合；更自然	命名比较基线和评估标准

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 @ref1 @ref2 @ref3
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@ref1、能源管理@ref2 和财务规划@ref3 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 @ref1、制造 @ref2 和金融 @ref3 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：

typst

// ❌ 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 @ref1. 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@ref1。”
❌“然而，现有方法有局限性。”
✅“但是，现有方法无法捕获嘈杂环境中的长期依赖关系@ref2 @ref3。”
❌“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：

typst

// ❌ 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 @ref1 and supply chain optimization @ref2. Recent approaches
based on Transformers @ref3 @ref4 show promise but struggle with noisy
data @ref5. This paper proposes a noise-robust attention mechanism that
reduces prediction error by 12% compared to standard Transformers.

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）

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。”
✅ “@tab:结果表明我们的方法在 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。”
✅“@fig：比较表明，我们的方法在训练数据减少 50% 的情况下仍能保持准确性。”

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

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

typst

// ============================================================
// 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

特定于 Typst 的语法保留

受保护的元素（永不修改）

1.函数调用

typst

#set text(...)      // NEVER modify
#show heading: ...  // NEVER modify
#let func = ...     // NEVER modify

2.引文和参考文献

typst

@smith2020          // NEVER modify citation keys
<fig:example>       // NEVER modify labels
@fig:example        // NEVER modify cross-references

3.数学环境

typst

$x^2 + y^2 = z^2$   // NEVER modify math content
$ integral x dif x $ // NEVER modify display math

4.标记语法

typst

*bold*              // Can modify text, keep markup
_italic_            // Can modify text, keep markup
`code`              // NEVER modify code content

可修改元素（仅限文本）

1.段落文本

typst

// ✅ Can modify
This method achieves significant improvements.
→ This method reduces error by 12%.

2.标题文本

typst

// ✅ Can modify text, keep syntax
= Novel Approach for Time Series
→ = Attention-Based Mechanism for Time Series

3.标题文本

typst

// ✅ Can modify text inside caption
#figure(
  ...,
  caption: [This shows significant improvements.]
)
→
#figure(
  ...,
  caption: [This shows 12% error reduction.]
)

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
VENUES.md：期刊或会议特定要求
TYPST_SYNTAX.md：Typst 语法参考

章节写作参考索引

Typst学术论文去AI写作指南 ​

目录 ​

目的（目的） ​

核心原则（核心原则） ​

1.语法保真优先 ​

2. 零捏造 ​

3. 提高信息密度 ​

4. 克制措辞 ​

学术人性化契约 ​

双语结构-外壳检查 ​

需要删除的常见人工智能写作模式 ​

第一类：空话口号 ​

第二类：过度确定 ​

类别3：机械结构（机械排比） ​

第四类：模糊量化（模糊量化） ​

第五类：模板介绍（模板引言） ​

结构级痕迹（LLM-判断） ​

特定部分指南 ​

摘要（摘要） ​

简介（引言） ​

相关工作（相关工作） ​

方法（方法） ​

结果 (结果) ​

讨论（讨论） ​

结论（结论） ​

De-AI 编辑的输出格式 ​

更改类别 ​

特定于 Typst 的语法保留 ​

受保护的元素（永不修改） ​

可修改元素（仅限文本） ​

快速参考：常见替代品 ​

参考书目 ​

Typst学术论文去AI写作指南

目录

目的（目的）

核心原则（核心原则）

1.语法保真优先

2. 零捏造

3. 提高信息密度

4. 克制措辞

学术人性化契约

双语结构-外壳检查

需要删除的常见人工智能写作模式

第一类：空话口号

第二类：过度确定

类别3：机械结构（机械排比）

第四类：模糊量化（模糊量化）

第五类：模板介绍（模板引言）

结构级痕迹（LLM-判断）

特定部分指南

摘要（摘要）

简介（引言）

相关工作（相关工作）

方法（方法）

结果 (结果)

讨论（讨论）

结论（结论）

De-AI 编辑的输出格式

更改类别

特定于 Typst 的语法保留

受保护的元素（永不修改）

可修改元素（仅限文本）

快速参考：常见替代品

参考书目