AIScientists-Dev/academic-humanizer · 上手攻略

  • 仓库：AIScientists-Dev/academic-humanizer
  • 链接：https://github.com/AIScientists-Dev/academic-humanizer
  • 分类：AI 写作 · 学术工具 · Skill
  • 作者：Tom
  • 更新：2026-08-07

这是什么

academic-humanizer 是一个针对学术论文和基金申请书的 AI 写作风格修订 skill，专为 Claude Code、Codex、MorphMind 等 AI coding/prose agent 设计。它的核心目标不是"检测 AI 生成内容"，而是消除 AI 辅助写作中的机械腔、模板腔，让文字回到作者自己的声音，同时严格保持学术严谨性。

与市面"humanizer"（人性化工具）的根本区别：通用 humanizer 面向博客和营销文案，会把论文中的精准表达一并删掉；该工具保留了证据绑定的 hedging、被试描述、引用格式等学术写作规范，只移除真正的"AI 腔"。

解决什么问题

  1. AI 辅助写作后文字变"假大空"："In recent years..."开头、"novel"修饰、"significantly outperforms"无量化比较——这些 AI 腔是论文被desk reject的常见原因。
  2. 通用 humanizer 破坏学术精确性：市面工具会把 "prove"→"show empirically" 这种正确的动词降级、删掉被动语态适用的场景、把数字范围改模糊。
  3. 作者声音丢失：初稿是 AI 写的，后期修改只靠"润色"，最后交稿风格跟作者本人风格完全不搭，审稿人一读就知道有问题。
  4. 基金申请书格式不对路：NSF/NIH 申请书有独特的结构要求（前几页定存亡、vision 需保留、aim 需结果导向），通用写作工具不懂这些。

快速安装

# 克隆到 Claude Code 的 skills 目录
git clone https://github.com/AIScientists-Dev/academic-humanizer ~/.claude/skills/academic-humanizer

skill 文件为标准 SKILL.md，可直接作为 agent 的系统提示或 skill 引用使用——不限于 Claude Code，Codex、MorphMind 等只要支持 skill 或 system prompt 的 agent 均可。

核心用法

基础使用（在 AI coding agent 中）

# 方式 1：直接粘贴文本段，让 skill 修订
/academic-humanizer
[paste a section of AI-generated academic prose]

# 方式 2：指定作者风格参考
/academic-humanizer
[paste a section]
match my voice from prior_paper.pdf

# 方式 3：指定目标投稿 venues
/academic-humanizer
[paste a section]
target venue: ICLR 2027

Grant Proposal 模式（NSF/NIH）

/academic-humanizer
[paste a section]
funding-proposal mode: NSF CAREER

Grant 模式自动应用以下特殊规则： - 保留 vision（长线野心不删） - 前几页权重最高（审稿人从这里打分） - claim 必须有可行性证据支撑 - 删除模糊的"groundbreaking/impact"表述，替换为具体产出

六层修订架构（SKILL.md 内部逻辑）

  1. 通用 AI-tell 目录：移除 "In recent years..."、"to the best of our knowledge"、rule-of-three、very long sentences 等通用 AI 腔
  2. 学术专有 AI-tell：移除 "delve into"、"underscore"、"tapestry"、无量化"significantly"
  3. 保护学术惯例：保留 evidence-tied hedging、被动语态适用场景、we、定义、符号、引用
  4. Claim ↔ Evidence 匹配：动词强度不超过数据支撑（prove → show empirically）；模糊量级替换为归属区间
  5. Voice/Venue 校准：参照作者过往发表论文校准语言风格
  6. Funding Proposal 模式（NSF/NIH）：专属结构规则 + 第一页优先 + claim-feasibility 匹配

引用来源（不改变的内容）

以下内容明确不被修改： - 所有引用和参考文献编号 - 所有数字和统计数据 - 证据绑定的 hedging（如 "may indicate" 不会改成 "proves"） - 方法描述和被试信息 - 符号、公式、定义

典型适用场景

  1. AI 辅助论文起草后：用 humanizer 走一遍，消除 AI 腔同时保持学术腔，适合 Nature/Science/ICLR/NeurIPS 等顶会投稿前自查。
  2. NSF CAREER / NIH R01 申请书撰写：Funding-proposal 模式专门针对美国基金申请书结构，Before/After 示例显示从"泛泛重要性描述"→"具体 gap + falsifiable hypothesis"的转变。
  3. 团队 AI 协作写作规范：将 skill fork 到团队私有仓库，参照团队已发表论文校准 voice 参数，作为团队统一的 AI 写作标准。
  4. 新研究者建立个人风格：提供 3-5 篇已发表论文作为 voice 参考，skill 学会后帮助新手写出更接近自己风格的初稿。

Before/After 示例（来自仓库 examples/before-after.md）

通用 AI 腔 → 学术精炼

Before（AI 腔）

In recent years, graph representation learning has attracted increasing attention. In this paper, we propose a novel method and demonstrate through extensive experiments that it significantly outperforms existing approaches, paving the way for a new paradigm. To the best of our knowledge, this is the first work to delve into this crucial problem.

After（humanized）

Existing graph methods for imbalanced node classification reweight the loss but ignore label noise. We add a noise-aware reweighting term and evaluate it on three citation benchmarks, where it improves minority-class F1 by 3-6 points over focal loss while leaving majority-class accuracy within 1 point.

NSF CAREER 申请书（模糊愿景 → 具体 gap + 可证假设）

Before

Early detection of sepsis is a very important and timely problem with many applications. In this proposal we will explore whether machine learning might possibly help. Aim 1: apply our model to ICU data. Aim 2: extend Aim 1 to multi-site data. Aim 3: if Aims 1–2 succeed, run a pilot. This work will be groundbreaking and have a large impact on the field.

After

Sepsis is treatable when caught early, yet bedside scores fire too late and too often, so clinicians cannot tell a true alarm from noise. Our central hypothesis, supported by preliminary single-site results (Fig. 1), is that fusing continuous vital-sign trends with routine labs detects deterioration hours earlier without raising the false-alarm rate. Aim 1: Establish the detection-vs-false-alarm limit on retrospective ICU data, with calibration quantified by a proper scoring rule. Aim 2: Determine whether adding routine labs to vital-sign trends improves early detection, and for which patient subgroups. Aim 3: Quantify how alert calibration transfers across sites, using a prospectively held-out hospital.

坑与注意

  1. 不生成新内容：该 skill 是"编辑通过"而非"写作助手"——它不会生成新发现、发明数据或修改引用，只能把已有文字改得更好。
  2. 必须标注 AI 使用：skill 明确说明"does not remove your obligation to disclose AI assistance"，所有投稿场合仍需遵守各自 venue 的 AI 使用披露政策。
  3. 不用于规避 AI 检测：该项目不是为了骗过 Turnitin / GPTZero 等检测器设计的；用它来规避检测违反学术诚信。
  4. Voice calibration 需要作者自己的论文：最有效的 voice matching 需要提供作者真实发表的论文 PDF，不是 AI 写的样本。
  5. 规则是团队经验，非通用标准：六层修订规则反映的是一个研究团队的偏好，fork 后应按自己领域（CS/生物/医学/工程）调整具体检查项。
  6. 依赖 Layer 1 通用 catalog：该 skill 重用了 blader/humanizer（MIT License）的通用 AI-tell 目录（Layer 1），需注意其许可证。

与同类对比

工具 目标 学术精确性 Grant 支持 声音校准
academic-humanizer 学术论文/基金 ✅ 保留引用/数字/hedging ✅ NSF/NIH 专项 ✅ 参照作者论文
blader/humanizer 博客/百科/日常 ❌ 不区分 ❌ ❌
Wordtune / Grammarly 通用写作 ❌ ❌ ❌
ChatGPT / Claude 重写 通用 ⚠️ 会降级学术精确性 ❌ ❌
koaeraser/ARMS 统计/方法论文 ✅ 但范围更广（自动pipeline） ❌ ❌

核心差异：academic-humanizer 是目前唯一专门针对学术写作精细语义保留 + AI 腔消除的工具；其他工具要么面向通用写作（会破坏学术精确性），要么面向检测（不处理写作风格）。

一句话推荐结论

写完 AI 辅助论文初稿后，用 academic-humanizer 跑一遍是性价比最高的"最后一步"——它能在保留引用、hedge、数据的完整性同时把文字从"ChatGPT 风"拉回作者自己的声音，尤其适合 NSF/NIH 申请书；注意它只做编辑不做写作，且不能替代学术诚信披露。

来源

  • 仓库 README：https://github.com/AIScientists-Dev/academic-humanizer
  • Before/After 示例：https://github.com/AIScientists-Dev/academic-humanizer/blob/main/examples/before-after.md
  • SKILL.md：https://github.com/AIScientists-Dev/academic-humanizer/blob/main/SKILL.md
  • blader/humanizer（Layer 1 依赖，MIT）：https://github.com/blader/humanizer
  • koaeraser/ARMS（数值精确性参考，claim-evidence emphasis）：https://github.com/koaeraser/ARMS
  • NSF PAPPG：https://www.nsf.gov/policies/pappg
  • NSF CAREER：https://new.nsf.gov/funding/opportunities/career-faculty-early-career-development-program
  • NIH Write Your Application：https://grants.nih.gov/grants/how-to-apply-application-guide/format-and-write/write-your-application.htm