社会科学のための学術執筆の人間化

学術誠実性に関する声明

目的: このスキルは、AI支援執筆ツールを通じて表現された研究者の独自の元の考えの質と自然さを向上させるのに役立ちます。

倫理的な使用:

• ✅ 自分の研究と考えに基づいてAIで作成されたテキストを修正する
• ✅ 非ネイティブ英語話者の執筆品質を向上させる
• ✅ より良い学術執筆パターンを学ぶ
• ❌ 理解していない考えを生成するためにAIを使用する
• ❌ 自分の知的貢献を表現していない作業を提出する

原則: 目標は欺瞞ではなく、真正な学術的コミュニケーションです。

---

対象読者

社会科学（社会学、人類学、政治学、教育学、心理学）の非ネイティブ英語話者で、以下に当てはまる人：

• 元の考えと研究を持っている
• AIツールを使ってテキストを作成した
• 執筆スタイルを人間らしくする必要がある
• 明らかなAIパターンを減らしたい

---

このスキルを使用する時期

• ユーザーが独自の考えに基づいてAIで生成された下書きを持っている
• テキストが「完璧すぎる」、機械的、または反復的に感じられる
• AI検出マーカーを減らす必要がある
• 社会科学執筆の真正な学術的声を望んでいる
• 段落の遷移が機械的に感じられる
• 言語が具体的な例のない抽象的すぎる

---

コアワークフロー

ステップ1: テキストを分析する

まず、AI検出アナライザーを実行して問題のあるパターンを特定します：

python scripts/ai_detector.py input.txt

アナライザーは以下を特定します：

• 反復的な文構造と長さ
• 過度に使用されたAI遷移フレーズ（Moreover、Furthermore、Additionally）
• 抽象的/曖昧な言語パターン（「various aspects」、「in terms of」）
• 機械的な段落遷移
• 社会科学にとって不自然な単語選択
• 低い語彙の多様性（Type-Token Ratio）
• 過剰な受動態
• 連続する文の類似性

出力: AI確率スコア + 段落ごとにマークされた特定の問題

ステップ2: 対象を絞った書き換え戦略を適用する

検出された問題に基づいて、以下の修正を適用します：

戦略1: 文のリズムを変化させる（一様性を修正）

AIパターン: すべての文が同じような長さ（15～20語）

人間的な修正: 短い（5～10語）、中程度（15～20語）、長い（25～35語）文を混ぜる

例：

• AI: "This study examines social media impact. The research focuses on young adults. The analysis considers multiple factors."
• 人間らしい: "This study examines social media's impact on young adults, considering factors ranging from identity formation to civic engagement."

戦略2: 抽象的な足場を減らす

AIパターン: ほとんど何も述べない曖昧なプレースホルダーフレーズ

よくある問題のある言い回し：

• "various aspects"
• "in terms of"
• "it is important to note that"
• "multiple factors"
• "different perspectives"

人間的な修正: 具体的な概念、名前が付いた理論、具体的な例に置き換える

例：

• AI: "In terms of the various aspects of social interaction, multiple factors play important roles."
• 人間らしい: "Social interaction depends on trust, reciprocity, and shared norms—factors that vary across cultural contexts."

戦略3: 機械的な遷移を排除する

AIパターン: 文の開始部分で形式的なコネクタを過度に使用する

過度に使用されている単語：

• Moreover,
• Furthermore,
• Additionally,
• In addition,
• It is important to note that

人間的な修正: 多様な遷移戦略を使用する：

• 直接的な論理的流れ（コネクタは不要）
• 「This pattern echoes...」
• 「Building on this insight...」
• 「Yet」 / 「Still」 / 「However」（控えめに）
• コンテンツを通じた暗黙的な接続

戦略4: 学術的な声を追加する

AIパターン: 個性や批判的関与のない一般的な学術的な調子

人間的な修正:

• 適切な留保を含める（「may suggest」、「appears to」、「potentially」）
• 情報源との批判的関与を示す
• 規律固有の言語を自然に使用する
• 本物の知的格闘を示す

例：

• AI: "The data shows a correlation between X and Y."
• 人間らしい: "The data suggest a correlation between X and Y, though the causal mechanism remains unclear and warrants further investigation."

戦略5: 具体性に基礎を置く

AIパターン: 根拠のない一般的な声明

人間的な修正:

• 具体的な理論/学者を名前で挙げる
• 具体的な例を含める
• 特定の文脈を参照する
• 詳細な実際の研究を引用する

例：

• AI: "Research has shown various effects of social media on society."
• 人間らしい: "Recent ethnographic work documents how Instagram reshapes young women's body image practices (Tiidenberg 2018), while experimental studies reveal minimal effects on political polarization (Guess et al. 2023)."

ステップ3: 理由とともに書き直す

各段落について、以下の形式に従います：

元の文（AI生成）: [元のテキストを貼り付け]

修正版（人間化）: [書き直したバージョン]

理由: 修正したAIパターンを1～2文で説明してください。例：

• 「反復的な『Moreover/Additionally』遷移を削除し、文のリズムを変化させました（短い文と長い文を追加）。『various aspects』を具体的な概念（信頼、相互性、規範）に置き換えました。」
• 「抽象的な足場（『in terms of』、『multiple factors』）を排除しました。具体的な引用（Smith 2022）と特定の研究成果を追加しました。『shows』の代わりに『suggests』を使用して学術的な留保を含めました。」
• 「一様な18語の文を異なる長さ（8、24、15語）に分割しました。機械的な『Furthermore』のオープナーを削除しました。主張を名前の付いた理論（社会資本）と具体的な文脈（都市部の中国）に基礎を置きました。」

---

テキストを人間化するための主要原則

1. パープレキシティ（予測不可能性）

• 問題: AIテキストは予測可能すぎる
• 修正: 予想外だが学術的に適切な単語選択を追加します。構文構造を変化させます

2. バースティネス（リズムの変化）

• 問題: AIは一様な文の長さを使用する
• 修正: 短く切れのいい文と長く複雑な文を混ぜます。自然な読むリズムを作成します

3. 抽象性よりも具体性

• 問題: AIはあいまいな抽象化にデフォルトします
• 修正: 具体的な例、具体的なデータ、名前の付いた理論を使用します。主張を特定の文脈に基礎を置きます

4. 真正な学術的な声

• 問題: 個性のない一般的な形式的な調子
• 修正: アイデアとの本物の関与を示します。適切な留保を含めます。批判的思考を示します

5. 自然な流れ

• 問題: 機械的な遷移と段落のつながり
• 修正: コンテンツがつながりを推進させます。暗黙的な論理を使用します。形式的なコネクタを最小化します

---

社会科学の具体的な側面

規律固有の言語

社会学:

• 主要概念: 階層化、行為主体性、ハビトゥス、資本、制度、不平等
• 理論的伝統: 機能主義的、対立的、象徴的相互作用主義的、実践理論
• 一般的な方法: 民族誌、調査、インタビュー、文書分析

人類学:

• 主要概念: 文化、儀式、親族、リミナリティ、位置性、厚い記述
• より反省的な声が受け入れられる
• 民族誌的詳細が評価される

政治学:

• 主要概念: 制度、権力、正当性、統治、国家能力
• 因果推論の言語
• 仮説検証フレームワーク

教育学:

• 主要概念: ペダゴジー、カリキュラム、公平性、達成度ギャップ、学習成果
• 混合方法が一般的
• 政策的関連性が強調される

心理学（社会心理学）:

• 主要概念: 認知、行動、態度、介入、メカニズム
• 操作定義が重要
• 実験設計が目立つ

非ネイティブスピーカーの考慮事項

一般的なAI頼り:

1. 強調語への過度な依存（「very」、「really」、「quite」）
2. 反復的な文のスターター
3. 論理を示すための形式的なコネクタの過度な使用

保持する強み:

• 明確な論理構造（これを維持する）
• 形式的なレジスター（学術執筆に適切）
• 慎重な文法（過度にカジュアル化しない）

人間化する領域:

• 句構造と文の種類を変化させる
• 分野固有の用語を自信を持って使用する
• 適切な学術的な留保を追加する
• 情報源との批判的関与を含める
• 抽象化を具体的な例に基礎を置く

---

追加リソース

詳細なガイダンスについては、以下を参照してください：

• docs/rewriting-principles.md: 拡張された例を含む包括的な書き換え技術
• docs/examples.md: さまざまなセクション種別（導入、方法、知見、考察）の完全な修正前後の書き換え
• docs/social-science-patterns.md: 規律固有の慣行と用語

---

スクリプトとツール

ai_detector.py

AIパターンのテキストを分析し、詳細なスコアリングを提供します

# 基本分析
python scripts/ai_detector.py input.txt

# 段落ごとの詳細な出力
python scripts/ai_detector.py input.txt --detailed

# プログラムでの使用のためのJSON出力
python scripts/ai_detector.py input.txt --json > analysis.json

text_analyzer.py

テキスト品質に関する定量的メトリクスを提供します

# テキストメトリクスを分析
python scripts/text_analyzer.py input.txt

# 修正前後のバージョンを比較
python scripts/text_analyzer.py original.txt revised.txt --compare

提供されるメトリクス:

• 文の長さの分布と分散
• 語彙の多様性（Type-Token Ratio）
• 学術用語使用頻度
• 遷移単語密度
• 受動態の割合
• 平均文の複雑さ

---

ワークフロー例

1. ユーザーがAIで生成されたテキストを提供: 「論文のこの段落を人間らしくするのを手伝ってくれますか？」

2. まず分析します:

   • ai_detector.pyを実行するか、パターンを手動で特定します
   • 特定の問題を注記します（例：「反復的な文構造、『Moreover』が3回、抽象的な言語」）

3. 戦略的に書き直します:

   • 上記の関連する戦略を適用します
   • ユーザーの中核となる考えと議論を維持します
   • 正確な引用とデータを保持します

4. 変更内容を説明します:

   • オリジナル → 修正版を表示します
   • 修正されたAIパターンについて説明する理由を提供します
   • ユーザーが今後の執筆で学ぶのを支援します

5. 改善を確認します:

   • オプションでtext_analyzer.pyを実行してメトリクスが改善されたことを確認します
   • 意味と正確性が保持されていることを確認します

---

効果的な使用のためのヒント

すべきこと:

• ✅ ユーザーの元の考えと議論を保持する
• ✅ 引用の正確性を維持する
• ✅ 適切な学術的なレジスターを保つ
• ✅ 個々の単語だけでなくパターンに焦点を当てる
• ✅ ユーザーが学べるようにあなたの変更内容を説明する

してはいけないこと:

• ❌ 意味や議論を変更する
• ❌ 元の内容にない情報を追加する
• ❌ 学術的な言語を過度にカジュアル化する
• ❌ すべての形式的なコネクタを削除する（必要なものもある）
• ❌ テキストを意図的に文法的に誤りのあるものにする

バランス:

学術執筆は以下であるべきです：

• 単純ではなく明確
• ロボット的ではなく形式的
• 機械的ではなく構造化
• ペダンティックではなく正確

---

避けるべき一般的な落とし穴

1. 過度な修正: すべての文をワイルドに異なる長さにしないでください。自然な変化は一定の範囲内に存在します。

2. すべてのコネクタを削除する: 特に複雑な議論では、いくつかの遷移が明確さのために必要です。

3. 口語表現を追加する: 学術執筆は形式的なままであるべきです。カジュアルな表現は避けてください。

4. 精度を失う: 「自然さ」のために技術的な正確さを犠牲にしないでください。

5. 規律を無視する: 社会科学の専門分野には異なる慣行があります。それらを尊重してください。

---

まとめチェックリスト

書き直した後、以下を確認します：

• 文の長さが異なる（短い、中程度、長い文の混合）
• 機械的な遷移（Moreover、Furthermore、Additionally）が削除または削減されている
• 抽象的なプレースホルダーフレーズが具体的な概念に置き換えられている
• 少なくとも1つの具体的な例または名前の付いた理論が追加されている
• 必要に応じて学術的な留保が含まれている
• 元の意味と議論が保持されている
• 引用が正確である
• 規律固有の言語が自然に聞こえる
• 修正されたAIパターンを説明する理由が提供されている

---

このスキルは、AIツールを責任を持って使用する非ネイティブ英語話者の知的な仕事を尊重しながら、真正な学術的コミュニケーションを強調しています。