Academic Writing

مکانیک نگارش دانشگاهی: بازبینی دستور زبان و نشانه‌گذاری که داوران متوجه آن می‌شوند

قضاوت یک داور درباره استدلال شما کمتر از آنچه دوست دارید از ویرگول‌گذاری‌های نادرست و آپوستروف‌هایتان جداست. در اینجا می‌بینید پژوهش کنترل‌شده درباره این‌که مکانیک نگارش واقعاً چه هزینه‌ای برای یک مقاله دارد چه می‌گوید، و کدام قواعد پیش از آن‌که هر کس دیگری متن را بخواند ارزش درست انجام دادن دارند.

8 min
Reference chart of academic writing mechanics, showing common punctuation and grammar slips next to their fixes

پژوهشگران همان نامه پوششیِ درخواست شغل را به خوانندگان بزرگسال دادند و از آنان خواستند نویسنده را ارزیابی کنند. تنها تفاوت، تعداد خطاهای موجود در آن بود, حدود دو خطا در هر صد واژه, یعنی انتخاب نادرست واژه و نبودِ توافق نهاد و فعل، نه چیزی که معنا را تغییر دهد. نسخه دارای خطا، در مقیاس هفت درجه‌ای، برای کیفیت نوشتار دو نمره کامل پایین‌تر ارزیابی شد. و مردم استدلال آن را نیز, که در هر دو نسخه یکسان بود, ضعیف‌تر دانستند. پژوهش درباره سازوکارهای نگارش دانشگاهی پیوسته نشان می‌دهد که داوری خواننده درباره محتوا، آن‌قدر که بسیاری از توصیه‌ها فرض می‌کنند، از درستیِ ظاهری جدا نیست.

مطالعه‌ای که پشت این یافته بود درباره درخواست‌های شغلی بود، نه دست‌نوشته‌ها. دقیق بودن در این باره ارزش دارد، نه اینکه آن را بیش از حدی که هست گسترش دهیم. سازوکاری که آن مطالعه جدا کرد, یعنی اینکه خطاهای ظاهری چگونه بر ارزیابی خواننده از محتوایی که می‌تواند تأیید کند و می‌بیند تغییر نکرده است اثر می‌گذارند, همان سازوکاری است که هنگام خواندن پیش‌نویس شما توسط داور، استاد راهنما یا ارزیاب عمل می‌کند. این نوشته توضیح می‌دهد که mechanics دقیقاً چه چیزهایی را دربر می‌گیرد، شواهد درباره چرایی اهمیت آن چه می‌گویند، و قواعد مشخصی که به‌سادگی ممکن است در آن‌ها خطا شود، حتی پس از آنکه بررسی املا اعلام می‌کند یک سند پاکیزه است، کجا قرار دارند.

چه چیزهایی در mechanics نگارش دانشگاهی به شمار می‌آیند

mechanics نگارش دانشگاهی مجموعه‌ای از قراردادهای سطحی، دستور زبان، نشانه‌گذاری، املا و حروف بزرگ است که خواننده هنگام درست به‌کار رفتن آن‌ها تقریباً بدون توجه پردازش می‌کند و هنگامی که درست به‌کار نروند نمی‌تواند از توجه به آن‌ها دست بردارد. این لایه پایین‌تر از سبک قرار دارد، که به انتخاب واژه و ساخت جمله مربوط است، و پایین‌تر از استدلال، که به این مربوط است که آیا ادعاها استوار هستند یا نه. یک جمله می‌تواند از نظر mechanics بی‌نقص باشد و استدلالی ضعیف داشته باشد، و یک استدلال قوی می‌تواند در قالب جمله‌هایی ارائه شود که خواننده باید آن‌ها را دوباره بخواند، چون در جایی که یک بند به ویرگول نیاز داشته، ویرگول حذف شده است. داوران، استادان راهنما و ارزیابان برای سنجش استدلال آموزش دیده‌اند. شواهد زیر می‌گوید که آنان نمی‌توانند این داوری را به‌طور کامل از mechanics زیربنای آن جدا کنند.

چرا داوران mechanics را پیش از هر چیز دیگری متوجه می‌شوند

مطالعهٔ نامهٔ پوششی بالا، روشن‌ترین نمایش موجود از آن چیزی است که در ادامه رخ می‌دهد. پژوهشگران دانشگاه Wisconsin-Eau Claire از 200 بزرگسالِ جامعه خواستند یکی از سه نسخهٔ یک نامهٔ پوششی یکسان را بخوانند: بدون خطا، نرخ خطای معمولِ دو خطا در هر صد واژه، یا نرخ خطای بالاِ چهار خطا در هر صد واژه. ارزیابی کیفیت نوشتار، هم‌زمان با افزایش نرخ خطا، در مقیاس هفت‌درجه‌ای از 5.79 به 3.61 و سپس به 2.95 کاهش یافت. بخشی که ارزش تأمل دارد این است که چه چیز دیگری نیز کاهش یافت: ارزیابیِ محتوای نامه، اعتبارنامه‌های آن و استدلالش، از 5.85 برای نسخهٔ پاکیزه به حدود 4 برای هر دو نسخهٔ دارای خطا سقوط کرد، با اینکه محتوا در هر سه نسخه، واژه به واژه، یکسان بود.

داوری‌های شخصیتی نیز تغییر کرد، در ویژگی‌هایی که در ظاهر هیچ ربطی به دستور زبان ندارند. شرکت‌کنندگانی که نامهٔ پر از خطا را خواندند، همان متقاضی را، در مقایسه با شرکت‌کنندگانی که نسخهٔ پاکیزه را خوانده بودند، کم‌کفایت‌تر، کم‌کوشش‌تر و کم‌گرایش‌تر به کار تیمی ارزیابی کردند، و این تفاوت نزدیک به یک نمرهٔ کامل در مقیاس پنج‌درجه‌ای بود. هیچ‌یک از صلاحیت‌های متقاضی میان نسخه‌ها تغییر نکرد. فقط نرخ خطا تغییر کرد.

یک توضیح، هر دو یافته را بدون نیاز به توسل به امر رازآلودی دربارهٔ خودِ دستور زبان، با هم سازگار می‌کند. خواننده توجه محدودی دارد، و هر خطا یک انحراف کوچک تحمیل می‌کند: جمله را دوباره تحلیل کند، واژهٔ مورد نظر را حدس بزند، تصمیم بگیرد که آیا اشتباه اهمیت دارد یا نه. همین انحراف، خود، اطلاعات است. خوانندگان از آن، اغلب بی‌آنکه متوجه شوند، به‌عنوان شاهدی دربارهٔ میزان دقتی که در بقیهٔ سند صرف شده است استفاده می‌کنند، و میزان دقت صرف‌شده برای یک سند، بدترین جانشین برای کیفیت آن نیست، فقط جانشینی ناقص است که بر بخش نادرست صفحه اعمال می‌شود.

اهمیت‌ها روی هم جمع می‌شوند. یک نظرسنجی 2023 از 908 دانشمند محیط‌زیست در هشت کشور نشان داد که 38.1 درصد از پژوهشگران در کشورهایی با مهارت متوسط در English و 35.9 درصد از کشورهایی با مهارت پایین، تجربه کرده بودند که یک مقاله به‌طور مشخص به دلیل نگارش English آن رد شود، در مقایسه با 14.4 درصد از سخن‌گویان بومی English. هزینه این مسئله در زمان نیز آشکار می‌شود. پژوهشگران در کشورهایی با مهارت پایین گزارش کردند که برای نوشتن یک مقاله به English حدود 30 درصد زمان بیشتری نسبت به سخن‌گویان بومی صرف می‌کنند. همه اینها یعنی نویسندگان ESL به هر کمکی که بتوانند بگیرند نیاز دارند، و به همین دلیل ما AI humanizer for ESL writers را در TextPulse ساختیم. شکاف در زمان و نتیجه به‌خوبی مستند شده است، نه مفروض. مکانیک نوشتار یک بخش از آن است که نویسنده می‌تواند مستقیماً به آن بپردازد، بسیار پیش از آنکه یک داور حتی پیش‌نویس را ببیند.

لغزش‌های نشانه‌گذاری که از Spell Check جان سالم به در می‌برند

Spell check یک واژه را که غلط املایی دارد پیدا می‌کند. اما درباره یک comma splice، یک semicolon که بندی را به هم وصل می‌کند که به‌تنهایی نمی‌تواند مستقل باشد، یا یک apostrophe در جای نادرست، چیزی برای گفتن ندارد، زیرا هیچ‌یک از اینها خطای املایی نیست. مشکلات comma و کاربرد نادرست apostrophe در فهرست رایج‌ترین خطاها در نوشتار دانشگاهی American در رتبه‌های بالا قرار می‌گیرند، و یک free comma checker می‌تواند شکل مکانیکی بیشتر آنها را سریع‌تر از بازخوانی چشمی تشخیص دهد. چهار مورد از این لغزش‌ها در اینجا ارزش یک ارجاع سریع را دارند، نه توضیح کامل هر کدام، زیرا هر یک پیش‌تر در جای دیگری بررسی مفصل‌تری دارد.

لغزشآنچه در واقع هست
Comma spliceدو بند مستقل که فقط با یک ویرگول به هم وصل شده‌اند، بدون هیچ حرف ربط یا نقطه‌ویرگولی که این اتصال را برقرار کند
Semicolon misuseنقطه‌ویرگولی که در جایی به کار رفته است که نیمه دوم نمی‌تواند به تنهایی به عنوان جمله‌ای مستقل بایستد
Apostrophe errorنوشتن its به جای it's، یا نوشتن یک جمع ساده به صورت ملکی، بی‌آنکه چیزی برای تملک وجود داشته باشد
Serial comma left outویرگول پیش از 'and' در فهرستی از سه مورد یا بیشتر، که APA آن را الزامی می‌داند و سبک روزنامه‌نگارانه عموماً آن را حذف می‌کند

ردیف آخر به تنهایی شایسته اندکی مکث است، زیرا از هر دو سو برای مردم غافلگیرکننده است. سبک APA ویرگول سریالی را الزامی می‌داند، همان ویرگول پیش از 'and' نهایی در فهرستی با سه مورد یا بیشتر، دقیقاً به همان دلیلِ روشنی که ویرگول وجود دارد. راهنمای سبک یک روزنامه معمولاً آن را حذف می‌کند. یک دست‌نوشته فقط زمانی نادرست است که با راهنمای سبکی که به خواننده گفته شده انتظارش را داشته باشد، مطابقت نداشته باشد، و این یک خطای قالب‌بندی است نه خطای دستور زبان، و داوران معمولاً آن را صرف‌نظر از این‌که کدام برچسب واقعاً صدق می‌کند، به صورت بی‌دقتی می‌خوانند.

Humanize your own paper

Transform your AI-assisted text and make it sound human, without touching important words or citations.

Get started free

Conventions US و UK در یک مقاله

قواعد املایی آشکارترین مسئله مکانیکی هستند و آسان‌ترین مورد برای این‌که به جای نادرست بودن آشکار، به‌طور ناهماهنگ درست باشند. دست‌نوشته‌ای که colour و color، یا organised و organized را در یک سند با هم مخلوط می‌کند، حتی وقتی هر واژه در جایی از جهان درست نوشته شده باشد، نادیده‌ویرایش‌شده به نظر می‌رسد. راه‌حل این نیست که گونه درست را انتخاب کنید، بلکه این است که یکی را برگزینید و در سراسر سند، از جمله عنوان‌ها و زیرنویس‌های شکل، همان را حفظ کنید، کاری که یک free US to UK English converter بسیار سریع‌تر از خواندن خط به خط برای آن انجام می‌دهد.

مسئله -ize و -ise بیش از همه نویسندگان دقیق را به اشتباه می‌اندازد، زیرا مانند آنچه مردم فرض می‌کنند، به‌طور روشن بر اساس خط US و UK جدا نمی‌شود. English آمریکایی در سراسر متن از -ize استفاده می‌کند. English بریتانیایی بیشتر از -ise استفاده می‌کند، اما Oxford University Press و Oxford English Dictionary بر پایه ریشه‌شناختی از -ize استفاده می‌کنند، زیرا واژه‌های مربوط از پسوندی Greek با املای zeta مشتق شده‌اند. house style یک journal، نه یک قاعده ملی پیش‌فرض، تعیین می‌کند که کدام‌یک برای یک submission معین درست است، و تنها راه قابل اعتماد برای دانستن آن این است که guide همان journal مشخص را بررسی کنید، نه اینکه به هیچ‌یک از دو حس درونی اعتماد کنید.

ثبت: contractionها و دیگر تصمیم‌های داوری

contractionها روشن‌ترین نشانه ثبت در writing دانشگاهی هستند، و قاعده از استثناهایی که مردم به خاطر می‌سپارند، تثبیت‌شده‌تر است. سبک APA ایجاب می‌کند که contractionها به‌طور کامل نوشته شوند، نه اینکه از آن‌ها استفاده شود، بنابراین جمله‌ای که در پیش‌نویس نخست به صورت it's important نوشته شده است، باید در نسخه نهایی به صورت it is important باشد، با این استدلال که یک ثبت رسمی بدون آن‌ها دقیق‌تر به نظر می‌رسد. تنها استثنایی که همه guideهای سبک بر آن توافق دارند، نقل‌قول مستقیم است. اگر منبعی که از آن نقل می‌کنید از contraction استفاده کرده باشد، شما آن را دقیقاً بازتولید می‌کنید، نه اینکه آن را بی‌صدا بسط دهید، و یک contraction expander راهی سریع برای یافتن مواردی است که یک پیش‌نویس سریع جا گذاشته است، پیش از آنکه یک supervisor آن‌ها را پیدا کند.

ضمیر اول شخص یک تصمیم داوری کوچک‌تر از چیزی است که بیشتر guideهای سبک آن را چنین جلوه می‌دهند. سبک APA اجازه می‌دهد، و راهنمایی کنونی آن به‌طور فعال تشویق می‌کند، از 'I' یا 'we' برای توصیف کنش‌ها و تصمیم‌های خود استفاده شود، دقیقاً برای اینکه نویسندگان به جای ساخت مجهول نامأنوس به سراغ آن بروند. جمله‌ای که پیرامون ضمیر ساخته می‌شود چیزی است که غیررسمی به نظر می‌رسد، نه خود ضمیر: 'I feel that the results are important' با 'I analyzed the results using a mixed-effects model.' متفاوت خوانده می‌شود. اولی یک نظر است که لباس academic پوشیده است. دومی یک گزاره روش‌شناختی است، و هیچ guide سبکی به خاطر استفاده از 'I' آن را تنبیه نمی‌کند.

چرا checkerهای خودکار نیمی از این موارد را از قلم می‌اندازند

یک غلط‌یاب املایی با جست‌وجوی واژه‌نامه‌ای کار می‌کند: رشته‌ای از حروف را که با هیچ مدخلی در فهرست واژگانش مطابقت ندارد، علامت‌گذاری می‌کند. دقیقاً به همین دلیل است که رایج‌ترین خطا در یک مطالعه ملی درباره نوشتار دانشجویان آمریکایی، بی‌آنکه دست‌خورده بماند، از آن عبور می‌کند. یک مطالعه تطبیقی ملی به رهبری Andrea Lunsford، خطای واژه نادرست را, یعنی یک واژه واقعی و درست‌املاء که معنایی غیر از آنچه نویسنده قصد داشته دارد, در رتبه نخست میان 20 نوع خطای رایج قرار می‌دهد، جلوتر از هر مشکل مربوط به ویرگول و آپاستروف در همان فهرست. نوشتن prescience وقتی جمله precedence را می‌خواست، یا گذاشتن autocorrect یک غلط‌یاب املایی که allergy را به allegory تبدیل کند، هر دو به تولید یک واژه واقعی می‌انجامند. جست‌وجوی واژه‌نامه‌ای هیچ راهی ندارد که بداند جمله شما در واقع به کدام واژه واقعی نیاز داشته است.

یک غلط‌یاب دستور زبان یک گام فراتر می‌رود و ساختار جمله را به‌صورت آماری تحلیل می‌کند، و به همین دلیل است که ناسازگاری واقعی میان نهاد و فعل یا ضمیری را که با مرجع خود سازگار نیست تشخیص می‌دهد، برای نمونه، 'every worker must provide their own uniform' که یک نهاد مفرد را با یک ضمیر جمع درهم می‌آمیزد. همین امر نیز توضیح می‌دهد که چرا غلط‌یاب‌های دستور زبان بیش از غلط‌یاب‌های املایی با یکدیگر اختلاف دارند: دو تحلیل‌گر آماری که بر داده‌های متفاوت آموزش دیده‌اند می‌توانند همان جمله مبهم را به دو شیوه متفاوت بخوانند. اجرای یک غلط‌یاب دستور زبان رایگان و یک غلط‌یاب نشانه‌گذاری رایگان بر روی پیش‌نویس، پیش از آنکه یک ناظر آن را ببیند، بخش قابل‌توجهی از هر دو مشکل را آشکار می‌کند. هیچ‌یک خطای واژه نادرستی را که در بافت نادرست خود از نظر دستوری معتبر است تشخیص نمی‌دهد، و همین چیزی است که یک خوانش کندتر، جمله به جمله، همچنان پیدا می‌کند و هیچ گذر خودکاری آن را پیدا نمی‌کند.

جایی که متنِ تولیدشده با AI هنوز به این مرحله نیاز دارد

اما هیچ‌یک از این‌ها باعث نمی‌شود که پس از عبور یک پیش‌نویس از یک ابزار AI، اهمیت موضوع از بین برود، و اگر چیزی باشد، اهمیتش بیشتر هم می‌شود. مدلی که برای شما یک بند می‌نویسد می‌تواند درون جمله‌ای که در غیر این صورت روان است، خطای توافق نهاد و فعل ایجاد کند، و یک بخش که به‌شدت بازنویسی یا انسانی‌سازی شده است می‌تواند همان لغزش‌هایی را بگیرد که یک نویسنده انسانی خسته مرتکب می‌شود: حذف آپاستروف، پیوست‌نویسی ویرگول در جایی که باید نقطه باشد، یا یک گونه املایی ناسازگار در میانه یک بخش. الگوهای نوشتاری که ابزارهای AI معمولاً تولید می‌کنند خود موضوعی جداگانه‌اند، متمایز از مرحله مکانیکی‌ای که در اینجا توصیف شده است، و این مرحله صرف‌نظر از این‌که یک بند مشخص را شما آغاز کرده باشید، یک مدل آغاز کرده باشد، یا هر دو، اعمال می‌شود.

ابزارهای رایگان TextPulse، ابزارهای رایگان آن، دقیقاً برای همین نوع بازبینی ساخته شده‌اند، تا قواعد دستور زبان، نشانه‌گذاری و املا را روی همان پیش‌نویس بررسی کنند، نه این‌که به چند اشتراک متفاوت نیاز داشته باشند. انجام یک بررسی از این نوع عادتی پنج‌دقیقه‌ای است، نه یک بازنویسی، و از همان پنج دقیقه‌هایی است که برداشت خواننده بعدی را از صفحات دیگر، پیش از آن‌که حتی یکی از آن‌ها را خوانده باشد، تغییر می‌دهد.

هر یک از سازوکارهای بالا در جای دیگری به تفصیل پوشش داده شده‌اند. پیوست‌نویسی ویرگول، نقطه‌ویرگول در برابر ویرگول، آپاستروف‌ها و ویرگول آکسفورد در APA هر کدام جداگانه بررسی می‌شوند، و دو قاعده‌ای که معمولاً دانشجویان بین‌المللی را به اشتباه می‌اندازند، املای US در برابر UK و مسئله -ize یا -ise، صفحه‌های مخصوص خود را دارند. این‌که آیا contractionها در نوشتار دانشگاهی جای دارند جداگانه پاسخ داده می‌شود، همان‌طور که خطاهای دستوری‌ای که در مقاله‌های پژوهشی بیش از همه تکرار می‌شوند نیز چنین‌اند. بازخوانی نهایی یک پایان‌نامه از ابتدا تا انتها کاری مستقل است و راهنمای مخصوص خود را دارد.

این همان کاری است که خوانندگان انجام می‌دهند. آن‌ها بخش‌هایی از یک متن را که می‌توانند راستی‌آزمایی کنند، یعنی ویرگول‌ها، توافق دستوری، املا، به‌عنوان نشانه‌ای درباره بخش‌هایی که هنوز نمی‌توانند راستی‌آزمایی کنند، در نظر می‌گیرند. اگر این نشانه را درست منتقل کنید، استدلال شما همان خوانشی را دریافت می‌کند که سزاوار آن است. خوانندگانی که یک نامه پوششی یکسان را به‌دلیل نرخ خطای 2 درصدی، دو امتیاز پایین‌تر ارزیابی کردند، بی‌انصافی نمی‌کردند.

Frequently Asked Questions

مکانیک نگارش دانشگاهی یعنی قراردادهای سطحی، دستور زبان، نشانه‌گذاری، املا و حروف بزرگ، که خواننده هنگام درست بودنشان بدون توجه از کنارشان می‌گذرد و هنگام نادرست بودنشان نمی‌تواند نادیده‌شان بگیرد. این سطح پایین‌تر از سبک و پایین‌تر از استدلال قرار می‌گیرد. یک مقاله می‌تواند از نظر استدلالی کاملاً درست باشد و با این حال اگر مکانیک آن ناهماهنگ باشد، شلخته به نظر برسد، و داوران معمولاً اجازه می‌دهند همین برداشت بر میزان دقتی که برای خواندن استدلال زیر آن به خرج می‌دهند اثر بگذارد.

Moe

PhD in natural language processing, with years spent building NLP applications end to end. Moe works on text analysis: lexical and syntactic structure, and what separates machine-generated prose from human prose statistically. He has been experimenting with computational linguistics since the early days of NLTK, spaCy and WordNet, and still writes most of his tooling in Python.

مکانیک نگارش دانشگاهی: آنچه داوران متوجه می‌شوند | TextPulse.ai