Hogyan hangozzon természetesen az akadémiai angolban natív szerkesztő nélkül
A mesterkélt, nem anyanyelvi akadémiai próza ritkán nyelvtani probléma. Inkább kollokáció, a bizonytalanság jelölése rosszul megválasztott erősséggel, soha nem változó mondathossz, és főnevek, amelyek egy ige feladatát végzik. Íme konkrét helyettesítések és egy önszerkesztési rutin, amely mind az ötöt kiszűri szerkesztő alkalmazása nélkül.
Egy módszertani rész nyelvtanilag tökéletes lehet, és mégis megkaphatja a margóra azt, hogy "ez nem úgy hangzik, mint te". Minden mondat elemezhető. Minden ige egyezik az alanyával. Semmi olyasmi nincs benne, amit egy nyelvtani ellenőrző hibásnak jelölne, mégis úgy olvasható a bekezdés, mintha egy kifejezésgyűjteményből állították volna össze, nem pedig olyan ember írta volna, aki angolul gondolkodik. Az, hogyan hangozzunk természetesen az angol tudományos írásban, azzal kezdődik, hogy elfogadjuk, a benyomás kialakításában szerepet játszó dolgok többségének semmi köze a nyelvtanhoz.
Négy dolog okozza szinte az összes kárt, olyan szókapcsolatok, amelyek technikailag helyesek, de nem azt várja tőlük az anyanyelvi olvasó, a bizonyítékokhoz képest rossz erősségű óvatos megfogalmazás, mondatok, amelyek hossza soha nem változik, és főnevek, amelyek olyan munkát végeznek, amelyet igeként jobb lenne olvasni. E négy közül egyik sem akad fenn helyesírás-ellenőrzőn vagy nyelvtani ellenőrzőn, és mind a négy javítható, ha az író tudja, mire kell figyelnie.
Ennek semmi köze ahhoz, hogy valaki megelőzzön egy detektort, és ha így kezeljük, akkor a javítás logikája megfordul. TextPulse az AI detektorok hamis pozitív eredményeire vonatkozó bizonyítékok áttekintése azt mutatja be, miért kapnak a kiszámítható, tankönyvbiztos megfogalmazások gépi eredetű minősítést attól függetlenül, hogy ki írta őket valójában. Az alábbi javítások arról szólnak, hogy egy konkrét gondolkodó embernek hangozzunk, és ez egyben az is, ami megakadályozza, hogy az írás általánosnak hasson.
Kolokáció, miért "conducted" a kutatás, és miért nem "made"
A helyettesítések nem nyelvtanilag helytelenek. Egyszerűen nem azt várja tőlük az adott szakterület olvasója, hogy közvetlenül az a bizonyos főnév mellett álljanak. A kolokáció szókapcsolat, amelyet az anyanyelvi olvasók rögzítettnek fogadnak el, még ha egy szinonima ugyanabban a pozícióban nyelvtanilag helyes is lenne. Az akadémiai angol conducts a study, an experiment, a survey and an analysis. It draws a conclusion, a comparison and a distinction. It poses a question and a challenge, raises a concern, and reaches a consensus or a decision.
"A tanulmány készített egy elemzést az interjúátiratokról" nyelvtanilag teljesen hibátlanul értelmezhető, és mégis fordításnak hangzik. Az a változat, amelyet egy szakterületi olvasó gondolkodás nélkül leírna, így szólna: "A tanulmány elvégzett egy elemzést az interjúátiratokról", vagy közvetlenebbül, "a tanulmány elemezte az interjúátiratokat".
| Gyakori helyettesítés | Az akadémiai olvasók által elvárt kollokáció | Kontextusban |
|---|---|---|
| made an experiment | conducted an experiment / ran an experiment | We ran a follow-up experiment with a larger sample. |
| give a result | yield a result / produce a result | The regression yielded results consistent with Study 1. |
| make an analysis | conduct an analysis / carry out an analysis | We conducted a sensitivity analysis across three model specifications. |
| put a question | raise a question / pose a question | These findings raise a question the current model cannot answer. |
| arrive to a conclusion | arrive at a conclusion / reach a conclusion | The panel reached a conclusion after reviewing all three datasets. |
Ez mind nem teszi általában helytelenné a "make" igét. A "make a contribution", a "make a distinction" és a "make an argument" mind önállóan is szabályos akadémiai kollokációk. Az adott ige mellett álló konkrét főnevet kell ellenőrizni, mivel az angol ezekhez a főnevekhez egy-egy kicsi, rögzített igehalmazt rendel, és ezen a halmazon belül szinte semmilyen helyettesítést nem tűr meg.
A bizonyítékhoz igazított óvatosság, nem a tankönyvhöz
A hedgelés célja, hogy egy állítás erejét ahhoz igazítsa, amit a bizonyítékok valójában alátámasztanak, és mindkét irányban kudarcot vallhat. A túlzott állítás olyan oksági vagy végleges eredményt fogalmaz meg egy olyan kutatási terv alapján, amely ezt nem támaszthatja alá: „bizonyítja”, „meggyőzően demonstrálja”, „kimutatja, hogy X okozza Y-t”, egyetlen korrelációs vizsgálathoz kapcsolva. Az alulállítás több hedget halmoz egy olyan eredményre, amely már eleve jól alátámasztott, míg végül a mondat inkább magának a hedge-nek a bizonytalanságát jelzi, nem pedig az eredménnyel kapcsolatban indokolt óvatosságot.
Egyetlen keresztmetszeti felmérés alátámasztja azt, hogy „a képernyőidő összefügg a serdülők szorongásával”, vagy hogy „ezek az eredmények összhangban vannak a kettő közötti kapcsolattal”. Nem támasztja alá azt, hogy „ezek az eredmények bizonyítják, hogy a képernyőidő szorongást okoz a serdülőknél”, mert egy keresztmetszeti kutatási terv nem tudja megállapítani, melyik változó jelent meg előbb, arról nem is beszélve, hogy az egyik okozta a másikat. Egy kalibrált állítás magabiztosabbnak hat, mint egy túlzottan állított, mert egy körültekintő olvasó tovább bízik benne, mielőtt soronként elkezdené tényellenőrizni.
Ugyanilyen feltűnőek az alulállítás példái. A hallgatókat arra tanították, hogy „mindig hedgeljenek”, de arra nem, hogy mennyire. „Talán esetleg felvethető, hogy a beavatkozásnak lehet némi hatása.” Ebben a mondatban négy hedge van. „A beavatkozásnak látszólag van hatása.” Itt csak egy hedge van, ami megfelel egyetlen vizsgálat tényleges erejének. Többet mond, mert kevesebbet mond.
Mondategység ritmusa: amit az olvasók éreznek, mielőtt meg tudnák nevezni
Az egyenletes mondathossz ritkán akad fenn egy nyelvtani ellenőrzőn, mégis egy olyan bekezdés, amelyben minden mondat néhány szón belül ugyanakkora hosszúságú, laposnak hat, függetlenül attól, hogy az egyes mondatok önmagukban mennyire helyesek. A TextPulse a mondathossz változtatásának teljes áttekintése az akadémiai írásban részletesen bemutatja az átdolgozást, előtte és utána bekezdésekkel. A rövid változat: olvassa vissza a bekezdést, jelölje meg az összes három vagy több hasonló hosszúságú mondatból álló szakaszt, és törjön meg egyet.
Emberibbé tenni saját dolgozatát
Alakítsa át az AI által támogatott szövegét úgy, hogy emberinek hangozzon, anélkül hogy fontos szavakat vagy hivatkozásokat érintene.
Túlzott nominalizáció: hagyja, hogy az ige végezze a munkát
Egy nominalizáció egy igéből elvont főnevet képez: investigate lesz investigation, analyze lesz analysis, improve lesz improvement. Az angol ezt folyamatosan eltűri, és az akadémiai írás még inkább támaszkodik rá, mint a legtöbb regiszter, de egy olyan bekezdés, amely teljes egészében nominalizációkból épül fel, minden mondatot nehezebb keretbe kényszerít, mint amennyire a cselekvésnek szüksége van, és ez a nehézkesség fordítottnak hat akkor is, ha minden szó helyes.
"The implementation of the revised protocol resulted in a reduction in contamination events" tizenhat szót használ arra, hogy leírjon valamit, amit egy ige közvetlenül is hordozhatna. "Implementing the revised protocol reduced contamination events" minden tényt megőriz az eredeti mondatból, és csak a köréjük épített állványzatot távolítja el.
"This study aims to undertake an investigation into the relationship between diet and cognitive performance" tizenhárom szót költ el, mielőtt a mondat tényleges tárgya megérkezik. "This study investigates the relationship between diet and cognitive performance" ugyanezt kilenc szóban mondja el, és az olvasó három szóval korábban jut el a lényeghez.
Kötőelemek a rossz regiszterben
A tankönyvek korán és erősen tanítanak egy kis készletnyi formális kötőelemet: furthermore, moreover, thus, hence, consequently. Az a szerző, aki ezeket tanulta meg az akadémiai mondat helyes indításának módjaként, hajlamos néhány soronként eggyel kezdeni, függetlenül attól, hogy a logikai viszony valóban igényel-e jelölést. A natív akadémiai próza sokkal takarékosabban használja ugyanezeket a szavakat, és gyakran inkább az egyszerű egymásutániságra támaszkodik, egy állítást közvetlenül követ a bizonyítéka, ahelyett hogy egy jelzőszó hirdetné a kapcsolatot.
"Furthermore, the sample size was small. Participants were not randomly assigned. The results may not generalize. Future research should use a larger sample" négy kötőelemet használ négy mondatban, miközben pontosan egyre lenne szüksége. "The sample size was small, and participants were not randomly assigned, so the results may not generalize to a broader population" ugyanazt a logikát egyetlen mondatban tartja meg, egyetlen kötőelemmel, amely négynek a munkáját végzi el.
Egy kapcsolódó eltérés egyes szavaknál jelenik meg, nem pedig egész mondatoknál. A "Besides" mondatkezdő használata "in addition" értelemben gyakori a beszédben és egyes fordított tudományos prózában, de a körülötte lévő regiszterhez képest kötetlenül hat; az "in addition" vagy egy új mondat kötőszó nélkül egyaránt jobban illik egy módszertani részhez vagy egy vitához.
Hogyan hangozzunk természetesen az angol tudományos írásban: egy önszerkesztési rutin
Mind az öt ellenőrzés kézi végigfuttatása egy teljes fejezeten egy munkanap délutánját veszi igénybe, és pontosan ezt a költséget hivatott elkerülni ez a rutin, hogy ne kelljen szerkesztőre költeni. A TextPulse ESL tudományos írók számára készült humanizer ugyanazon ellenőrzések egy változatát közvetlenül egy vázlatra alkalmazza, a fenti minták köré építve, nem pedig egy általános futtatásként.
- Keresd meg a vázlatban azokat az eseteket, amikor a "make," "do," és "give" egy főnév mellett áll, és ellenőrizd az összerendelést azzal szemben, amit az adott szakterület olvasója vár: conducted, nem made; yielded, nem given.
- Olvasd fel hangosan az összes óvatosító szót, és kérdezd meg, hogy a bizonyíték valóban alátámasztja-e ezt az erősséget; egyetlen korrelációs tanulmány ritkán érdemli meg a prove, show vagy demonstrate használatát.
- Jelöld meg minden mondat első három szavát egy bekezdésben, ha ugyanaz a kezdés háromszor egymás után ismétlődik, építsd át az egyik mondatot egy másik szerkezet köré.
- Keresd meg a -tion, -ment és -ance végződésű szavakat, és kérdezd meg, hogy a mondat közvetlenebbül hangzana-e, ha az a főnév lenne a fő ige.
- Töröld az összes furthermore, moreover, thus és consequently szót, majd olvasd el a bekezdést nélkülük, és csak azokat tedd vissza, amelyeket a logika valóban megkövetel.
Ezek az öt ellenőrzés egyikének sem tart sokáig, ha már szokássá válnak, nem pedig egy asztal fölé ragasztott lista elemeivé. Egy ingyenes tudományos hangnemkonverter ugyanezen ellenőrzés egy változatát automatikusan futtatja, jelölve a kötetlen szerkezeteket és a túlzott óvatosítókat az adott szakasz által ténylegesen megkívánt regiszterhez képest, az indoklást is mellékelve, nem csupán a javítást.
Ha egy detektor már megjelölte a munkáját, mit tegyen, ha azzal vádolják, hogy AI-t használt és hogyan bizonyítsa be, hogy nem használta külön vannak tárgyalva.
Az a teszt, amely valóban számít, semmi köze ahhoz, hogy egy detektor megjelöl-e egy bekezdést. Az számít, hogy a szakterület egy olvasója teljesen megfeledkezik-e arról, hogy fordítást olvas, ez magasabb mérce, mint a hibátlan nyelvtan, és alacsonyabb, mint amit a legtöbb író feltételez: egy jól kalibrált óvatos megfogalmazás, néhány helyes kollokáció, és a mondathossz mintázatának megtörése általában elég ehhez.
Gyakran ismételt kérdések
A nyelvtan ritkán árulkodó jel. Négy minta végzi a munka nagy részét: olyan szókapcsolatok, amelyek nyelvtanilag helyesek, de nem azt várja tőlük az anyanyelvi olvasó, például conducted a made helyett; a bizonytalanság jelölése az evidenciához képest rosszul megválasztott erősséggel; a soha nem változó mondathossz; és a főnevek, amelyek olyan munkát végeznek, amelyet egy ige közvetlenebbül elvégezne. E négy közül egyik sem zavarja meg a nyelvtani ellenőrzőt.
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.