AI Humanizerによる学術執筆: セクションごとのガイド

論文の章が、検査ツールから一つの単一の数値だけを返されることはめったにない。要旨は低く評価されるかもしれず、方法は指導教員との面談を引き起こすのに十分なほど高く評価されるかもしれず、考察はその中間に位置することがある。これは、論文が一つの文章ではなく、複数の部分から成り、それぞれが異なる慣例に従っているためであり、AI detector は主題ではなく慣例に反応するからである。学術文書のための AI humanizer も、適切に使われるときは同じように機能する。つまり、ファイル全体に一度かけるのではなく、セクションごとに用いるのである。それが、課題や論文向けに作られた humanizer が、既定でそのように動作するよう設定されている理由である。

これは、何かを不正に操作することを勧める議論ではない。文献レビューが結果の表とは異なる扱いを AI detector から受ける理由を理解し、その結果として、実際に役立つ箇所に編集時間を使い、そもそも問題ではなかった部分を均質化してしまわないようにするための議論である。下の表はその要点を短くまとめたものである。以下では、各セクションを順に検討し、さらに実際に重要な一つの区別, 自分自身の議論を自分自身の言葉に直すことと、他人のものを自分のものとして通すこと, についても扱う。

機関は、単一のスコアを判定として扱うことにますます懐疑的になっており、自分の報告書を過度に読み込む前に知っておく価値がある。Curtin University は、2026年1月から全キャンパスで Turnitin の AI-writing detector を停止し、争点となっている一つのスコアではなく、公平性と評価への信頼を理由に挙げた。Turnitin 自身のガイダンスも、反対側から同様の点を述べている。すなわち、その割合は不正行為認定の唯一の根拠であってはならないということである。自分のスコアも同じように、一つの入力として読み、最終判断としては読まないこと。自分のものが何を意味するのかを決める前に、detector がそのスコアを実際にどのように算出するのか を知っておくと役立つ。

Paper section	Why it triggers a detector	What to change
Abstract	200から300語に圧縮されているため、この分野のあらゆる要旨が用いる同じ定型句に依拠しがちである。	一般的な文を1つ削り、実際の数値または発見に置き換え、平明に述べる。
Literature review	要約を並べた一覧のように読め、それぞれが同じ著者, 年, 発見という形をたどっている。	根拠とする主張、または反論する主張ごとに資料をまとめ、どこで意見が分かれるのかを述べる。
Methodology	意図的に定型的である。受動態と標準的な手順の言語は、この分野が期待するものである。	構成はそのままにする。同じ論文の他の箇所よりここでスコアが高いのは普通である。
Results	数値がデータを担うが、それを叙述する文はしばしば同じ報告用のひな形を繰り返す。	毎回同じ構文を繰り返すのではなく、各発見の導入の仕方を変える。
Discussion	最も独自性があるべき部分だが、急いで書いた著者は安全で一般的な解釈に戻りがちである。	その発見が何を意味するのかについて、限界を含めて具体的な主張を行う。

要旨, 小さな空間に詰め込まれた密な主張

要旨には前置きの余地がないため、分野標準の言い回しに強く依拠する。"this study investigates" や "findings suggest" は、ほぼすべての分野のほぼすべての要旨に現れる。これらの表現のどれも誤りではない。むしろ、検出器が見つけるよう設計されている予測可能な言い回しそのものであり、しかも論文の中で最も短い部分に圧縮されている。さらに、その部分は、スコアを平均化するための文字数が最も少ない箇所でもある。

修正すべきなのは、要旨を不自然なものに書き換えることではない。定型文の一つを、実際の数値、実際の比較、その研究で明らかになった具体的な事柄に置き換えることである。同じ分野の別の論文にあるテンプレート化された要旨では言えなかった内容である。その一つの具体的な文だけで、要旨の評価は全体を書き直すことよりも大きく改善し、どの detector がどう考えるかにかかわらず、より強い要旨になる。

先行研究のレビュー, 要約の羅列ではなく統合である

"Smith (2019) found X, and Jones (2021) argued Y" に基づく先行研究のレビューは、技術的には誤りではない。しかし、出典が変わっても構造が同一であり、まさにこの種の低い変動性が burstiness スコアを下げるのである。そして、各文が手で打ち込まれていたとしても、機械生成されたテキストのように読まれる。burstiness checker にこの節を通すと、どの段落が平板になっているかが分かる。

文献を順番にたどるのではなく、支持している主張、あるいは反論している主張ごとに資料をまとめ、二つの研究がどこで食い違うのかを明示すること。たったそれだけで段落の形が変わる。ある文は比較の役割を担い、別の文は証拠提示の役割を担うようになり、その変化こそが detector にも指導教員にも実際に反応されるものである。

研究論文向けの一般的な言い換えツールでは、これを解決できない。類義語を置き換えても文の骨格はそのままであり、その骨格こそがテンプレート化されたものとして読まれる部分だからである。実際に型を崩すのは、どの資料が文の冒頭を担い、どの資料が文の末尾を担うかを再構成することであり、"argued" の別の語を見つけることではない。

方法論, ここで高いスコアが出るのは正常である理由

受動態と定型的な手続き語彙は、方法セクションにおける執筆上の欠陥ではない。それらは慣例であり、その慣例が存在するのは、この分野がそれを評価するからである。"Participants were randomly assigned to one of two conditions" が生成文のように読まれるのは、AI が関与したかどうかにかかわらず、まさにそれが注意深い方法記述者に求められる産物だからである。方法論は、論文の中で高い AI スコアがほとんど避けられない唯一のセクションであり、その点は存在しない解決策を約束するよりも、率直に述べる価値がある。どの程度の部分が受動態かを見て、何をそのままにするかを決めたいなら、a passive voice checker がそれを数えてくれる。

低い数値を追って標準的な用語をばらばらにすると、第二の研究者が実際には追えない方法セクションになる。これは、誰も異議を唱えない高いスコアよりも悪い結果である。指導教員や学術誌がスコアを気にするなら、方法セクションは分野全体で高いスコアになりやすいのだと率直に述べるべきである。なぜなら、その文章は再現可能で、やや退屈であることが求められているからである。

結果, 数値は問題ではない

表と図にはデータが含まれている, どの検出器も数値そのものを採点するわけではない。採点されるのは、その数値を導入する文である。結果セクションは、ほとんどすべての所見について一つの形式に依拠する, "the results showed that X was significantly higher than Y." この文をセクション内で十数回使うと, そこにある各所見が完全に独自のものであっても, その周囲の文章は平板になる。

動詞と数値の位置を変えるとよい。ある文は所見そのものから始め, 次の文では, 事前に予想していた型に合わなかった結果を先頭に置く。予想外の、あるいは混乱した所見を平明で直接的な文で報告する結果セクションは, すべての結果が予測どおりに正確に現れた場合よりも, ほとんど常に人間らしく読める。実際のデータは, そのようにきれいには並ばないからである。

考察, あなた自身の声が現れなければならない箇所

論文がどこかで機械生成のように読めるなら、それはしばしばここであり、本来はその逆であるはずである。考察には固定されたひな形はない。そこは、ある発見が実際には何を意味するのか、そしてどこで限界に達するのかを述べるためにある。 "these findings have important implications for the field and warrant further research" のような一般的な一文は安全ではない。それは論文中で最も擁護しにくい文である。なぜなら、ほとんどあらゆる研究のほとんどあらゆる結果を説明できてしまうからである。

実際の限界を書きなさい。抽象的な意味で限界に触れるのではなく、あなたのサンプル、方法、または設定が一般化できないかもしれない具体的な理由を挙げなさい。慎重に留保を付けながらも、実際に何が起きていると考えるのかを自分の言葉で述べなさい。その具体性は、同時に、考察セクションで取りうる最も強い手であり、検出器に引っかかりにくい最も難しい点でもある。なぜなら、自分のデータについての真に具体的な主張は、定義上、一般的な学習データから予測できないからである。そのように率直に書いているときに文体がずれるなら、その文体向けに作られた tone converter が、論点を平板にせずにそれを元に戻す。

なぜ非ネイティブの英語話者はより頻繁に検出されるのか?

非ネイティブの英語話者は、検出器が最も誤判定しやすい集団であり、その仕組みは神秘的ではない。Stanfordの研究者は、AIの関与がまったくない非ネイティブの英語話者によって書かれた91本のTOEFLエッセイに対して、広く使われている7つのAI検出器を検証した。7つ全体の平均偽陽性率は61 percentであり、検証された各検出器が一致して判定したエッセイは、およそ5本に1本であった。同じ研究では、これらのツールはネイティブ話者のエッセイに対しては、そのような誤りをほとんど起こさなかった。

その理由は、検出器が実際に何を測定しているかにさかのぼる。第二言語で書く著者は、授業で教わった文型に頼る傾向がある。すなわち、完全な節、確立されたつなぎ語、正確さを優先して選ばれた、より狭い語彙である。これは、非母語話者による注意深く正確な学術的文章であり、同時に、検出器が機械生成と読み取る低い perplexity のプロファイルでもある。この研究の著者たちは、国際学生の多い教育機関では、これらのツールにまったく依存しないよう勧告しており、これは多くの検出器ベンダーが自社製品について述べる内容よりも強い主張である。

これは、自然に聞こえることを諦めるという意味ではない。非母語話者の著者として humanizer に下書きを通すとき、目的は他人のように聞こえることではない。目的は、注意深く試験向けに訓練された文章がしばしば消してしまう文の多様性を、ある程度取り戻すことにある。これは、文法的に誤っている文を修正することとは別の作業である。そして、その違いを覚えておく価値がある。その区別こそが、同じツールの ESL 向け版が基盤としているものである。

AI humanizer は学術的文章において、どこで倫理的な一線を越えるのか?

ここでの率直な答えは、実際の答えの代わりに注意書きの段落を置いたものではない。自分自身の議論を自分自身の声に整えることは、通常の学術実践である。指導教員が欄外 टिप्पणीで行うことや、コピーエディターが学術誌への投稿前に行うことと同じである。自分で書いた議論を、文のリズムや語の選択を変えるツールに通し、完成した文章がテンプレートではなく、調子のよい日の自分のように聞こえるようにすることは、まさにその伝統の中にある。

生成された文章を自分のものとして提示することは別の行為であり、それに用いたツールが何であっても、その性質は変わらない。何も書かず、モデルに論旨と解釈を生成させ、それを独立した成果物として提出することは不正行為である。表面上の文章が手作業で整えられていても、humanizer を通されていても、生成されたままの状態であっても同じである。Committee on Publication Ethics は、出版された研究についてこれを明確に述べている。AI システムは 著者になることはできない。なぜなら、自らが主張する内容について責任を負うことができないからである。そのため、人間の著者がその成果物に責任を持ち、ツールをどのように使用したかを開示しなければならない。この基準は、学位論文の章にも、学術誌への投稿にも同様に当てはまる。

区別の基準はツールではない。問うべきは一つだけである。これは、あなた自身の論旨であり、その表現が確認され、言い回しが書き直されたものなのか、それとも、あなたが作成していない論旨にあなたの名前が付されているだけなのか、ということである。生成 AI をめぐる最初の動揺が収まると、ほとんどの大学および学術誌の方針はまさにその線引きを採用し、開示された実質的な利用は認めつつ、未開示の生成は、別の名称で呼ばれているだけで、従来と同じ問題として扱い続けた。所属機関が開示を求めるなら、校正者や統計コンサルタントに謝辞を示すのと同じように、開示すべきである。

学術的文章のための AI Humanizer の選び方, 重要な基準

ここで重要なのは五つの確認であり、そのどれもが書き換えの巧妙さを問うものではない。

• 本文中の引用と参考文献の書式を、論文で用いている様式にかかわらず、正確に保持しているか。
• 専門用語や機器名を、近い意味の語に置き換えず、そのまま保持しているか。
• 方法や結果を述べる文の実際の意味を維持しているか。わずかなずれが事実誤認になるためである。
• 学術的文章の正式な文体を保ち、ブログ調やマーケティング調に流れていないか。
• 数式、表、引用文が書き換えの過程でどう扱われるか。

これらのいずれも、提供元の自社ページで確認可能である。企業は引用に何が起こるかを明示するか、あるいは何も述べないかのどちらかであり、沈黙それ自体も正しく読み取る価値がある。以下では、TextPulseを含むすべてのツールを同じように扱い、比較文の執筆者であることを理由に評価を与えるのではなく、同じ5つの問いに基づいて判断する。

引用、参考文献、および技術用語

TextPulseの自社のAI humanizerは、学術向け製品ページにおいて、APA、MLA、IEEE、Chicago、Harvard、Vancouverの各スタイルにおける本文中引用と参考文献項目は、人間化処理を経ても逐語的に保持され、括弧形式の引用も叙述形式の引用も同様であり、さらにfreeze termsにより、著者は任意の構成要素、機器名、または技術的表現を固定して、決して言い換えられないようにできると述べている。両形式が明示的に名指しされている点は重要である。なぜなら、書き換え処理は最も頻繁に叙述形式を誤処理し、著者の姓を移動や言い換えが可能な通常の語として扱うからである。これは、正確性についての曖昧な約束ではなく、具体的で確認可能な主張である。

同等の主張をする汎用 humanizer は存在しない。Undetectable AIの自社ホームページは、この製品が学術用途において信頼できるよう設計されていると述べるが、言い換えられた文の中で引用に何が起こるかは説明していない。QuillBotのhumanizerページは、使用例としてエッセイと論文を挙げ、AIの関与を引用するよう利用者に注意を促しているが、本文中にすでに存在する引用を書き換えがどのように扱うかについては何も述べていない。WriteHumanのホームページは、出力を後で再読し事実確認することの代替ではないと明示的に警告しつつ、著者の元の意味を保持すると約束している。

そのリスクは仮説ではない。方法の節で 'sertraline' と記せば、それは具体的で確認可能な内容を述べているのであり、これを 'an antidepressant' に置き換える書き換えは、査読者が正確であることを期待する主張を、静かに一般化してしまう。そうした用語のずれは、文法チェッカーに引っかかることはほとんどなく、3つの競合製品のいずれも、それが起こる前に防ぐ仕組みを文書化していない。

Phraslyは学生の下書きも対象の一部としているが、そのページでは、引用の除去、検出回避、ステルスライティングについて説明しており、引用の扱い、用語の固定、学術的レジスターについては述べていないため、現時点では自社サイト上で学術特有の挙動は文書化されていない。この空白は、レビューサイトが間接的に要約している内容がどうであれ、ツールを実物を見ずに選ぶ前に知っておく価値がある。

TextPulseの引用を保持するAI humanizerが何を別に行う必要があるかについての自社記事は、参考文献一覧を伴うツールを信頼する前に、一般的な書き換えで何が正確に壊れるのかを見たい人のために、仕組みを様式ごとにさらに詳しく説明している。

圧力下の意味, 方法, 結果, そして引用された素材

ブログの一文を緩める書き換えは、読者がもともと頼っていなかったわずかな精度を失わせる。方法の一文を緩める書き換えは、'randomly assigned' を 'assigned' に変え、査読者が設計を信頼するために必要だった唯一の語を静かに取り除いてしまうことがある。学術的散文は、他の多くの文章よりも、具体的な語、留保表現、数値の中に実際の主張をより多く担っている。だからこそ、一般的な書き換えは、マーケティング段落よりもここで危険なのである。

留保表現は最も明確な例である。'The results suggest a relationship' と 'the results demonstrate a relationship' は、証拠の重みが異なる別個の主張であり、多様性ではなく精度に合わせて調整された書き換えには、データが実際にどちらを支持しているのかを知る手段がない。文の響きを最適化する一般的な humanizer には、結果の節において 'suggest' と 'demonstrate' が交換可能ではないことを示す信号はなく、一般的な英語ではどちらも妥当な同義語であるということしか分からない。

TextPulseのページでは、このエンジンは、執筆者が手動で固定した内容に加えて、統計、効果量、化学式、ヘッジの強さのような意味論的実体を自動的に保持すると述べられている。WriteHumanは、元の意味を保持すると明言したうえで、独自の注意書きを付け加えている。出力を再読し、事実を確認し、最初の下書きと同じように編集すること、である。この二つ目の文のほうが、実際にはより有用だと考えられる。というのも、これはTextPulseを含むこの文章中のすべてのツールに当てはまるからである。

ブロック引用は、一般的な書き換えが単に不注意なだけでなく、積極的に危険であることが最も明確に示される例である。引用符の内側の語は他者のものであり、そのうち一語でも変えれば、正確な引用は、元の著者に帰せられた誤引用へと変わる。執筆者自身の文と、他者から借用した文とを区別できないツールには、第二の文を示す方法なしに、どちらも書き換える資格はない。

方程式と表に直接触れる説明は、どこでもほとんど見られない。ここで確認した四つの汎用ツールのいずれも、自社のマーケティングページ上で、表や数学記法に自ら言及していない。また、TextPulseの文書自体も、上で挙げた意味論的実体にとどまり、方程式や表についてより広い主張をしてはいない。実際上の違いは、固定機構そのものにある。TextPulseは、執筆者に対して、自動処理が認識しないものを保護する手動の方法を与えるが、ここで確認した他のツールはいずれも、自動であれ手動であれ、それに相当するロックを文書化していない。どのツールが生成したものであっても、人間化処理の後に表や引用を手作業で確認することは、より安全な習慣であり続ける。

レジスター, 一つの学術的モードか, それともすべてに対する一つの書き換えか?

TextPulseのacademic humanizerページでは、エンジンは査読済みの研究論文のみで訓練され、出力はFlesch-Kincaidの13から18年生相当の可読性帯域内に保たれると述べられており、またESL向けページでは、書き手が1回の処理を実行する前に選択できるacademic, business and contentのregisterを別途記載している。より低い学年相当へずれる書き換えは、より読みやすくなるが、委員会が文書全体にわたり厳格で一貫した水準に置かれることを期待する文書にとっては、まさに逆方向である。これはregisterに関する具体的で検証可能な主張であり、宣伝的な形容詞ではない。

registerについて確認した3つの競合は、より限定的な主張をしているか、あるいはまったく主張していない。QuillBotの自社humanizerページは、その出力をメール、SNS投稿、ブログのような日常的なコミュニケーションに位置づけており、特にacademic proseを対象としてはいない。Undetectable AIは、製品がacademic useに適していると一般的に述べているが、distinctなacademic registerやmodeについては説明していない。WriteHumanが想定する対象は、marketers, freelancers, professionals, content creators and agenciesである。学生や研究者は、同社のホームページ上のその一覧にはまったく含まれていない。

ツール	引用と参考文献	専門用語	学術的文体	数式、表、引用文
TextPulse	APA、MLA、IEEE、Chicago、Harvard、Vancouverにわたり、本文中引用と参考文献一覧の両方で逐語的に保持される	Freeze terms lockは任意の語または句を固定し、統計、効果量、化学式は自動的に保持される	査読付き論文で学習されており、academic、business、contentの各文体から選択できる	統計、効果量、化学式は自動的に保持される, 表と一般的な数式は個別には文書化されていない
Undetectable AI	提供元自身のページでは言及されていない	言及されていない	学術用途に適するという一般的な主張はあるが、明確なモードは説明されていない	言及されていない
QuillBot	特にhumanizer機能については言及されていない	言及されていない	日常的なコミュニケーション、メール、SNS投稿、ブログを中心に位置づけられている	言及されていない
WriteHuman	言及されていない	一般的な意味保持の主張を超えては言及されていない	想定される利用者はマーケターとコンテンツ制作者であり、学生や研究者ではないとされている	言及されていない
Phrasly	記載なし	記載なし	記載なし	記載なし

学術執筆に最適なAI Humanizer, 各ツールが実際に適する場面

学位論文の章、査読中の原稿、あるいは引用や専門用語がずれてはならないその他の文書では、TextPulseはその特定の問題に対応するための処理を文書化している、この点でここにある唯一のツールである。これが、単なる一般的な書き換え用の調整機能ではなく、独立した製品として存在する理由でもある。これは、今日公開され検証可能な内容における実際の違いであり、すべての学術向けhumanizerがこのように機能するという主張でも、他のツールがあらゆる目的に不適切だという主張でもない。

他のものにも、依然として実際の用途はあります。低リスクのメールやカバーレターを整える学生には、守るべき引用はなく、学術向けの処理に料金を払う理由もほとんどありません。QuillBotが、すでに多くの学生が使っている文法および言い換えのスイートと一体化していることは、その種の作業にとって確かな利便性ですし、Undetectable AIの学術用途に適するという一般的な主張も、引用、専門用語、引用文を一切含まない一節であれば、十分に成り立つ可能性があります。価格と語数の上限は、この論考では意図的に脇に置いていますが、実際の判断ではなお重要であり、TextPulseのより広い比較はその点を直接扱っています。上の5つの確認は、静かな修正を施す余裕のない段落を貼り付ける前に、自分が実際にどの状況にいるのかを見極めるためにあります。

この候補群には、より狭い2つの版があります。ESLの書き手に最も強い選択肢は別に評価され、最良の無料AI humanizerは、縮小された有料版としてではなく、それ自体の基準で順位付けされています。

どのツールがある段落を担当することになっても、その後の確認は毎回同じです。引用を原文と照合し、専門用語を原文と照合し、実際の発見を担う文を、指導教員がすぐに口頭で説明を求めてくるかのように読みます。本文中引用修正ツールは、これら3つのうち最初のものを、行ごとに読むより速く見つけますが、残りの2つには、論文が何を述べるべきかを理解している人間がなお必要です。

論文全体に対してこの処理を行う

1回の処理で論文全体をhumanizeすると失敗する理由

引用が損なわれる最も一般的な方法は、原稿全体を一度に書き換えツールへ貼り付けることです。この現象の説明は、書き換えツールの性能が悪いこととは無関係です。8,000語の文書の1ページ目に埋め込まれた変更は、原文と照合して抜き取り確認することがほとんど不可能です。400語の節に埋め込まれた変更は、次へ進む前に著者が実際に読み直せるものです。全体を人間化すると、1つの落ちたページ番号は、見落とされる90の機会のどこにでもあり得ます。しかし章ごとに人間化すると、同じずれは30件の引用と1回の午後の編集作業に限定され、そこで実際に見つかります。書き換えの品質は文書全体の規模では崩れませんが、検証は崩れます。作業中は、最終的な照合の段階だけでなく、編集前の原文を別ウィンドウで開いておいてください。

番号付きの引用スタイルは、規模が大きくなるほど問題を悪化させます。IEEEの角括弧は、文献一覧で最初に現れた順序によってその位置に結び付けられているため、長い文書全体で段落を組み替えるパラフレーズ処理では、角括弧を本来それを得た文と切り離してしまう機会がより多くなります。編集後に出典の導入順が変わった論文では、1つの誤った角括弧だけが危険になるわけではありません。順序を入れ替えられたものの後に導入されたすべての出典が、本来あるべき位置から1つずれた番号を指すことになり得ます。なぜなら、IEEEの番号付けは最初の引用から最後の引用まで連続して進むからです。解決策は、より賢いツールではありません。より小さな作業単位です。

AI Research Paperの各節を人間化する正しい順序

この順序で行う5つの手順により、引用の多い原稿を最初の節から最後の節まで損なわずに保てます。

Step	何が起こるか	順序が重要な理由
1. まず参考文献一覧を書き出す	本文の段落に一切手を付ける前に、完成した参考文献一覧を別の場所にコピーする。	そうすることで、それ以外のすべてを照合するための固定された記録となり、途中で誤って編集されるものではなくなる。
2. まず文章量の多い部分を人間らしくする	導入と考察から始める。これらは段落あたりの引用数が最も少ない部分である。	各部分の引用数が少ないほど、ワークフロー自体がまだ試されている段階での初期の誤りの機会が少なくなる。
3. 引用の密度が高い部分は小分けで進める	先行研究レビューや関連研究の部分を、数段落ずつ扱う。	変更は、原文と照らして二度読めるほど小さい場合にのみ確認可能であり、引用の密度が最も高いのはここである。
4. 番号付きの角括弧は専用の確認に残す	IEEE または Vancouver 形式の部分で文章を人間らしくした後、表現が落ち着いてから各角括弧を個別に確認する。	角括弧内の番号は最終的な文の順序に依存するため、文章が完成する前に確認すると、二度確認することになる。
5. 本文中の引用と参考文献一覧を照合する	本文で引用されたすべての名前に対応する項目があり、また各項目がどこかで引用されていることを確認する。	この段階で、最初の4つをすり抜けたものを見つけられる。そして、まだ編集途中の一覧を確認することは、結局二度確認するのと同じなので、他の作業が終わってからでなければ機能しない。

一度に扱う量はどれくらいか

有用な目安は、一度に読んで記憶に保持しながら確認できる程度の小さなバッチです。つまり、全体ではなく、せいぜい一つのセクションずつです。TextPulseのインテキスト引用修正機能は、この理由から1回の処理を500語に制限しています。これは多くの論文における1セクションのおおよその長さに近く、変更のバッチが次の処理を始める前に検証できるほど小さいまま保たれるためです。同じ論理は、全文の人間化処理にも当てはまります。セクション単位の断片で作業し、それぞれを確認してから次へ進みます。

この作業では、セクションの境界を保ってください。段落の途中から始まり引用の途中で終わるバッチは、きれいな区切りで始まり終わるバッチよりも確認が難しく、2つの別々の書き換え処理にまたがって分割された引用は、まさに不一致の et al. や脱落したページ番号を生む典型的な境界事例です。たとえば、複数の主題的クラスターを持つ文献レビューは、1つのクラスターの途中で分けるよりも、クラスターの間で分けたほうが安全です。各クラスターは通常、それぞれの引用をきれいに開き、閉じるからです。自然な区切りが存在しない場合、たとえば5つの引用が連続している長い1段落の内部では、編集目的のために段落自体を分割し、その後で再結合するほうが、引用クラスターの半分を入力の終わりとして書き換え処理に扱わせるよりも適切です。

インテキスト引用と参考文献リストの照合

これは多くの著者が飛ばしてしまう段階であり、たいていは数時間に及ぶ編集の後では単なる雑務のように感じられるからだが、実際には上流で何が誤ったのかを見つける段階である。参考文献を確認すること。本文で引用した著者名ごとに、参考文献一覧に対応する項目がなければならない。参考文献一覧の各項目ごとに、本文中での言及がなければならない。本文には残っているのに項目を失った名前、あるいは編集の途中でその名前を含む段落が削られたために使われないまま残っている項目は、二つの一覧を直接照合する人がいなければ見えない。不一致が劇的であることはまれである。たいていは一つの名前であり、数回前の編集で長さを理由に文が削られた際に落ちたもので、余分な語と一緒に何が削られたのかを誰も確認していない。もう一つのよくある原因は、編集の過程で引用が叙述形式から括弧形式に変わることである。引用が文の途中に入ると、しばしばそうなるが、姓は、照合の確認で見つかるはずの位置に置かれるのではなく、埋もれてしまうことがある。

アルファベット順に作業すると、通常は参考文献一覧がすでにアルファベット順であるため、読書順に作業するよりも確認が速い。一覧を項目ごとにたどり、各姓が本文のどこかに現れていることを確認し、その後で本文をもう一度たどって、そこに引用されたものが一覧から抜けていないことを確認する。A reference alphabetizerは並べ替えの部分を自動で処理するが、これは60以上の資料がある論文では特に重要であり、項目を手作業で並べ替えることこそが、名前が静かに抜け落ちる場所だからである。

通過後に下書きを確認する

人間らしく整えた下書きを最終稿と取り違えてはならない。覚えておくべきなのは、通過を編集ツールのように使うことである。そこに置いておきたい語はためらわずに固定してよいが、用語が章をまたいで一貫していたか、引用が依然として指すべきものを指しているか、ある章で固定した語句が次の章で静かにずれていないかは確認しなければならない。Proofreading a thesisは、それ自体の手順をもつ独立した作業である。

論文の各部分は、それぞれ異なる形で失敗し、各部分は個別のページで扱われる。研究論文の人間化、文献レビュー、方法論のセクション、考察のセクションはそれぞれ独自の解説があり、論文全体にも同様に解説があるが、そこでは章をまたぐ一貫性のほうがより難しい問題になる。対象が成績ではなく学術誌である場合、投稿前にAIスコアを下げることは、引用をそのまま保ったまま通すことという、より限定された問題と並んで、個別に扱われる。

可能であれば声に出して読み、少なくとも口頭試問で弁護するのと同じ速さで読んでください。よく書き換えられていてスコアは高いが、委員の一人に説明を求められたときに説明できない文は、報告書上のどの割合よりも大きなリスクである。それが本当の試験であり、報告書上の数値ではない。今この場で、声に出して、すべての文を自分の言葉として支えられるかどうか、ということである。