ネイティブの編集者なしで学術英語を自然に見せる方法
非母語話者による硬い学術文体は, たいてい文法の問題ではない。問題はコロケーション, 強さの合っていないヘッジ, 変化のない文の長さ, そして動詞の役割を名詞が担っていることにある。以下では, 編集者を雇わずにこれら5つすべてを捉える具体的な置き換えと自己編集の手順を示す。
方法の節は文法的に完全であっても、余白に「これはあなたらしくない」と書かれることがある。各文は構文解析できる。各動詞は主語と一致している。文法チェッカーが指摘するような誤りは何もない。それでも、その段落は、英語で考える人が書いたというより、会話集から組み立てられたように読める。英語の学術的な文章で自然に読ませる方法を学ぶには、その印象を生むものの大半が文法とは無関係だと受け入れることから始める必要がある。
実際にほとんどの損害を与えるのは4つである。技術的には正しいが母語話者の読者が期待するものではない語の結びつき、証拠に対して強さが適切でないヘッジ、長さが決して変わらない文、そして名詞で書かれているために動詞で書いたほうが読みやすい働きをしている名詞である。この4つはいずれもスペルチェッカーや文法チェッカーには引っかからず、書き手がそれらを探すべきだと知れば、すべて修正できる。
これはいずれも検出器を出し抜くことではなく、そのように扱うと修正の方向を逆にしてしまう。TextPulseのAI検出器の偽陽性に関する証拠の概説では、誰が実際に書いたかにかかわらず、予測可能で教科書的に安全な表現がなぜ機械生成として評価されるのかを扱っている。以下の修正は、考えている特定の人物のように聞こえることを目指すものであり、それは同時に、文章が一般的に読まれるのを防ぐものでもある。
コロケーション, なぜ研究は「作成される」のではなく「実施される」のか
代替表現は非文法的ではない。ただ、その特定の名詞のそばに置かれるものとして、その分野の読者が期待するものではないだけである。コロケーションとは語の結びつきであり、母語話者はそれを固定的なものとして受け入れるが、同じ位置に同義語を置いても文法的には正しい。学術英語では、study, experiment, survey, analysis を conduct する。conclusion, comparison, distinction を draw する。question と challenge を pose し、concern を raise し、consensus または decision に reach する。
"The study made an analysis of the interview transcripts" は、文法上の誤りはまったくなく、それでもなお翻訳調に読める。"The study conducted an analysis of the interview transcripts," あるいはより直接的に "the study analyzed the interview transcripts," のほうが、その分野の読者なら何も考えずに書く表現である。
| Common substitution | Collocation academic readers expect | In context |
|---|---|---|
| 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. |
このことは、一般に "make" が動詞として誤りであることを意味しない。"make a contribution"、"make a distinction"、"make an argument" は、いずれもそれ自体で標準的な学術コロケーションである。動詞の隣に置かれている名詞を個別に確認すべきである。英語では、これらの名詞それぞれに対して、少数の固定した動詞の組合せが割り当てられており、その範囲内での置換はほとんど許容されない。
教科書ではなく、証拠に合わせて調整されたヘッジ表現
ヘッジは、主張の強さを実際に証拠が支えられる範囲に合わせるために存在するが、両方向で失敗しうる。過大主張は、支持できない設計から因果的または断定的な結果を述べるものである。「証明する」「決定的に示す」「XがYを引き起こすことを示す」といった表現が、相関研究一件に付される場合である。過小主張は、すでに十分に支持されている知見に複数のヘッジを重ね、文が、知見に対する適切な慎重さではなく、ヘッジそのものへの疑義を示すところまで至る。
単一の横断調査は、「スクリーン時間は青年期の不安と関連している」または「これらの結果は両者の関連と整合的である」を支持する。しかし、「これらの結果は、スクリーン時間が青年期の不安を引き起こすことを証明する」は支持しない。横断研究デザインでは、どの変数が先に生じたかを確立できず、まして一方が他方を引き起こしたことなど示せないからである。調整された主張は、過大主張されたものよりもより確信的に読める。慎重な読者は、行ごとに事実確認を始める前に、それをより遠くまで信頼するからである。
同様に目立つのは、過小主張の例である。学生たちは「常にヘッジせよ」と教えられたが、その程度は教えられなかった。「介入は、もしかすると、ある程度の効果を持つ可能性があると示唆されうるかもしれない。」この文には4つのヘッジがある。「介入は効果を持つように見える。」ここではヘッジは1つだけであり、単一研究の実際の強さに適切である。より少なく言うことで、より多くを述べている。
文のリズム, 読者が名指しする前に感じ取る兆候
文の長さが一様であることは、文法チェッカーに引っかかることはほとんどない。しかし、すべての文がほぼ同じ長さに収まる段落は、各文が個別にはどれほど正確であっても、平板に読まれる。TextPulseの学術的文章において文の長さを変化させる方法の完全な解説では、前後比較の段落を用いて、その再構築を詳しく扱っている。要点は次のとおりである。段落を読み返し、同程度の長さの文が3つ以上続く箇所をすべて印を付け、そのうち1つを分ける。
自分の論文を人間らしくする
重要な語句や引用には手を加えずに、AI支援テキストを変換して自然な人間の文章のようにします。
過度の名詞化, 動詞に仕事をさせる
名詞化は動詞を抽象名詞に変える。investigate は investigation に、analyze は analysis に、improve は improvement になる。英語はこれを常に許容し、学術文体は他の多くのレジスターよりもこれに強く依拠するが、名詞化だけで構成された段落は、各文を行為が必要とする以上に重い枠組みに通し、その重さは、すべての語が正しくても翻訳調に読まれる。
"The implementation of the revised protocol resulted in a reduction in contamination events" は、動詞なら直接担える内容を説明するのに16語を要する。"Implementing the revised protocol reduced contamination events" は、元の文の事実をすべて保ちつつ、その周囲の足場だけを取り除いている。
"This study aims to undertake an investigation into the relationship between diet and cognitive performance" は、文の実際の主語が現れるまでに13語を費やしている。"This study investigates the relationship between diet and cognitive performance" は同じことを9語で述べており、読者は3語早く要点に到達する。
不適切なレジスターの接続語
教科書は、furthermore, moreover, thus, hence, consequently のような少数の形式的な接続語を、早い段階で厳しく教える。学術文の正しい始め方としてそれらを学んだ書き手は、論理関係を実際に示す必要があるかどうかにかかわらず、数行ごとにそのうちの一つで書き出す傾向がある。母語話者の学術文体は同じ語をはるかに控えめに用い、しばしば単純な隣接、すなわち一つの主張の直後にその証拠を置く形に依拠し、関係を告げる標識語には頼らない。
"Furthermore, the sample size was small. Participants were not randomly assigned. The results may not generalize. Future research should use a larger sample" は、4つの文で4つの接続語を使っており、必要なのはちょうど1つである。"The sample size was small, and participants were not randomly assigned, so the results may not generalize to a broader population" は、同じ論理を1文に収め、1つの接続語で4つ分の役割を果たしている。
関連する不一致は、文全体ではなく単語単位でも現れる。"Besides" を文頭に置いて "in addition" の意味で用いることは、会話や一部の翻訳された学術文では一般的だが、周囲の文体と比べるとくだけて読まれる。"in addition" を用いるか、あるいは接続語をまったく置かずに新しい文にするほうが、方法の節や考察の節にはより適している。
英語の学術ライティングで自然に聞こえる方法, 自己推敲の手順
章全体に対して五つの確認をすべて手作業で行うと、丸一日の作業になる。これはまさに、この手順が編集者にその費用を払わずに済ませるためにあるコストである。TextPulse の ESL の学術ライター向けに作られた humanizer は、一般的な一括処理ではなく、上で述べたパターンを基にした同種の確認を下書きに直接適用する。
- 下書きの中で "make," "do," "give" が名詞の隣に置かれている箇所を探し、その組み合わせがその分野の読者の期待に合っているかを確認する。conducted は made ではなく、yielded は given ではない。
- すべての緩和表現を声に出して読み、その強さを実際に証拠が支えているかを問う。単一の相関研究で prove, show, demonstrate が妥当になることは、めったにない。
- 各段落の各文の最初の三語に印を付ける。同じ冒頭が三回続けて繰り返されるなら、文の一つを別の構造で組み直す。
- -tion, -ment, -ance で終わる語を探し、その名詞が主動詞になれば、文がより直接的に読めるかを問う。
- furthermore, moreover, thus, consequently をすべて削除し、それらなしで段落を読む。論理が本当に必要とするものだけを戻す。
これら五つの確認は、机の上に貼った一覧ではなく習慣になれば、どれも長くはかからない。free academic tone converter は同種の処理を自動で実行し、くだけた構文や過度に大きい緩和表現を、その節に実際に必要な文体と照合して指摘する。その際、修正だけでなく理由も付される。
もし検出器がすでにあなたの文章にフラグを立てているなら、AIを使用したと非難されたときに何をすべきかとAIを使用していないことを証明する方法は別々に扱われている。
実際に重要なのは、検出器が段落にフラグを立てるかどうかではない。重要なのは、その分野の読者が自分が翻訳を読んでいることを完全に忘れるかどうかである。これは、文法が整っていることよりも高い基準であり、多くの書き手が想定するよりは低い基準でもある。調整されたヘッジ表現が1つ、正しいコロケーションがいくつか、そして文長のパターンが崩れていることがあれば、たいていそこに到達する。
よくある質問
文法は, たいてい決定的な手がかりではない。主な要因は4つある。技術的には正しいが母語話者の期待する形ではない語の結びつき, たとえば conducted ではなく made を用いるようなもの, 証拠に対して強さが合っていないヘッジ, 変化のない文の長さ, そして動詞がより直接的に果たすはずの働きを名詞が担っていること, である。この4つのどれも, 文法チェッカーを作動させるものではない。
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.