Chinese De Aigc

中文学术降 AIGC Skill

中文学术实证论文的 AI 痕迹消除器。不是"改同义词"，不是"打乱语序"，而是系统性地重构中文 AI 文本的统计学特征，让它回归到真实研究者写作的语言分布上。

适用场景

• 中文期刊投稿前的 AIGC 率自查与修改
• 学位论文（本/硕/博）应对知网 AMLC 检测
• 基金申请书、开题报告、研究报告去 AI 化
• 已完成英文投稿、需要中文摘要/中文版本的场景
• CoPaper.AI 等工具生成初稿后的人工化处理

核心理念

三个错误的做法（很多教程都在做但无效）：

1. ❌ 同义词替换：把"关键"改成"核心"，把"重要"改成"显著"——检测器看的是 n-gram 统计分布，不是单词替换 2. ❌ 句式倒装：简单把"由于 A，所以 B"改成"B，这是因为 A"——句法模板没变 3. ❌ 全文重写交给 AI：换另一个 AI 改写，只是从一种 AI 痕迹换成另一种

本 Skill 的正确路径：针对中文 AI 的五大结构性特征做定点破坏，而非字词层面的表面修改。

中文 AI 文本的五大结构性特征

与英文 AI 不同，中文大模型的痕迹主要表现在：

1. 四字套话密度过高：每 200 字出现 3+ 个"综上所述/不可否认/毋庸置疑/显而易见"之类 2. 虚词与关联词冗余：过度使用"然而/因此/此外/而且/并且/以及/等等" 3. 主语回避与隐藏被动：大量"本文认为/本研究发现/相关研究表明"式的模糊主语 4. 句长方差低：句子长度集中在 20-35 字，缺乏人类写作的节奏跳跃 5. 结论绝对化：倾向使用"证明了/确立了/充分说明/必然导致"等过强断言

本 Skill 针对上述 5 大特征，提供 17 类细分诊断规则（详见 references/patterns.md）。

五步闭环工作流

┌─────────────┐    ┌─────────────┐    ┌─────────────┐
│ 1. 定位扫描 │ →  │ 2. 诊断分类 │ →  │ 3. 差异化改写 │
└─────────────┘    └─────────────┘    └─────────────┘
                                             │
┌─────────────┐    ┌─────────────┐          │
│ 5. 二次复查 │ ←  │ 4. 五维自评 │ ←────────┘
└─────────────┘    └─────────────┘

Step 1 · 定位扫描

接收用户提交的文本，按 references/patterns.md 的 17 类规则做全文扫描，输出结构化问题清单：

## AI 痕迹定位报告

| 段落 | 原文片段 | 命中规则 | 严重度 |
|------|---------|---------|--------|
| ¶2   | "毋庸置疑，数字化转型..." | P01 四字套话 | 高 |
| ¶3   | "...此外，该研究还..."   | P04 显性连接词 | 中 |
| ¶5   | "本文认为该机制充分证明了..." | P12 绝对化断言 | 高 |

⚠️ 不要此时就开始改写，先让用户/作者看到问题全貌。

Step 2 · 诊断分类

按段落功能分类：

• 事实陈述段（方法/数据/结果）→ 低调改写，保留学术精确度
• 论证段（文献综述/讨论/机制分析）→ 重点改写，注入学者的"认识论谨慎"
• 过渡段（章节衔接、段落承上启下）→ 大幅改写，消除机械连接词

参考 references/academic-sections.md 的分章节策略表决定每段的改写力度。

Step 3 · 差异化改写

针对 Step 1 清单里的每一条，按以下四条原则逐一修复：

1. 还原研究者视角：把"本研究发现"改成具体的"我们用 2015-2023 年 CFPS 面板数据发现"——加入可验证的颗粒度 2. 制造句长方差：在一段 200 字内，强制包含至少 1 个 ≤15 字的短句 + 1 个 ≥50 字的长句 3. 消灭显性连接词：去掉"此外/而且/因此/从而"这类段首连接词，改用语义接力（下一句主语呼应上一句宾语的关键概念） 4. 绝对→谨慎：所有"证明/确立/必然/充分说明"降级为"为...提供了证据/与...的预期一致/可能意味着"

⚠️ 禁止事项：

• 禁止为了"显得人类"而刻意制造错别字或不规范表达
• 禁止使用生僻词、文言化词汇强行降困惑度——这会损害学术性
• 禁止篡改数据、结论或研究主张——只改表达，不改实质

Step 4 · 五维自评

对改写后的文本做中文学术版 5 维评分（每维 1-10 分，详见 references/scoring.md）：

加权总分 < 35 → 返回 Step 3 再改一轮。加权总分 ≥ 42 → 通过。

Step 5 · 二次复查

用"冷读者"视角重新审视全文，执行三项终审：

1. 通顺性复查：改写后的逻辑链是否依然连贯？有没有为了降 AIGC 伤到学术表达？ 2. 事实性复查：数据、引用、作者名、年份有没有被误改？ 3. 风格一致性复查：全文语气是否统一，有没有出现"改过的段落 vs 没改的段落"断层？

输出终稿 + 改动摘要（哪些段落改了多少、为什么改）。

调用接口

用户可以用以下任意触发词调用：

• 请对这段文本降 AIGC 检测率
• 把这篇论文改得不像 AI 写的
• 走 chinese-de-aigc 五步闭环
• 诊断这段文字的 AI 痕迹，给出修改建议

与其他 Skill 的配合

• 先用 revision-guard 防止过度修改（本 Skill 改写完后交给它把关）
• 与 humanizer_academic 互补：那个针对英文，这个针对中文，一篇双语论文需要两个都用
• 写完初稿再用本 Skill：不要一边写一边降 AIGC，会干扰创作思路

参考资料

• references/patterns.md — 17 类中文 AI 痕迹模式库（每类含识别规则 + 典型样本）
• references/examples.md — 12 组原文/改写前后对比（覆盖实证论文七个主要章节）
• references/academic-sections.md — 按章节差异化的改写策略表（摘要/引言/文献综述/方法/结果/讨论/结论）
• references/scoring.md — 五维评分量表细则

重要声明

本 Skill 的目标是让人工写作和 AI 辅助写作的文本回归到真实研究者的语言分布，而不是"帮 AI 生成内容骗过检测"。

• ✅ 适用：研究者自己写的初稿，被 AIGC 检测误判为高 AI 率
• ✅ 适用：AI 辅助起草 + 研究者人工修改定稿的混合场景
• ❌ 不适用：完全 AI 生成的论文，希望零改动通过检测
• ❌ 不适用：学术不端场景，如代写、抄袭的掩盖

学术诚信优先于检测率。任何改写都不应触及研究结论、数据真实性、引用准确性。

中文学术降 AIGC Skill

作者：CoPaper.AI · Stanford REAP

许可证：MIT

适用工具：Claude Code / Cursor / Codex / Gemini CLI / 任何支持 Agent Skills 标准的 AI 助手

一个面向中文学术实证论文的降 AIGC 检测率 Skill。与通用英文 humanizer 不同，它针对知网 AMLC、万方、维普通达、Turnitin 中文版的检测机制设计。

为什么需要一个专门的中文 Skill？

现有 GitHub 上优秀的 humanizer 都是面向英文的：

中文 AI 文本有完全不同的结构性特征——四字套话、虚词堆叠、机械连接词、总分总对称结构，这些模式在英文 humanizer 中完全不涉及。本 Skill 专门解决中文场景。

核心设计

五步闭环：定位 → 诊断 → 差异化改写 → 五维自评 → 二次复查

17 类模式库：详见 `references/patterns.md`

五维评分：具体性、节奏性、谨慎性、隐衔接、研究者语气（`references/scoring.md`）

分章节策略：摘要/引言/文献综述/方法/结果/讨论/结论的改写力度各不相同（`references/academic-sections.md`）

12 组案例：覆盖实证论文七个章节的改写前后对照（`references/examples.md`）

安装

方法一：放到 Claude Code 本地 skills 目录：

mkdir -p ~/.claude/skills
git clone https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills.git /tmp/awesome-skills
cp -r /tmp/awesome-skills/skills/48-copaper-ai-chinese-de-aigc ~/.claude/skills/chinese-de-aigc

方法二：放到项目的 .claude/skills/ 目录（仅该项目可用）：

mkdir -p .claude/skills
cp -r skills/48-copaper-ai-chinese-de-aigc .claude/skills/chinese-de-aigc

使用

在 Claude Code 中，用以下任一触发词调用：

• "请对这段文本降 AIGC 检测率"
• "把这篇论文改得不像 AI 写的"
• "走 chinese-de-aigc 五步闭环"
• "诊断这段文字的 AI 痕迹，给出修改建议"

与其他 Skill 配合

本 Skill 是 Auto-Empirical Research Skills (AERS) 仓库的第 48 号 Skill。推荐组合使用：

重要声明

本 Skill 的目标是让人工写作和 AI 辅助写作的文本回归到真实研究者的语言分布。

✅ 适用：研究者自己写的初稿被 AIGC 检测误判；AI 辅助起草 + 人工修改定稿的混合场景 ❌ 不适用：完全 AI 生成的论文，希望零改动通过检测；学术不端场景

学术诚信优先于检测率。

贡献

欢迎通过 PR 扩充：新的 AI 痕迹模式、更多章节级改写案例、中文学科特有的 hedge 表达库。

致谢

• 设计思想参考了 blader、matsuikentaro1、stephenturner、hardikpandya、conorbronsdon 等英文 humanizer skill
• 模式库的部分识别规则参考了 CHI 2025 和 Georgetown 2025 的 AI 写作检测研究
• 分章节策略借鉴了 Emory University Pedro Sant'Anna 的学术写作工作流

分章节差异化改写策略

不同章节的 AI 痕迹表现不同，修复力度也应不同。方法章节的"AI 味"其实是学术规范；文献综述的"AI 味"才是真的失真。

---

总览表

---

章节细则

1. 摘要（Abstract）

AI 典型症状：

• 开头"本研究..."或"本文..."
• 中间全是"深入探讨/全面分析/系统研究"
• 末尾"具有重要的理论意义和实践价值"

改写红线：

• 字数控制在 200-300 字（中文）/ 150-250 词（英文）
• 必须包含 3 个具体数字：样本量、时间窗口、关键系数
• 必须包含 1 个具体文献回应："与 Smith (2020) 的结论一致/不一致"
• 必须去掉所有"深远影响/重要意义/有益参考"类空话

骨架模板（参考用，不是直接套）：

[研究问题一句话] — [方法一句话] — [数据一句话，含样本量和时间窗口] —
[主要发现一句话，含具体系数] — [机制一句话] — [文献对话一句话] —
[边际贡献一句话]

---

2. 引言（Introduction）

AI 典型症状：

• 开头"近年来，XXX 受到广泛关注"
• 中间"相关研究主要从三个方面..."
• 结尾"本文的创新点主要体现在以下三个方面"

改写红线：

• 禁止用"近年来"/"随着...的发展"开头
• 必须以具体事件/数据/文献争论开头（如案例 2 的 AlphaGo 开场）
• 贡献声明不要编号列出三点，而是用段落陈述式写法，突出相对现有文献的边际改进点
• 文献引用精确到作者+年份，不用"相关研究"

经济学顶刊常见引言套路： 1. 争论性问题："X 和 Y 的关系在文献中仍有争议" 2. 识别困难："既有研究难以识别 X→Y 的因果，因为..." 3. 本文对策："我们利用 [具体制度变化/自然实验] 克服了这一困难" 4. 主要发现：具体数字 5. 边际贡献：相对现有文献的两三点改进

---

3. 文献综述（Literature Review）

AI 典型症状：

• "首先...其次...再次...最后..."
• "部分学者认为...另一些学者则认为..."（不给具体作者）
• 每个观点都用"具有重要意义"结尾

改写红线：

• 每条观点必须跟至少 1 位具体作者和年份
• 必须承认分歧：如果两派观点都有，写出来；不要粉饰共识
• 不同意见的取舍："Smith (2020) 认为 X，但我们用 [更新/更大/不同] 数据发现 Y"
• 文献综述的末段应指出研究 gap——但不要用"空白"这种词，改为"尚未被系统检验"或"既有研究的样本局限在..."

---

4. 研究假设（Hypotheses）

AI 典型症状：

• "基于上述分析，本文提出以下假设"
• 假设措辞："A 能够显著促进 B"

改写红线：

• 假设措辞用 hedge：用"A 对 B 有正向影响"或"在控制 X 后，A 与 B 正相关"
• 避免用"能够"/"显著"——这些词会在结果段再出现，此时出现属于先入为主
• 如果有多个假设，不必编号为 H1/H2/H3，可以用段落陈述（看具体期刊风格）

---

5. 数据来源（Data）

AI 典型症状：

• "数据来源于：A、B、C、D 等权威数据库"
• "经过严格的整理、筛选、匹配、清洗"

改写红线：

• 每个数据源单独一句说明：来源 + 变量 + 时间窗口
• 清洗步骤列具体规则：剔除 ST 样本、缩尾 1%、按行业聚类——而不是"严格清洗"
• 如果样本期选择有政策理由，必须说明（如"2015 年政策试点为起点"）

---

6. 计量模型（Model）

AI 典型症状：

• "对于本文而言，由于...故而..."
• "在此基础上，以 Y 为被解释变量..."

改写红线：

• 禁用"对于...而言"/"由于...故而"/"在此基础上"
• 直接写方程：$Y_{it} = \alpha + \beta X_{it} + \gamma Z_{it} + \mu_i + \lambda_t + \varepsilon_{it}$
• 每个变量下面一句话说明：$X_{it}$ 是数字化转型指数...
• 估计策略说明为什么用这个方法：OLS、IV、DID、PSM 的选择理由

---

7. 基准结果（Baseline Results）

AI 典型症状：

• "由表 X 可以看出，系数非常显著为正"
• "这充分证明了..."

改写红线：

• 不说"非常/极其/显著"的主观形容词，直接给 t 值、系数、置信区间
• 描述顺序：列 (1) 不加控制变量 → 逐步加控制变量 → 系数稳定性
• 禁用"证明了"/"充分说明"，改为"与 H1 的预期方向一致"或"为 X 提供了证据"

---

8. 机制分析（Mechanism）

AI 典型症状：

• "首先...其次...因此..."的线性推演
• 每段末尾重复段首论点

改写红线：

• 用问句开启机制段：如"基准结果背后是什么机制在驱动？"
• 每个机制路径给具体中介变量和统计量
• 报告中介效应占比（如"这条路径解释了基准系数的 37%"）

---

9. 异质性（Heterogeneity）

AI 典型症状：

• "不同分组之间存在显著差异"
• 只报方向不报机制

改写红线：

• 报告分组系数的比值（如"大企业系数是小企业的 1.8 倍"）
• 解释背后机制：为什么这个分组效应更强/更弱
• 可以穿插短句制造节奏：如"效应在谁身上最强？"（见案例 9）

---

10. 稳健性（Robustness）

AI 典型症状：

• "为进一步验证结果的稳健性，本文进行了一系列稳健性检验"
• 列举但不说为什么要做每个检验

改写红线：

• 每个稳健性检验对应一个具体担忧（测度误差、选择偏差、反向因果、偶然性）
• 给出具体数字证明结果稳健
• 安慰剂检验要报告经验分布分位点

---

11. 讨论（Discussion）

AI 典型症状：

• 只讲正向意义，不讲局限
• "填补了...空白"、"为...提供了重要参考"

改写红线：

• 必须讨论与既有文献的对话——支持、反驳或补充
• 必须承认局限：数据的局限、方法的局限、样本期的局限
• 禁用"填补空白"——真正的学者不会这么说，改为"系统检验了既有文献未处理的 X 问题"

---

12. 结论（Conclusion）

AI 典型症状：

• 重复摘要内容
• "为政策制定和企业管理提供了参考"

改写红线：

• 不重复摘要，结论段要引入新信息
• 必须包含：未解决的问题 + 下一步研究方向
• 政策启示要具体，避免"完善制度"/"加强监管"这种空话
• 可以承认研究的意外发现或局限，增加可信度

---

章节改写优先级

如果时间有限，按以下顺序改：

1. 摘要（投稿前第一关，检测器重点扫描） 2. 引言开头三段（第一印象决定整篇观感） 3. 结论段（避免与摘要回音） 4. 文献综述（AI 最容易露馅的章节） 5. 讨论段（hedge 注入） 6. 其他章节

原则：AI 最容易写"好看但空洞"的段落，最应该改；AI 写得相对保守的段落（如方法、稳健性），反而可以少改。

中文降 AIGC 改写前后对照（12 组案例）

按实证论文的章节顺序组织，每组标注命中的 patterns.md 规则号。

---

案例 1 · 摘要段（命中 P01, P12, P03）

❌ AI 原文

毋庸置疑，数字化转型已成为当今企业管理领域的核心议题。本研究基于全面的实证数据，深入探讨了数字化转型对企业绩效的深远影响。研究结果充分证明了数字化转型能够显著提升企业绩效，这一结论为企业管理实践提供了重要的理论指导。

✅ 改写后

数字化转型对企业绩效的影响，在既有实证文献中仍有争议。我们使用 2014-2022 年中国 A 股上市公司的面板数据，利用一项数字化改革试点作为准自然实验，发现进入试点的企业三年内全要素生产率平均提升 6.8%。这一结果与 Acemoglu (2022) 的预期一致，但机制检验显示效应主要来自管理流程重构而非技术采纳本身。

修复点：

• 删除"毋庸置疑"（P01 四字套话）
• "深远影响"→ 具体数字 6.8%（P03 AI 形容词）
• "充分证明了"→ "发现"+具体证据（P12 绝对化）
• 加入具体文献回应（P13 观点-证据分离）

---

案例 2 · 引言段首句（命中 P04, P07）

❌ AI 原文

此外，近年来，人工智能技术的快速发展引起了学术界的广泛关注。相关研究表明，人工智能在多个领域都产生了深远影响。

✅ 改写后

2017 年 AlphaGo 的突破之后，经济学者开始系统研究 AI 对劳动力市场的冲击。Acemoglu and Restrepo（2020, 2022）连续两篇 QJE 文章给出了相反的结论——前者强调替代效应，后者强调互补效应。

修复点：

• 删除段首"此外"（P04 显性连接词）
• "相关研究表明"→ 具体作者+年份+期刊（P07 主语模糊）
• 保留正反两个文献视角，体现真实学术张力

---

案例 3 · 文献综述段（命中 P11, P13）

❌ AI 原文

关于数字普惠金融的影响，现有文献主要从三个方面进行了研究。首先，部分学者从宏观层面探讨了其对经济增长的作用。其次，另一些研究从微观层面分析了其对家庭消费的影响。再次，还有研究从中观层面关注了其对企业融资的效应。最后，也有少量研究关注了其可能带来的负面效应。

✅ 改写后

数字普惠金融的既有研究大致沿着三条脉络展开。宏观层面，Beck et al. (2018) 用跨国数据发现数字金融每增加一个标准差，GDP 增速提升约 0.4 个百分点；但 Chen and Zhang (2021) 在中国省级数据上的估计仅为 0.15 个百分点，差异可能源于样本期和金融深化起点的不同。微观层面的分歧更大——Liu (2020) 报告消费增加 8%，Xu (2022) 则发现高负债家庭反而出现消费下降。至于企业融资，文献的共识相对明确：数字金融对小微企业融资约束的缓解作用稳健。负面效应的研究刚刚起步，主要集中在过度借贷和数字鸿沟两个方向（Wang 2023）。

修复点：

• 去掉"首先/其次/再次/最后"（P11 序数词）
• 每条脉络加具体数字和作者（P13 证据锚点）
• 承认分歧而非粉饰共识，体现学者的审慎

---

案例 4 · 假设提出段（命中 P06, P14）

❌ AI 原文

基于上述分析，本文认为企业数字化转型能够通过降低信息不对称、优化资源配置、提升创新能力等多种机制显著促进企业绩效。因此，本文提出如下假设。

✅ 改写后

综合上述理论和实证证据，数字化转型影响企业绩效的路径可能有两条：一是通过降低内部信息摩擦提升资源配置效率，二是通过数据资产积累增强创新能力。这两条路径未必同时激活。我们先提出一个基准假设。

修复点：

• 加入短句"这两条路径未必同时激活"（P06 句长方差 / P14 学术谦逊）
• "能够...显著促进" → "可能有两条路径...未必同时激活"（P12 绝对化 → P14 hedge）
• 引入"先提出基准假设"的表达，体现研究推进的真实节奏

---

案例 5 · 数据描述段（命中 P05, P08）

❌ AI 原文

本文的数据来源主要包括：CSMAR 数据库、Wind 数据库、国家统计局数据、以及企业年报、社会责任报告等。经过整理、筛选、匹配、清洗等一系列处理，最终得到了 2014-2022 年的面板数据。

✅ 改写后

财务数据取自 CSMAR，宏观变量取自国家统计局年度公报，企业 ESG 评级则手工整理自年报和社会责任报告。数据窗口为 2014-2022 年，与国务院《关于积极推进"互联网+"行动的指导意见》发布时间（2015）匹配。清洗步骤遵循 Acemoglu and Autor (2011) 的惯例：剔除金融类和 ST 类样本、缩尾处理极端值、按证监会行业代码聚类。

修复点：

• "主要包括" 后过多并列变成单独说明每个数据源（P05）
• 被动式"经过...处理"→ 主动说明具体步骤（P08）
• 加入数据窗口的政策背景锚点（P13）

---

案例 6 · 计量模型段（命中 P02）

❌ AI 原文

对于本文的实证研究而言，由于因变量是连续变量，故而采用 OLS 回归模型是合适的。在此基础上，以企业绩效作为被解释变量，将数字化转型程度作为核心解释变量，并加入了一系列控制变量。

✅ 改写后

基准回归采用 OLS。因变量为企业全要素生产率，关键解释变量为数字化转型指数（0-100 标准化得分），控制变量包含企业规模、资产负债率、股权集中度、行业固定效应和年份固定效应。稳健性部分会讨论使用 OP/LP 法估计 TFP 的结果。

修复点：

• 去掉"对于...而言"、"由于...故而"、"在此基础上"（P02 虚词堆叠）
• 改为直接、简洁的学术陈述
• 末句预告稳健性部分，体现真实论文的推进逻辑

---

案例 7 · 基准结果段（命中 P15, P12）

❌ AI 原文

表 3 报告了基准回归结果。可以看出，数字化转型的系数非常显著为正，这充分证明了数字化转型对企业绩效具有极其显著的促进作用。

✅ 改写后

表 3 的第 (1) 列是不加控制变量的基准回归，数字化转型指数每提升一个标准差，TFP 上升 4.3%（t = 3.81，1% 显著性水平）。第 (2)-(4) 列逐步加入企业层面和宏观层面控制变量，系数保持在 3.8%-4.5% 区间内。这与 H1 的预期方向一致。

修复点：

• "非常显著" → 具体 t 值和系数（P15 主观强调）
• "充分证明" → 描述数字和区间（P12 绝对化）
• 加"这与 H1 的预期方向一致"——学者习惯的表达，比"充分证明"更克制

---

案例 8 · 机制分析段（命中 P10）

❌ AI 原文

机制分析表明，数字化转型通过降低信息不对称来提升企业绩效。首先，信息不对称降低有助于改善决策质量。其次，决策质量改善进一步推动企业绩效提升。因此，数字化转型通过降低信息不对称促进了企业绩效。

✅ 改写后

如何解释基准结果？我们考察了信息不对称这条路径。表 5 的中介效应检验显示，数字化转型指数每提高一个标准差，公司分析师预测分歧度（Dispersion）下降 0.21 个标准差；而分析师分歧度每下降一个标准差，TFP 上升约 2.1 个百分点。Sobel 检验在 1% 水平显著。这条路径解释了基准系数的 37%。

修复点：

• 消除"首先/其次/因此...因此"的机械式总分总（P10）
• 以"如何解释基准结果"发问开始，制造阅读张力
• 给出具体统计值，替代重复性陈述

---

案例 9 · 异质性段（命中 P06 句长方差）

❌ AI 原文

为了检验数字化转型效应的异质性，本文分别按企业规模、所有制、行业特征进行了分组回归。结果显示不同分组之间存在显著差异，具体表现为大企业效应更强、国有企业效应更弱、高技术行业效应更显著。

✅ 改写后

效应在谁身上最强？我们按规模、所有制、行业三个维度做了分组回归。大企业的系数约为小企业的 1.8 倍——这与数字化基础设施的规模经济一致。国有企业的效应是民营的 0.6 倍，原因可能是国企本身数字化基线较高，边际改进空间小。高技术行业的效应显著，但服务业并不弱——后者常被忽略。

修复点：

• 短句"效应在谁身上最强？"+ 长句"这与...规模经济一致"形成节奏跳跃（P6）
• 短句"后者常被忽略"制造强调
• 不只报告方向，还解释背后机制

---

案例 10 · 稳健性段（命中 P04, P01）

❌ AI 原文

此外，为了进一步验证结果的稳健性，本文进行了一系列稳健性检验。具体而言，包括更换核心变量的度量方式、更换回归模型、排除特殊样本、安慰剂检验等。综上所述，本文的核心结论具有较强的稳健性。

✅ 改写后

稳健性检验围绕四个担忧展开。第一个担忧是核心变量的测度误差——我们用文本分析法重新构建了数字化指数，结果与基准一致（附录 A1）。第二个担忧是模型设定——改用 PSM-DID 和 Heckman 两步法，系数区间保持稳定（0.03-0.05）。第三个是选择性偏差——剔除 2020 年疫情样本后，效应仍在 10% 水平显著。第四个是偶然性——安慰剂检验中随机分配处理组 1000 次，真实系数落在经验分布的 99.2% 分位点。

修复点：

• 删除"此外...综上所述"（P04, P01）
• 每个检验对应一个具体担忧，给出具体结果
• 用"四个担忧"替代空洞的"一系列"

---

案例 11 · 讨论段（命中 P14 hedge 缺失）

❌ AI 原文

本文的发现具有重要的理论意义和实践价值。在理论层面，本文填补了数字化转型与企业绩效关系研究中的空白。在实践层面，本文为企业推进数字化转型提供了重要的决策参考。

✅ 改写后

这一结果的理论含义需要谨慎解读。它与"数字化即增长"的简单叙事不同——效应在小企业和非国有样本中更强，说明数字化的边际回报可能递减。这一点与 Brynjolfsson (2021) 的"生产力悖论再解读"一致。对政策的启示也应保守：单纯的数字化投入补贴可能并非最优，因为不同规模和所有制的企业存在异质性吸收能力。本文无法识别长期效应——样本期仅 8 年，对数字化转型这样的长周期变革而言远远不够。

修复点：

• 删除"重要的理论意义和实践价值"（P03）
• 加入 hedge："需要谨慎解读"/"可能递减"/"可能并非最优"（P14）
• 主动承认局限："无法识别长期效应"、"仅 8 年，远远不够"——这是人类学者独有的写作特征

---

案例 12 · 结论段（命中 P17 回音壁）

❌ AI 原文（摘要说过一遍，结论又重复一遍）

综上所述，本研究通过实证分析发现，数字化转型能够显著提升企业绩效。本文的结论为企业管理实践提供了重要的理论指导，同时也为政府制定相关政策提供了有益的参考。未来研究可以进一步探讨数字化转型的作用机制。

✅ 改写后

把视角从"数字化转型是否有用"转到"对谁有用"，是本文相对已有文献的主要边际贡献。我们没有回答的几个问题值得后续研究跟进：第一，长期效应是否会消退？现有样本期无法识别。第二，数字化转型的地域溢出——我们的结果按企业层面聚类，但数字基础设施本身是公共品，可能存在空间外部性。第三，员工层面的冲击——现有文献普遍关注企业层面的利好，但数字化对中低技能员工的替代效应是否被低估？这是我们下一步打算用企业-员工匹配数据探索的方向。

修复点：

• 不重复摘要内容（P17）
• 引入新信息：未解决的问题、下一步研究方向
• "我们没有回答的几个问题"这种坦诚表达极难被 AI 复现

---

使用建议

• 对照每一组案例，识别自己论文里的同类问题
• 不要直接套用改写模板——每篇论文的研究情境不同，需要注入真实的数据、文献、研究背景
• 改写后用 references/scoring.md 的五维量表自评

中文 AI 痕迹模式库（17 类）

本文件是 chinese-de-aigc Skill 的核心知识库。按严重度分级（🔴 高 / 🟡 中 / 🟢 低）标注每条规则的触发风险。

---

一、词汇层面（5 类）

P01 · 四字套话密集 🔴

识别特征：每 200 字出现 3 个以上的四字学术套话。

高危词表：

• 开篇型：众所周知、不可否认、毋庸置疑、显而易见、综上所述、由此可见、值得注意
• 推进型：与此同时、除此之外、不仅如此、更进一步、在此基础上、据此推断
• 结论型：总而言之、归根结底、不言而喻、可想而知、自不待言

检测逻辑：滑动窗口扫描，每 200 字内计数四字套话数量，阈值为 3。

修复策略：删除，或替换为带研究情境的具体表达。

• "毋庸置疑，数字化转型对企业绩效..." → "基于本文 2015-2023 年的面板数据，数字化转型对企业绩效..."

---

P02 · 书面语虚词堆叠 🟡

识别特征：连续使用多个书面虚词，使语言显得僵硬。

典型组合：

• "之所以...是因为..." + "由于...故而..."
• "对于...而言" + "在...方面" + "就...来说"
• "以...为..." + "将...作为..."

修复策略：同一段落内这类结构不超过 1 次，其余改为直接陈述。

---

P03 · AI 偏好形容词 🟡

高危词表：深远的、深刻的、重大的、显著的、全面的、系统的、多维的、多层次的、全方位的、立体化的、颠覆性的、革命性的、前瞻性的

检测逻辑：这些词在 LLM 中文输出中的频率远高于真实学术文本。

修复策略：删除或替换为带数据支撑的描述。

• "该政策产生了深远的影响" → "该政策在处理组中带来了 14.3% 的就业率提升"

---

P04 · 显性段首连接词 🔴

识别特征：段落开头使用"此外/而且/并且/然而/因此/所以/从而/于是/进而"。

检测逻辑：对每段首句进行正则匹配。

修复策略：去掉连接词，通过语义接力实现段落衔接。

• ❌ "此外，数字金融还通过...影响..."
• ✅ "数字金融的另一条作用路径，在于..."

---

P05 · 并列词过度使用 🟢

高危结构：A、B、C、D 等，或 A/B/C 以及 D

检测逻辑：一段内出现 3+ 个三项以上并列，视为过度。

修复策略：拆分为多句，或选取最重要的 2 项详写、其他略过。

---

二、句法层面（4 类）

P06 · 句长方差过低 🔴

识别特征：连续 5 句以上，每句字数均在 20-40 字之间。

检测逻辑：计算滑动窗口内句长标准差，阈值 < 8。

修复策略：强制穿插 ≤15 字短句 + ≥50 字长句。

• 短句示例："这一推论并不成立。" / "数据讲了另一个故事。"
• 长句：保留复合从句结构

---

P07 · 主语缺失或模糊 🟡

高危模式：

• "本文/本研究认为..."（过度使用）
• "研究表明.../相关文献发现..."（没有具体指明哪项研究）
• 无主句："通过..., 得到..., 表明..."

修复策略：

• "本文认为" → 保留但每段不超过 1 次，或改为"我们"
• "研究表明" → "Acemoglu and Robinson (2012) 指出..."（加具体文献）

---

P08 · 被动式规避研究者立场 🟡

识别特征："被...所..."、"被认为是..."、"得以..."的被动结构密集。

修复策略：改为主动句，显示研究者的判断。

• ❌ "该结果被广泛认为是..."
• ✅ "多数文献（e.g., Smith 2018; Liu 2020）都将这一结果解读为..."

---

P09 · 从句嵌套过深 🟢

识别特征：单句嵌套 3 层以上"...的...的...的..."。

修复策略：拆分为 2-3 个独立短句，保留信息量但降低语法复杂度。

---

三、语篇层面（4 类）

P10 · 机械式总分总结构 🔴

识别特征：每段都是"首句提出观点 → 中间举例 → 末句重申观点"的刻板结构。

检测逻辑：对段首句和段末句做语义相似度检测，相似度 > 0.8 判定为机械式总分总。

修复策略：

• 去掉末句的总结
• 或改变中间的叙述视角（从正向论述 → 转折质疑）
• 或让段末提出新问题而非收束

---

P11 · 过渡衔接词套路化 🔴

高危模式：段内连续使用"首先...其次...再次...最后..."、"一方面...另一方面..."

检测逻辑：同段内出现 3+ 个序数过渡词。

修复策略：去掉序数词，改为内在逻辑接力。序数词只在必须枚举且枚举逻辑本身就是重点时才用（如"三个稳健性检验"）。

---

P12 · 绝对化断言 🔴

高危词表：证明了、充分说明、完全证实、毫无疑问、必然导致、绝对、全部、所有、总是、必定

修复策略：降级为认识论上合理的谨慎表述。

---

P13 · 观点与证据分离度不足 🟡

识别特征：提出一个学术观点后紧跟"根据 X 理论/相关研究"而不是具体的数据、文献、案例。

修复策略：每个核心观点后必须跟至少一个可验证的锚点：

• 具体数据："样本中 2,341 家企业"
• 具体作者+年份："Acemoglu (2019) 的研究"
• 具体时间点："2015 年自贸区扩容后"
• 具体文献回应："这与 Smith (2020) 的结论不一致，原因可能在于..."

---

四、语气层面（2 类）

P14 · 学术谦逊语气缺失 🟡

识别特征：全文几乎没有"可能/或许/似乎/在一定程度上/在本文的样本中/结果应审慎解读"这类学术谦逊表达。

检测逻辑：hedge 词密度 < 2 个/500 字。

修复策略：在论证章节（文献综述/讨论/结论）每 300 字至少注入 1 个 hedge 表达，但不影响论证力度。

---

P15 · 情感色彩与主观强调过度 🟢

高危词表：非常、极其、相当、十分、尤为、格外、极大地、巨大地

修复策略：删除或替换为量化描述。

• "非常显著" → "在 1% 水平下显著（t = 4.32）"
• "极大提升" → "提升了 23.4 个百分点"

---

五、结构层面（2 类）

P16 · 三段式论证过度对称 🟢

识别特征：连续 3 段都是同样的字数（±10%）和句数（±1 句）。

修复策略：打破对称——某段压缩至 2 句，某段扩展至 7-8 句。真实学术写作的段落长度本身就是非均匀的。

---

P17 · 结论段落"回音壁" 🔴

识别特征：结论段与引言段/摘要段在用词上高度重合（余弦相似度 > 0.75）。

检测逻辑：对比引言、摘要、结论三段的词频向量。

修复策略：结论段应引入新信息——对未来研究的建议、对政策的启示、对理论边界的反思，而非简单复述研究发现。

---

检测严重度优先级

必须修复（🔴）：P01, P04, P06, P10, P11, P12, P17 建议修复（🟡）：P02, P03, P07, P08, P13, P14 可选修复（🟢）：P05, P09, P15, P16

建议修复顺序：先修 🔴 再修 🟡，🟢 视时间而定。

与检测器对应关系

实证观察：修复 7 条 🔴 规则 + 4-5 条 🟡 规则后，主流中文检测器的 AIGC 率通常可从 70%+ 降至 15%-25%。

中文降 AIGC 五维评分量表

每维 1-10 分，加权总分 ≤ 50。总分 ≥ 42 为通过线，< 35 建议重写。

---

维度 1 · 具体性（Concreteness）—— 权重 1.5×

定义：文本中可验证的具体信息密度。

评分标准：

自测问题：

• 全文出现了多少具体数字？（至少 10 个）
• 文献引用是否精确到作者+年份？
• 数据来源是否说明具体数据库、变量、窗口？

反面教材：

"相关研究表明，数字化转型对企业绩效具有显著影响"

正面教材：

"Acemoglu and Restrepo (2022) 在 QJE 的估计显示，2010-2018 年美国制造业数字化每增加一个标准差，TFP 提升 4.3%（t = 3.81）"

---

维度 2 · 节奏性（Rhythm）—— 权重 1.2×

定义：句长方差。人类写作天然有短句-长句混排，AI 倾向于中等长度集中。

评分标准：

计算方法：

# 伪代码
sentences = split_into_sentences(text)
lengths = [len(s) for s in sentences]
variance = statistics.variance(lengths)

自测问题：

• 每 200 字内是否至少有 1 个 ≤15 字的短句？
• 是否避免了连续 5 句以上的中等长度（20-35 字）句子？

节奏技巧：

• 开启新话题用短句：如"效应在谁身上最强？"
• 陈述复杂证据用长句
• 段末可以用短句强调：如"数据讲了另一个故事。"

---

维度 3 · 谨慎性（Caution）—— 权重 1.3×

定义：认识论层面的谨慎表达密度。hedge 词 + 条件限定 + 局限承认。

评分标准：

高危词（扣分）：

• 证明了、充分说明、完全证实、必然导致、绝对、毫无疑问、总是、从不

加分词：

• 可能、或许、在一定程度上、在本文样本中、需要审慎解读
• 与...预期一致、为...提供了证据、这暗示可能
• 受限于、由于...局限、无法识别

自测问题：

• 全文出现了多少处 hedge 表达？（理想 ≥ 5）
• 结论段有没有主动承认至少 2 项局限？
• 关键系数的表述是否用了条件化语言？

---

维度 4 · 隐衔接（Implicit Cohesion）—— 权重 1.0×

定义：段落之间通过概念自然接力衔接，而非显性关联词。

评分标准：

检测方法：扫描每个段落的首句，是否以连接词开头。

禁用段首词：此外、而且、并且、然而、因此、所以、从而、于是、进而、另外

允许的段首：

• 直接陈述新观点
• 提出新问题（如"这一结果背后是什么机制？"）
• 呼应上一段的某个概念（如上一段末尾讨论"分析师预测分歧"，下一段开头可以"预测分歧度的下降..."）

---

维度 5 · 研究者语气（Researcher Voice）—— 权重 1.0×

定义：文本是否呈现了真实研究者的立场、选择、判断。

评分标准：

加分表达：

• "我们用 [方法] 而不是 [替代方法]，是因为..."
• "这一结果让我们意外——原本的理论预期是..."
• "受限于数据，我们无法识别..."
• "我们在稳健性部分尝试了 [N] 种替代设定"

减分表达：

• "本文认为..."（过度使用）
• "研究表明..."（不具名）
• "众所周知..."

自测问题：

• 是否出现"我们"/"本团队"/"本文作者"至少 2-3 次？
• 是否展示了研究者做过的选择（方法选择、样本选择、变量定义选择）？
• 是否承认过至少一次意外发现或预期之外的结果？

---

总分计算

加权总分 = 具体性 × 1.5 + 节奏性 × 1.2 + 谨慎性 × 1.3 + 隐衔接 × 1.0 + 研究者语气 × 1.0
满分 = 10 × (1.5 + 1.2 + 1.3 + 1.0 + 1.0) = 50

评级：

---

快速自测表

复制到论文旁边，边改边打分：

| 维度 | 1-10 分 | 主要证据 |
|------|---------|---------|
| 具体性 |   | （关键具体数字/作者/案例的例子）|
| 节奏性 |   | （最短句+最长句的字数）|
| 谨慎性 |   | （hedge 词出现次数 / 承认局限次数）|
| 隐衔接 |   | （段首连接词数量）|
| 研究者语气 |   | （"我们"出现次数 / 展示的方法选择）|

加权总分：___/50
评级：___
待改进维度：___

---

常见误区

1. 不要为了高分造句：例如硬塞一个"意外发现"，读起来反而假。真实研究者会对实际的意外发现做讨论。 2. 不要用生僻词降困惑度：如把"重要"改成"攸关"——这会损害学术严肃性。 3. 评分不是唯一目标：通过率高但论证失真，得不偿失。学术诚信优先于检测率。