Humanize Mba Text

Name: Humanize Mba Text
Author: stephenlzc

stephenlzc/humanize-mba-text-skill

1 installs
36 repo stars
Updated July 8, 2026
stephenlzc/humanize-mba-text-skill

Rewrite AI-generated Chinese text into natural, practice-oriented Chinese MBA thesis style - removing AI tells, vague attributions, and empty phrasing.

About

Rewrites AI-flavored Chinese text to match Chinese MBA thesis conventions by stripping overstatement, macro-narrative, filler phrases, and vague attribution while enforcing data-backed, specific claims. A developer or student uses it to reduce AI writing traces in academic Chinese content.

Targets AI tells: value words, -ing analysis, unsourced 'studies show'
Enforces concrete data, case specifics, and citation sourcing

Humanize Mba Text by the numbers

1 all-time installs (skills.sh)
Ranked #1,361 of 1,879 Documentation skills by installs in the Skillselion catalog
Data as of Aug 3, 2026 (Skillselion catalog sync)

npx skills add https://github.com/stephenlzc/humanize-mba-text-skill --skill humanize-mba-text

Add your badge

Show developers this skill is listed on Skillselion. Paste this into your README.

[![Listed on Skillselion](https://skillselion.com/badge/skills/stephenlzc/humanize-mba-text-skill/humanize-mba-text.svg)](https://skillselion.com/skills/stephenlzc/humanize-mba-text-skill/humanize-mba-text)

Installs	1
repo stars	★ 36
Last updated	July 8, 2026
Repository	stephenlzc/humanize-mba-text-skill ↗

What it does

Rewrite AI-generated Chinese text into natural, practice-oriented Chinese MBA thesis style - removing AI tells, vague attributions, and empty phrasing.

Files

SKILL.mdMarkdownGitHub ↗

去除 AI 写作痕迹 - MBA 论文风格优化

任务目标

将带有明显 AI 生成特征的中文文本改写为自然、人类化的 MBA 毕业论文风格文本，符合中国MBA毕业论文的学术规范和实践导向。

核心原则

1. 实践导向: MBA论文必须来源于企业管理实际，解决具体管理问题，避免纯理论空谈 2. 小题大做: 选题聚焦明确，"小题深做"，避免选题过大、过于宽泛 3. 客观性优先: 用事实和数据替代主观评价和空泛论述 4. 具体化表达: 提供具体企业案例、数据支撑、时间节点，避免笼统描述 5. 数据溯源: 所有数据必须注明来源，确保准确性和可信度 6. 理论支撑: 运用1-2个相关理论作为分析框架，避免就事论事 7. 简洁性: 删除冗余修饰、重复表述，保留核心信息 8. 学术规范: 符合中国高校MBA论文的写作规范和格式要求 9. 逻辑严密: 论证过程清晰，因果关系明确，避免跳跃式推理 10. 结构合理: 正文字数3万字以上，章节分配合理，避免节下无目或一节不足一页

识别与改写策略

1. 内容层面改写

1.1 去除过度强调

识别: 使用"关键"、"重要"、"核心"、"至关重要"、"不可或缺"等价值判断词汇
改写: 直接陈述事实，删除评价性形容词，用数据说话
示例:
"数字化转型是关键抓手" → "数字化转型影响企业绩效"
"人才是企业发展的核心竞争力" → "2020-2023年间，该公司技术人才占比从15%提升至28%"

1.2 避免宏观叙事与空洞表述

识别: 将具体事物上升到"时代"、"历史"、"趋势"、"浪潮"、"征程"、"新篇章"层面
改写: 聚焦具体研究对象、企业背景和实证数据
示例:
"推动行业变革" → "提升企业运营效率15%"
"顺应数字化浪潮" → "2022年启动ERP系统升级项目，实现业务流程数字化"

1.3 消除表面分析与套话

识别: "凸显了"、"反映了"、"体现了"、"昭示着"、"预示着"等 -ing 结尾分析
改写: 提供具体机制解释、因果链条或数据支撑
示例:
"凸显了管理的重要性" → "管理效率提升使成本下降8%"
"这体现了企业文化的重要性" → "实施新的绩效考核制度后，员工离职率从18%降至12%"

1.4 删除模糊归因与无主引用

识别: "专家指出"、"研究表明"、"普遍认为"、"相关数据显示"、"实践证明"
改写: 明确引用具体文献、具体数据来源或删除此类表述
示例:
"有研究指出" → "Smith(2019)的研究发现"
"相关数据显示" → "根据公司年报，2023年营收增长..." 或直接陈述事实

1.5 避免MBA论文常见套话

识别词汇:
"综上所述"、"由此可见"、"因此可见"（每章结尾过度使用）
"这不仅...更是..."（强行拔高意义）
"在...背景下"、"基于...视角"（滥用背景句式）
"具有重要理论意义和实践价值"（空洞评价）
改写:
用具体研究发现替代总结性套话
用"本文发现"、"研究结果表明"替代"综上所述"
删除无实质内容的评价语句

1.6 强化数据支撑

识别: 缺乏数据支撑的定性描述、"显著提升"、"明显优化"等模糊表述
改写: 补充具体数据、时间、对比基准
示例:
"显著提升客户满意度" → "客户满意度评分从2021年的3.8分提升至2023年的4.5分（5分制）"
"优化了供应链管理" → "库存周转天数从45天降至32天，缺货率从8%降至3%"

1.7 聚焦具体问题（小题大做原则）

识别: 讨论过于宽泛，缺乏针对性；问题描述模糊；选题过大
改写: 明确研究边界，聚焦具体企业、具体问题，符合"小题深做"要求
示例:
❌ "当前企业面临诸多挑战" → ✅ "XYZ公司在2022-2023年面临市场份额下降问题，从12%降至9%"
❌ "市场竞争日益激烈" → ✅ "区域内新增3家竞争对手，2023年价格平均下降15%"
❌ "企业数字化转型研究" → ✅ "XYZ公司生产部门数字化转型中的流程优化研究"
❌ "人力资源管理优化" → ✅ "XYZ公司研发人员绩效考核体系优化研究"

1.8 标注数据来源

识别: 数据陈述缺乏来源说明；使用"相关数据显示"、"据统计"等模糊表述
改写: 明确标注数据来源，确保可追溯性
示例:
❌ "企业营收增长20%" → ✅ "根据XYZ公司2023年年报，企业营收同比增长20%"
❌ "员工满意度为85%" → ✅ "根据2023年12月开展的问卷调查（N=120），员工满意度为85%"
❌ "相关数据显示，行业平均利润率为10%" → ✅ "根据国家统计局《2023年工业企业主要经济指标》（表号：B604-1），行业平均利润率为10%"

1.9 理论与实践的融合

识别: 理论阐述与实践分析脱节；缺乏理论框架指导；就事论事
改写: 用理论框架指导问题分析，用实践案例验证理论
示例:
❌ "公司存在沟通不畅问题" → ✅ "基于组织沟通理论，XYZ公司在横向沟通（部门间）和纵向沟通（层级间）两个维度均存在障碍，具体表现为..."
❌ "采用SWOT分析" → ✅ "运用SWOT分析框架，从内部优势（S）、劣势（W）和外部机会（O）、威胁（T）四个维度，对XYZ公司战略环境进行系统分析"

1.10 避免MBA论文常见禁区

识别问题类型:
非管理类问题（纯技术、纯财务计算等）
过多研究主题（超过2-3个核心概念）
纯理论研究（缺乏企业实际背景）
与工商管理范畴无关的问题
改写: 确保选题属于工商管理范畴，运用工商管理知识分析和解决实际管理问题
检查要点:
[ ] 研究对象为企业组织
[ ] 运用管理学理论和方法
[ ] 有明确的管理问题导向
[ ] 核心概念不超过2-3个

2. 结构层面改写

2.1 打破三段式结构

识别: 背景-现状-展望的僵化模式
改写: 根据论证逻辑灵活组织段落
方法: 按问题-分析-解决方案的逻辑重组

2.2 转化列表为段落

识别: 使用项目符号或编号列表
改写: 转化为连贯的叙述性段落
示例: 将"第一...第二...第三..."改为"首先...，其次...，此外..."

2.3 删除套话式结尾

识别: "尽管面临挑战，但前景广阔"
改写: 具体问题具体分析，避免泛泛而谈

3. 语言层面改写

3.1 减少连接词

高频连接词:
首先、其次、最后、综上所述
此外、另外、与此同时、值得注意的是
因此、所以、由此可见
改写策略:
保留必要连接，删除冗余
使用更自然的过渡方式
通过段落结构体现逻辑关系

3.2 简化复杂句式

识别: "不仅...而且..."、"既不是...也不是..."
改写: 拆分为简单句或直接陈述
示例: "不仅提升了效率，而且降低了成本" → "效率提升15%，成本下降8%"

3.3 规范标点使用

破折号: 减少"——"使用，改用逗号或括号
中英文混排: 删除中英文之间的空格（"MBA论文"而非"MBA 论文"）

3.4 替换 AI 词汇

识别词汇:
赋能、抓手、闭环、落地、痛点
打法、赛道、生态、迭代、优化
改写: 使用传统学术词汇
示例: "赋能业务创新" → "促进业务创新"、"支持业务创新"

4. 引用层面检查

4.1 核实引用准确性

检查所有引用是否存在
验证引用内容与原文是否一致
删除无法验证的引用

4.2 优化引用方式

常识性内容无需标注
具体数据和观点必须标注来源
使用规范的引用格式

三维协同优化策略

本Skill采用三维协同优化方法，系统性地提升MBA论文质量：

维度1: 降低AI检测率

核心策略：

句式多样化：打破规整并列结构，引入句长变化（目标：句长标准差 > 8）
学术语气自然化：适当使用第一人称（"本文"、"我们"），引入合理主观判断
逻辑链路人性化：增加背景铺垫，避免过于完美的逻辑闭环

维度2: 降低查重率

核心策略：

深度语义改写：同义替换、结构重组、表述角度转换
引用规范化：直接引用转间接引用，归并多源引用
专业术语处理：核心术语保留，非核心描述灵活变换

维度3: 学术润色提升

核心策略：

表达精准化：消除模糊表述，量化抽象概念
学术规范性：术语一致性，时态语态规范
可读性优化：复杂句拆分，段落结构优化

改写流程（三维协同版）

1. 通读原文：理解核心观点和论证逻辑 2. 多维度检测：

检测AI特征
评估查重风险
检查学术规范性

3. 降AI优化：应用句式多样化、语气自然化策略 4. 降重优化：进行深度语义改写 5. 学术润色：提升表达精准性和可读性 6. 质量验证：对照评估标准确认

输出要求

1. 保持原意: 不改变原文的核心观点和结论 2. 提升自然度: 读起来像人类作者的真实写作 3. 符合规范: 符合 MBA 论文的学术写作规范 4. 提供说明: 简要说明主要修改点（可选）

MBA论文改写检查清单

内容质量检查

[ ] 选题聚焦，符合"小题大做"原则（核心概念≤3个）
[ ] 研究对象为企业组织，有明确职业背景
[ ] 所有数据已标注来源（公司年报、调研、统计年鉴等）
[ ] 运用了1-2个理论框架指导分析
[ ] 问题分析有数据支撑，因果机制清晰
[ ] 建议具体可操作，考虑资源约束
[ ] 属于工商管理范畴，非纯技术/财务研究

AI痕迹检查

[ ] 删除了"重要"、"关键"、"核心"等过度强调词汇
[ ] 删除了"时代"、"趋势"、"浪潮"等宏观叙事词汇
[ ] 删除了"凸显了"、"体现了"等表面分析表述
[ ] 删除了"专家指出"、"研究表明"等模糊归因
[ ] 删除了"综上所述"、"由此可见"等套话
[ ] 删除了"赋能"、"抓手"、"闭环"等AI词汇
[ ] 减少了"首先、其次、最后"等机械连接词
[ ] 避免中英文之间多余空格

结构规范检查

[ ] 正文字数≥3万字
[ ] 每章至少4节（含本章小结）
[ ] 每节内容充实，避免一节不足一页
[ ] 节下有目，层级清晰
[ ] 文献综述按主题组织，非按作者罗列
[ ] 结论分条列出，2000字以内，不与摘要雷同

格式规范检查

[ ] 图表有编号（图1-1、表1-1）和标题
[ ] 图表有文字说明，先文后图
[ ] 图表清晰，非拷贝模糊图片
[ ] 引用格式规范，用上标[1]
[ ] 参考文献≥50篇，外文≥1/3，近5年≥1/3
[ ] 期刊论文≥60%，专著≤20%
[ ] 无百度百科等网络引用
[ ] 章节目序号规范

MBA论文章节特定改写规则

根据中国高校MBA论文结构要求，不同章节需遵循特定改写策略：

第1章绪论改写要点

1.1 研究背景

AI痕迹: "随着经济的发展..."、"在...背景下"、"当今时代"
改写要求: 直接点明研究企业、具体问题、研究必要性
示例:
❌ "随着市场竞争日益激烈，企业面临诸多挑战"
✅ "XYZ公司作为广东省制造企业，2022-2023年市场份额从15%下降至10%，亟需优化营销策略"

1.2 研究目的与意义

AI痕迹: "具有重要理论意义和实践价值"、"丰富相关理论研究"
改写要求: 具体说明解决什么问题、带来什么价值
示例:
❌ "本研究具有重要理论意义和实践价值"
✅ "本研究旨在通过优化XYZ公司绩效考核体系，解决当前研发人员流失率高达25%的问题，预期可将流失率降至15%以内"

1.3 文献综述

AI痕迹: 简单罗列A说、B说、C说；缺乏归纳分析
改写要求:
按主题/流派分类整理，避免按作者罗列
指出已有研究不足和空白
明确本文研究的补充价值
参考文献不少于50篇，其中外文≥1/3，近5年≥1/3，近2年文献应有涉及
期刊论文≥60%，专著≤20%，避免大量引用学位论文

1.4 研究方法

AI痕迹: 简单列举方法名称
改写要求:
说明为什么选择该方法
阐述如何应用该方法
说明数据来源和收集方式
确保研究方法与论文类型匹配

第2章理论基础改写要点

AI痕迹: 大段引用教科书式理论阐述；理论与研究脱节
改写要求:
界定核心概念（2-3个主要概念）
选择1-2个核心理论作为分析框架
理论与研究问题紧密结合
为后续分析奠定理论基础，而非纯理论介绍

第3章现状与问题分析改写要点

3.1 企业概况

改写要求:
提供企业基本信息（成立时间、主营业务、规模等）
与研究问题相关的背景信息
数据真实，必要时可做脱敏处理

3.2 现状描述

AI痕迹: "公司发展良好"、"取得显著成效"等模糊表述
改写要求:
用数据说话，提供具体指标
包含时间序列数据，展示变化趋势
与行业平均水平或竞争对手对比

3.3 问题识别

AI痕迹: 问题描述笼统；缺乏数据支撑
改写要求:
问题明确、具体、可度量
通过调研数据（问卷、访谈）识别问题
每个问题应有具体表现和证据

3.4 成因分析

AI痕迹: 表面化分析；"原因是多方面的"
改写要求:
运用理论框架深入分析
分析因果机制，而非简单罗列
区分根本原因和表面原因
有数据或案例支撑

第4章对策建议改写要点

AI痕迹: 建议空泛、模板化；"加强管理"、"完善制度"
改写要求:
建议具体、可操作、可落地
结合企业实际资源和能力约束
明确实施阶段、步骤和优先级
预期效果可量化
与问题分析一一对应

第5章结论改写要点

AI痕迹: 简单重复摘要；"综上所述"
改写要求:
分条列出主要研究发现（用"提出了"、"建立了"等）
明确指出创新点（新见解、新方法、新应用）
说明研究局限性
提出未来研究展望
2000字以内，不与摘要雷同

格式规范检查

字数要求: 正文≥3万字
复制率: <15%（15%-20%需修改，≥20%不通过）
结构要求:
每章至少4节（含本章小结）
避免节下无目
避免一节不足一页
图表要求:
图表必须有编号、标题（图1-1、表1-1）
图表前后留空行
图表必须有文字说明，先文后图
图表清晰，不可直接拷贝模糊图片
引用要求:
正文引用用上标[1]
参考文献格式符合GB/T 7714-2015
避免引用百度百科等网络资源
脚注使用规范

自动化检测与反馈工作流

多方案融合检测

提供多维度 AI 特征检测系统，结合三种检测方法：

1. 规则匹配检测 (scripts/detect_ai_patterns.py)

识别 AI 词汇、模糊归因、过度强调等
检测中英文混排空格问题
基于正则表达式的模式匹配

2. 统计分析检测 (scripts/multi_detector.py)

句子长度均匀度分析
词汇多样性统计
标点符号分布检测
段落结构分析

3. 语言特征检测 (scripts/multi_detector.py)

连接词密度分析
正式表达模式识别
句式复杂度评估

完整检测-修改工作流

输入文本
    ↓
[多维度检测] → 生成检测报告
    ↓
[反馈生成] → 生成修改建议
    ↓
[自动修复] → 处理可自动修复的问题
    ↓
[手动改写] → 处理需人工修改的问题
    ↓
[质量验证] → 再次检测确认
    ↓
输出优化文本

使用方法

1. 基础检测

# 基础规则检测
python scripts/detect_ai_patterns.py input.txt --format markdown --output report.md

# 多维度融合检测
python scripts/multi_detector.py input.txt --format markdown --output report.md

2. 生成修改建议

# 基于检测结果生成反馈
python scripts/feedback_generator.py detection_result.json --text input.txt --output feedback.md

3. 应用自动修复

# 自动修复空格等简单问题
python scripts/feedback_generator.py detection_result.json --text input.txt --apply

4. 交互式修改

# 交互模式，逐条确认
python scripts/multi_detector.py input.txt --interactive

评估标准

定量指标

指标	计算方法	目标值
AI检测率	AI生成概率	< 20%
句长标准差	各句长度标准差	> 8
词汇丰富度(TTR)	不同词/总词数	> 0.6

定性指标

学术严谨性：论点明确，论证充分
逻辑连贯性：章节内外逻辑自洽
表达专业性：术语准确，符合规范

检测结果解读

检测报告包含以下维度：

AI 生成概率: 0-100%，分数越高 AI 痕迹越明显
风险等级: 🔴 高风险 / 🟡 中风险 / 🟢 低风险
检测器一致性: 三种检测方法的结果一致性
优先修复项: 按严重程度排序的修改建议
章节特定建议: 根据检测到的章节类型提供的针对性建议

修改策略

根据 AI 概率分数采取不同策略：

🔴 高风险 (>70%): 深度改写

全面重构段落结构
删除所有 AI 特征词汇
补充具体数据和案例
预计时间: 2-3小时

🟡 中风险 (40-70%): 针对性优化

修复高优先级 AI 特征
调整套话和模板化表达
补充关键数据支撑
预计时间: 1-2小时

🟢 低风险 (<40%): 细节润色

修复少量 AI 痕迹
优化语言表达
最终校对
预计时间: 30分钟-1小时

快速修复 vs 深度改写

可自动修复的问题:

中英文混排空格
明显的 AI 词汇替换
标点符号规范

需手动改写的问题:

段落结构重组
数据补充和案例分析
逻辑论证优化
学术表达提升

注意事项

1. 学术诚信: 改写时保持学术诚信，不编造数据；所有数据必须有真实来源 2. 数据核实: 对于不确定的引用和数据，建议用户核实原始资料 3. 理论适配: 建议用户根据具体研究问题选择合适的理论框架 4. 企业授权: 如涉及企业内部数据，建议获得企业书面授权或做脱敏处理 5. 个性化调整: 改写后的文本需用户根据具体学校和导师要求调整 6. 查重控制: 改写后建议进行查重，确保复制率<15% 7. 功能边界: 本 Skill 专注于去除 AI 痕迹和格式规范，不涉及学术内容深度审查 8. 参考文献: 改写不自动生成参考文献，需用户根据实际引用补充完整

参考文档

三维优化策略

references/strategy_ai_reduction.md - 降低AI检测率策略详解
references/strategy_plagiarism.md - 降低查重率策略详解
references/strategy_polishing.md - 学术润色策略详解

AI写作特征

references/ai-writing-patterns.md - AI写作特征详细列表

分章节写作规范

references/chapter-1-introduction.md - 第1章：绪论（研究背景、文献综述、研究方法）
references/chapter-2-theory.md - 第2章：理论基础（概念界定、理论框架）
references/chapter-3-analysis.md - 第3章：现状与问题分析（企业概况、问题识别、成因分析）
references/chapter-4-solutions.md - 第4章：对策建议（具体方案、实施保障）
references/chapter-5-conclusion.md - 第5章：结论（研究发现、创新点、局限与展望）

格式规范

references/format-standards.md - 格式规范（中英文混排、图表、引用、标点等）

# Python
__pycache__/
*.py[cod]
*$py.class
*.so
.Python
build/
develop-eggs/
dist/
downloads/
eggs/
.eggs/
lib/
lib64/
parts/
sdist/
var/
wheels/
*.egg-info/
.installed.cfg
*.egg

# Virtual environments
venv/
ENV/
env/
.venv

# IDE
.vscode/
.idea/
*.swp
*.swo
*~
.DS_Store

# Jupyter Notebook
.ipynb_checkpoints

# Testing
.pytest_cache/
.coverage
htmlcov/

# Reports and outputs
reports/
*.report.md
*.feedback.md
*_fixed.txt
test_*.json

# Local development
*.local
.env

MIT License

Copyright (c) 2024 stephenlzc

Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:

The above copyright notice and this permission notice shall be included in all
copies or substantial portions of the Software.

THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
SOFTWARE.

Humanize MBA Text - Remove AI Writing Traces

AI Writing Trace Detection and Removal Tool Specifically for Chinese MBA Theses

<code>#AI-Detection</code> <code>#Academic-Writing</code> <code>#MBA-Thesis</code> <code>#Claude-Skill</code> <code>#Text-Humanization</code> <code>#ChatGPT-Alternative</code> <code>#LLM-Writing</code> <code>#Research-Tools</code> <code>#Academic-Integrity</code> <code>#Chinese-NLP</code>

---

🎯 Project Introduction

This is an AI writing trace detection and removal tool specifically designed for Chinese MBA theses. Based on the academic norms and practical requirements of MBA theses, it uses multi-dimensional detection methods to identify AI-generated features in text and provides specific modification suggestions to help you rewrite AI-generated text into natural, humanized academic writing style.

✨ Version 1.2 New Features

📚 Three-Dimensional Optimization Strategy: Added three new strategy documents for AI detection rate reduction, plagiarism rate reduction, and academic polishing
🔍 Enhanced Detection Capability: Optimized rule matching, statistical analysis, and language feature detection
🎓 Refined MBA Standards: Further refined MBA thesis core principles and chapter-specific writing guidelines
📝 Improved Format Standards: Expanded format standard documentation covering more edge cases
🎯 Strengthened Practice Orientation: Greater emphasis on data support, theoretical application, and specific case analysis

Core Features

✅ Multi-dimensional AI Detection: Combines rule matching, statistical analysis, and linguistic feature detection
✅ Chapter-specific Rules: Optimization strategies for 5 chapters: Introduction, Theory, Analysis, Solutions, and Conclusion
✅ MBA Thesis Standards: Complies with Chinese university MBA thesis word count, structure, and format requirements
✅ Auto-fix: Automatically handles simple issues like Chinese-English mixed spacing
✅ Smart Feedback: Generates detailed modification suggestions and before/after comparison examples
✅ Claude Skill Integration: Can be used directly as a Claude Code Skill

Technical Reference

This project's optimization strategy design references the three-dimensional collaborative optimization concept from the thesis-optimizer project:

🔍 Dimension 1: AI Detection Rate Reduction
Sentence Structure Diversification
Academic Tone Naturalization
Logical Chain Humanization

📉 Dimension 2: Plagiarism Rate Reduction
Deep Semantic Rewriting
Citation Standardization
Professional Terminology Processing

✨ Dimension 3: Academic Polishing Enhancement
Expression Precision
Academic Standardization
Readability Optimization

---

🎓 MBA Thesis Core Principles

This tool is designed based on the academic norms of Chinese MBA theses and follows the following core principles:

1. Practice Orientation

Must originate from actual enterprise management and solve specific management problems
Avoid pure theoretical discussions

2. Focused Deep Research ("Small Topic, Deep Analysis")

Clear and focused topic selection, "small topic with deep analysis"
Core concepts should not exceed 2-3
Avoid overly broad or vague topics

3. Data Traceability

All data must indicate sources
Ensure accuracy and credibility
Remove vague expressions like "relevant data shows"

4. Theoretical Support

Apply 1-2 relevant theories as analytical frameworks
Avoid discussing issues in isolation without theoretical grounding

5. Structural Standards

Main text word count ≥ 30,000 words
Each chapter must have at least 4 sections (including chapter summary)
Each section must be substantial, avoid sections shorter than one page

6. Academic Integrity

Plagiarism rate < 15%
Do not fabricate data; all citations must be verifiable

---

🚀 Quick Start

Installation

# Clone the repository
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git
cd humanize-mba-text-skill

# Install dependencies (if using transformers models)
pip install transformers torch

Basic Usage

1. Basic Detection

# Use basic rule detection
python scripts/detect_ai_patterns.py your_text.txt --format markdown --output report.md

2. Multi-dimensional Fusion Detection (Recommended)

# Use multi-dimensional detection
python scripts/multi_detector.py your_text.txt --format markdown --output report.md --plan plan.json

3. Generate Modification Suggestions

# Generate feedback based on detection results
python scripts/feedback_generator.py detection_result.json --text your_text.txt --output feedback.md

4. Apply Auto-fixes

# Auto-fix simple issues like spacing
python scripts/feedback_generator.py detection_result.json --text your_text.txt --apply

Using as Claude Skill

1. Clone this repository to the Claude Code skills directory:

cd ~/.config/opencode/skills
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git

2. Trigger the Skill in Claude Code:

Remove AI traces: [paste your text]

Help me remove AI writing traces from this text

---

📊 Detection Dimensions

1. Rule Matching Detection

Identifies the following AI writing characteristics:

AI Vocabulary: 赋能 (empower), 抓手 (handle), 闭环 (closed loop), 痛点 (pain point), 赛道 (track), etc.
Vague Attribution: "Studies have shown", "Experts believe", etc.
Overemphasis: "Key", "Core", "Crucial", etc.
Macro Narratives: "Era", "Trend", "Wave", etc.
Surface Analysis: "Highlights", "Reflects", etc. -ing ending analyses
Cliché Conclusions: "In summary", "From this we can see", etc.
Excessive Connectives: "First... Second... Finally", etc.
Chinese-English Mixed Spacing: "MBA 论文" → "MBA论文"

2. Statistical Analysis Detection

Sentence Length Uniformity: AI text typically has more uniform sentence lengths
Vocabulary Diversity: AI text has lower vocabulary diversity
Punctuation Distribution: Analyzes punctuation usage patterns
Paragraph Structure: Detects paragraph length distribution

3. Linguistic Feature Detection

Connective Density: Statistics on logical connective usage frequency
Formal Expression Patterns: Identifies overly formal academic expressions
Sentence Complexity: Analyzes complex sentence structure usage

---

🎓 Chapter-specific Writing Guidelines

This tool provides detailed writing guidelines for 5 core chapters of MBA theses:

Chapter 1: Introduction

Common Issues:

❌ Grand narrative opening: "With the development of the economy..."
❌ Vague research significance: "Has important theoretical and practical value"
❌ Literature review listing: A says, B says, C says
❌ Simple listing of research methods

Improvement Strategies:

✅ Get straight to the point: Directly state the research enterprise and specific problem
✅ Specific significance: Explain what problem is solved and what value it brings
✅ Thematic review: Organize by themes with critical analysis
✅ Specific methods: Explain data sources, samples, and analysis tools

📄 Detailed Guide: chapter-1-introduction.md

Chapter 2: Theoretical Foundation

Common Issues:

❌ Textbook-style definition stacking
❌ Theory listing: Introducing 5-6 theories
❌ Disconnect between theory and practice

Improvement Strategies:

✅ Concise definition: 2-3 core concepts
✅ Selective theories: 1-2 core theories, with rationale for selection
✅ Application-oriented: Theory provides framework for subsequent analysis

📄 Detailed Guide: chapter-2-theory.md

Chapter 3: Current Situation and Problem Analysis

Common Issues:

❌ Enterprise overview data stacking with low research relevance
❌ Qualitative status description lacking data
❌ Vague problem identification: "Poor management", "Low efficiency"
❌ Surface-level cause analysis: Remaining at phenomenon description

Improvement Strategies:

✅ Focus on relevance: Only provide background relevant to the research
✅ Data-driven: Use specific indicators and time series data
✅ Specific problems: Each problem has measurement indicators and research data
✅ Deep exploration: Use theoretical framework to analyze root causes

📄 Detailed Guide: chapter-3-analysis.md

Chapter 4: Solutions and Recommendations

Common Issues:

❌ Vague recommendations: "Strengthen management", "Optimize processes"
❌ Lack of operability
❌ Ignoring constraints
❌ Template application: SWOT becomes formalistic

Improvement Strategies:

✅ Specific and actionable: Clearly define what to do, how to do it, and who will do it
✅ Phased implementation: Distinguish short-term, medium-term, and long-term
✅ Consider constraints: Analyze resource, capability, and cultural limitations
✅ Quantified effects: Expected effects should be quantified where possible

📄 Detailed Guide: chapter-4-solutions.md

Chapter 5: Conclusion

Common Issues:

❌ Repetition of abstract content
❌ Simple listing of each chapter's content
❌ Vague innovation points: "First study", "Fills a gap"
❌ Avoiding research limitations

Improvement Strategies:

✅ Research findings: Highlight core findings without repeating the abstract
✅ Specific innovation: Objectively explain theoretical, methodological, and application innovations
✅ Honest limitations: Specifically analyze limitations and their impact
✅ Future outlook: Propose specific and feasible research directions

📄 Detailed Guide: chapter-5-conclusion.md

---

📝 Format Standards

Independent format standard documentation covers:

Chinese-English/Number mixed typesetting standards
Figure and table numbering and layout standards
Citation and reference standards
Number and unit standards
Punctuation standards
Paragraph and hierarchy standards

📄 Detailed Standards: format-standards.md

---

📈 Detection Results Interpretation

The detection report contains the following dimensions:

AI Generation Probability: 0-100%, higher score indicates more obvious AI traces
Risk Level: 🔴 High Risk / 🟡 Medium Risk / 🟢 Low Risk
Detector Consistency: Results consistency among three detection methods
Priority Fix Items: Modification suggestions sorted by severity
Chapter-specific Suggestions: Targeted suggestions based on detected chapter type

Modification Strategies

Different strategies based on AI probability score:

🔴 High Risk (>70%): Deep Rewriting

Comprehensive reconstruction of paragraph structure
Remove all AI characteristic vocabulary
Supplement specific data and cases
Estimated time: 2-3 hours

🟡 Medium Risk (40-70%): Targeted Optimization

Fix high-priority AI characteristics
Adjust clichés and template expressions
Supplement key data support
Estimated time: 1-2 hours

🟢 Low Risk (<40%): Detail Polishing

Fix small amounts of AI traces
Optimize language expression
Final proofreading
Estimated time: 30 minutes-1 hour

---

💡 Usage Examples

Example 1: Removing AI Vocabulary

Original:

Digital transformation has become a key handle for promoting high-quality 
enterprise development, empowering business innovation and creating 
significant value for enterprises.

Rewritten:

This study explores the impact of digital transformation on enterprise 
performance. By analyzing XX Company's financial data from 2018-2023, 
it was found that digital investment is positively correlated with 
revenue growth.

Example 2: Removing Vague Attribution

Original:

Research has shown that corporate culture has an important impact on 
organizational performance.

Rewritten:

Schein's (2010) research indicates that strong corporate culture is 
positively correlated with organizational performance (r=0.42, p<0.05).

Example 3: MBA Thesis Focused Deep Research

Original:

Research on Enterprise Digital Transformation

Rewritten:

Research on Process Optimization in Digital Transformation of XX 
Company's Production Department

Example 4: Data Traceability

Original:

Enterprise revenue increased by 20%, employee satisfaction is 85%.

Rewritten:

According to XX Company's 2023 annual report, enterprise revenue 
increased by 20% year-over-year. Based on a questionnaire survey 
conducted in December 2023 (N=120), employee satisfaction is 85%.

Example 5: Fixing Chinese-English Mixed Spacing

Original:

MBA thesis writing needs to pay attention to AI trace issues.
Research in 2023 shows that 15% of enterprises have such problems.

Rewritten:

MBA thesis writing needs to pay attention to AI trace issues.
Research in 2023 shows that 15% of enterprises have such problems.

---

📁 Project Structure

humanize-mba-text-skill/
├── SKILL.md                          # Claude Skill main file
├── README.md                         # Chinese README
├── README_EN.md                      # English README
├── README_KR.md                      # Korean README
├── LICENSE                           # MIT License
│
├── references/                       # Reference documents
│   ├── ai-writing-patterns.md        # AI writing characteristics guide
│   ├── chapter-1-introduction.md     # Chapter 1: Introduction guide
│   ├── chapter-2-theory.md           # Chapter 2: Theory foundation guide
│   ├── chapter-3-analysis.md         # Chapter 3: Analysis guide
│   ├── chapter-4-solutions.md        # Chapter 4: Solutions guide
│   ├── chapter-5-conclusion.md       # Chapter 5: Conclusion guide
│   ├── format-standards.md           # Format standards
│   ├── strategy_ai_reduction.md      # AI Detection Rate Reduction Strategy ⭐NEW
│   ├── strategy_plagiarism.md        # Plagiarism Rate Reduction Strategy ⭐NEW
│   └── strategy_polishing.md         # Academic Polishing Strategy ⭐NEW
│
└── scripts/                          # Detection scripts
    ├── detect_ai_patterns.py         # Basic rule detection
    ├── multi_detector.py             # Multi-scheme fusion detector
    └── feedback_generator.py         # Feedback generator

---

🔧 Advanced Usage

Interactive Modification

python scripts/multi_detector.py your_text.txt --interactive

Export Modification Plan

python scripts/multi_detector.py your_text.txt --plan modification_plan.json

Batch Processing

# Process multiple files
for file in *.txt; do
    python scripts/multi_detector.py "$file" --output "reports/${file%.txt}_report.md"
done

---

⚠️ Important Notes

1. Academic Integrity: Maintain academic integrity when rewriting; do not fabricate data; all data must have authentic sources 2. Data Verification: For uncertain citations and data, users are advised to verify original sources 3. Theory Adaptation: Users are advised to select appropriate theoretical frameworks based on specific research questions 4. Enterprise Authorization: If involving internal enterprise data, written authorization from the enterprise or data anonymization is recommended 5. Plagiarism Control: Plagiarism check is recommended after rewriting to ensure rate < 15% 6. Personalized Adjustment: Rewritten text requires users to adjust according to specific school and advisor requirements 7. Scope Limitation: This tool focuses on removing AI traces and format standards, not on academic content depth review 8. References: Rewriting does not automatically generate references; users need to supplement complete references based on actual citations

---

🤝 Contributing Guidelines

Issues and Pull Requests are welcome!

Submitting Issues

Describe the problem clearly
Provide example text (can be anonymized)
Explain expected behavior

Submitting Pull Requests

1. Fork this repository 2. Create your feature branch (git checkout -b feature/AmazingFeature) 3. Commit your changes (git commit -m 'Add some AmazingFeature') 4. Push to the branch (git push origin feature/AmazingFeature) 5. Open a Pull Request

---

📝 Changelog

v1.2.0 (2024-03-11)

📚 Three-Dimensional Optimization Strategy: Added 3 new strategy documents
strategy_ai_reduction.md: AI Detection Rate Reduction Strategy
strategy_plagiarism.md: Plagiarism Rate Reduction Strategy
strategy_polishing.md: Academic Polishing Strategy
🔍 Enhanced Detection Capability: Optimized rule matching, statistical analysis, and language feature detection
🎓 Refined MBA Standards: Further refined MBA thesis core principles
📝 Improved Format Standards: Expanded format standard documentation
🏗️ Optimized Project Structure: Added English and Korean README files

v1.1.0 (2024-02-05)

📚 Refactored Chapter Documents: Split chapter rules into 5 independent files
chapter-1-introduction.md: Detailed introduction guide
chapter-2-theory.md: Detailed theory foundation guide
chapter-3-analysis.md: Detailed analysis guide
chapter-4-solutions.md: Detailed solutions guide
chapter-5-conclusion.md: Detailed conclusion guide
format-standards.md: Independent format standards document
🎓 Refined MBA Standards: Added MBA thesis core principles section
🎯 Strengthened Practice Orientation: Greater emphasis on data support, theoretical application, and specific cases
📝 Improved Format Standards: Independent format standards covering Chinese-English mixed typesetting, figures/tables, citations, etc.
🏗️ Optimized Project Structure: Clearer file organization and indexing

v1.0.0 (2024-02-04)

✨ Initial release
🎯 Support for multi-dimensional AI feature detection
📚 Added chapter-specific rules
🔧 Implemented auto-fix functionality
🎓 Integrated Claude Skill

---

📄 License

This project uses MIT License - see LICENSE file for details

---

🙏 Acknowledgments

Thanks to Claude Code for providing the Skill framework
Thanks to Kimi CLI for providing the Agent parallel execution tools
Thanks to all users who provided feedback and suggestions
Special thanks to the [Haimbeau1o/thesis-optimizer](https://github.com/Haimbeau1o/thesis-optimizer) project, whose three-dimensional collaborative optimization strategy (AI detection rate reduction, plagiarism rate reduction, academic polishing enhancement) inspired this project's design

---

📮 Contact

GitHub Issues: https://github.com/stephenlzc/humanize-mba-text-skill/issues
Author: stephenlzc

---

🔗 Related Projects

thesis-optimizer - Academic Paper Intelligent Optimization System (Computer Deep Learning Direction)

---

If this project helps you, please give it a ⭐ Star!

Humanize MBA Text - AI執筆痕跡の検出と除去

中国MBA卒業論文専用のAI執筆痕跡検出・除去ツール

---

🎯 プロジェクト概要

本ツールは中国のMBA卒業論文専用に設計されたAI執筆痕跡検出・除去ツールです。MBA論文の学術規範と実践的な要求に基づき、多次元的な検出手法を用いてテキスト内のAI生成特徴を識別し、具体的な修正提案を提供することで、AI生成テキストを自然で人間らしい学術的執筆スタイルに書き換えることを支援します。

✨ バージョン1.2の新機能

📚 戦略文書の追加：3つの最適化戦略ファイルを新規追加
次元1：AI検出率の低減戦略
次元2：重複率の低減戦略
次元3：学術的推敲の向上戦略
🎓 MBA規範の詳細化：MBA論文の核心原則と章別執筆ガイドを拡充
📝 形式規範の改善：中国語・英語混在、図表、引用などをカバーする形式標準文書を独立整理
🎯 実践重視の強化：データ支援、理論適用、具体的な事例分析をさらに重視

核心機能

✅ 多次元的AI検出：ルールマッチング、統計分析、言語特徴の3つの検出手法を統合
✅ 章別特定ルール：緒論、理論、分析、提言、結論の5つの章に対応した最適化戦略
✅ MBA論文規範：中国の大学MBA論文の字数、構造、形式要件に準拠
✅ 自動修正：中国語・英語混在のスペースなどの簡単な問題を自動処理
✅ インテリジェントフィードバック：詳細な修正提案と前後比較例を生成
✅ Claude Skill統合：Claude CodeのSkillとして直接使用可能

技術参考

本プロジェクトの最適化戦略設計は、thesis-optimizerプロジェクトの三次元協同最適化理念を参考にしています：

🔍 次元1：AI検出率の低減
文構造の多様化
学術トーンの自然化
論理連鎖の人間化

📉 次元2：重複率の低減
深層意味の書き換え
引用の標準化
専門用語の処理

✨ 次元3：学術的推敲の向上
表現の精緻化
学術規範化
可読性の最適化

---

🎓 MBA論文の核心原則

本ツールは中国のMBA論文学術規範に基づいて設計され、以下の核心原則に従います：

1. 実践志向

企業経営の実際に由来し、具体的な経営問題を解決すること
純粋な理論の空論を避けること

2. 小題大做（小さなテーマを深く掘り下げる）

テーマは明確に焦点を絞り、「小題深做」
核心概念は2-3個以内に抑える
テーマが大きすぎたり、範囲が広すぎたりすることを避ける

3. データの溯源

すべてのデータには出典を明記すること
正確性と信頼性を確保すること
「関連データが示す」などの曖昧な表現を削除すること

4. 理論支援

分析フレームワークとして1-2の関連理論を用いること
事実だけを述べることを避ける

5. 構造規範

本文の字数：3万字以上
各章は少なくとも4節（章末まとめを含む）
各節の内容は充実させ、1ページ未満の節を避ける

6. 学術倫理

複製率：15%未満
データの捏造をせず、すべての引用は確認可能であること

---

🚀 クイックスタート

インストール

# リポジトリをクローン
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git
cd humanize-mba-text-skill

# 依存関係をインストール（transformersモデルを使用する場合）
pip install transformers torch

基本的な使用方法

1. 基礎検出

# 基礎ルールを使用した検出
python scripts/detect_ai_patterns.py your_text.txt --format markdown --output report.md

2. 多次元融合検出（推奨）

# 多次元検出を使用
python scripts/multi_detector.py your_text.txt --format markdown --output report.md --plan plan.json

3. 修正提案の生成

# 検出結果に基づいてフィードバックを生成
python scripts/feedback_generator.py detection_result.json --text your_text.txt --output feedback.md

4. 自動修正の適用

# スペースなどの簡単な問題を自動修正
python scripts/feedback_generator.py detection_result.json --text your_text.txt --apply

Claude Skillとして使用

1. 本リポジトリをClaude Codeのskillsディレクトリにクローン：

cd ~/.config/opencode/skills
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git

2. Claude CodeでSkillをトリガー：

AI痕跡を除去：[テキストを貼り付け]

または

この文章のAI執筆痕跡を除去してください

---

📊 検出次元

1. ルールマッチング検出

以下のAI執筆特徴を識別：

AI用語：赋能、抓手、闭环、痛点、赛道など
曖昧な帰属：「有研究指出」「专家认为」など
過度な強調：「关键」「核心」「至关重要」など
マクロナラティブ：「时代」「趋势」「浪潮」など
表面的分析：「凸显了」「反映了」など-ingで終わる分析
決まり文句の結び：「综上所述」「由此可见」など
過多な接続詞：「首先...其次...最后」など
中国語・英語混在のスペース：「MBA 论文」→「MBA论文」

2. 統計分析検出

文の長さの均一性：AIテキストは通常、文の長さがより均一
語彙の多様性：AIテキストは語彙多様性が低い
句読点の分布：句読点の使用パターンを分析
段落構造：段落長の分布を検出

3. 言語特徴検出

接続詞密度：論理接続詞の使用頻度を統計
正式表現パターン：過度に形式的な学術表現を識別
文型の複雑さ：複雑な文型の使用状況を分析

---

🎓 章別執筆ガイド

本ツールはMBA論文の5つの核心章に対する詳細な執筆ガイドを提供します：

第1章緒論

よくある問題：

❌ 壮大なナラティブで始まる：「随着经济的发展...」
❌ 研究意義が空疎：「具有重要理论意义和实践价值」
❌ 文献レビューが単なる列挙：A说、B说、C说
❌ 研究方法が単純な列挙

改善戦略：

✅ オープニングは率直に：研究対象企業、具体的な問題を直接明示
✅ 意義を具体的に：どの問題を解決し、どのような価値をもたらすかを説明
✅ レビューをテーマ別に：テーマ別に構成し、批判的な分析を含める
✅ 方法を具体的に：データ出典、サンプル、分析ツールを説明

📄 詳細ガイド：chapter-1-introduction.md

第2章理論基礎

よくある問題：

❌ 教科書的な定義の羅列
❌ 理論の列挙：5-6個の理論を紹介
❌ 理論と実践の乖離

改善戦略：

✅ 簡潔な定義：2-3個の核心概念
✅ 理論を厳選：1-2個の核心理論を選び、選択理由を説明
✅ 適用志向：理論が後続の分析にフレームワークを提供する

📄 詳細ガイド：chapter-2-theory.md

第3章現状と問題分析

よくある問題：

❌ 企業概況の資料が研究との関連度が低い
❌ 現状記述が定性的でデータに欠ける
❌ 問題認識が漠然：「管理不善」「效率低下」
❌ 原因分析が表面的：現象記述に留まる

改善戦略：

✅ 関連性に焦点：研究に関連する背景のみ提供
✅ データで語る：具体的指標と時系列データを使用
✅ 問題を具体化：各問題に測定指標と調査データを持たせる
✅ 深く掘り下げる：理論フレームワークで根本原因を分析

📄 詳細ガイド：chapter-3-analysis.md

第4章対策提言

よくある問題：

❌ 提言が空疎：「加强管理」「优化流程」
❌ 実現可能性に欠ける
❌ 制約条件を無視
❌ テンプレートの流用：SWOTが形骸化

改善戦略：

✅ 具体的で実現可能：何をするか、どうやるか、誰がやるかを明確に
✅ 段階的実施：短期、中期、長期を区別
✅ 制約を考慮：リソース、能力、文化の制限を分析
✅ 効果を定量化：期待効果は可能な限り定量化

📄 詳細ガイド：chapter-4-solutions.md

第5章結論

よくある問題：

❌ 要旨の内容を繰り返す
❌ 単純に各章の内容を列挙
❌ 独創性が空疎：「首次研究」「填补空白」
❌ 研究限界を回避

改善戦略：

✅ 研究発見：核心発見を強調し、要旨と重複させない
✅ 独創性を具体化：理論、方法、応用の革新を客観的に説明
✅ 誠実な限界：限界と影響を具体的に分析
✅ 今後の展望：具体的で実現可能な研究方向を提案

📄 詳細ガイド：chapter-5-conclusion.md

---

📝 形式規範

独立した形式規範文書が以下をカバー：

中国語・英語・数字混在の規範
図表の番号付けと組版規範
引用と参考文献の規範
数字と単位の規範
句読点の規範
段落と階層の規範

📄 詳細規範：format-standards.md

---

📈 検出結果の解釈

検出レポートには以下の次元が含まれます：

AI生成確率：0-100%、スコアが高いほどAI痕跡が明らか
リスクレベル：🔴 高リスク / 🟡 中リスク / 🟢 低リスク
検出器の一致度：3つの検出手法の結果の一致性
優先修正項目：深刻度でソートされた修正提案
章別特定提案：検出された章タイプに基づく対象的な提案

修正戦略

AI確率スコアに応じて異なる戦略を採用：

🔴 高リスク（>70%）：深い書き換え

段落構造を全面的に再構築
すべてのAI特徴語彙を削除
具体的なデータと事例を補充
想定時間：2-3時間

🟡 中リスク（40-70%）：対象的な最適化

高優先度のAI特徴を修正
決まり文句とテンプレート表現を調整
关键なデータ支援を補充
想定時間：1-2時間

🟢 低リスク（<40%）：詳細な推敲

少量のAI痕跡を修正
言語表現を最適化
最終校正
想定時間：30分-1時間

---

💡 使用例

例1：AI用語の除去

原文：

数字化转型已成为推动企业高质量发展的关键抓手，
通过赋能业务创新，为企业创造显著价值。

書き換え後：

本研究はデジタル変革が企業パフォーマンスに与える影響を検討する。
XX社2018-2023年の財務データを分析した結果、
デジタル投資と営業収入増加には正の相関関係があることが判明した。

例2：曖昧な帰属の除去

原文：

有研究指出，企业文化对组织绩效具有重要影响。

書き換え後：

Schein(2010)の研究は、強い企業文化と組織パフォーマンスに
正の相関関係があることを示している（r=0.42, p<0.05）。

例3：MBA論文の小題大做

原文：

企业数字化转型研究

書き換え後：

XX公司生产部门数字化转型中的流程优化研究

例4：データの溯源

原文：

企业营收增长20%，员工满意度为85%。

書き換え後：

XX社2023年年次報告書によると、企業の営業収入は前年比20%増加した。
2023年12月に実施したアンケート調査（N=120）によると、従業員満足度は85%であった。

例5：中国語・英語混在スペースの修正

原文：

MBA 论文写作需要关注 AI 痕迹问题。
2023 年的研究表明，15 % 的企业存在此类问题。

書き換え後：

MBA论文写作需要关注AI痕迹问题。
2023年的研究表明，15%的企业存在此类问题。

---

📁 プロジェクト構造

humanize-mba-text-skill/
├── SKILL.md                          # Claude Skillメインファイル
├── README.md                         # 中国語版
├── README_EN.md                      # 英語版
├── README_KR.md                      # 韓国語版
├── README_JP.md                      # 日本語版
├── LICENSE                           # MITライセンス
│
├── references/                       # 参考文書
│   ├── ai-writing-patterns.md        # AI執筆特徴詳細ガイド
│   ├── chapter-1-introduction.md     # 第1章：緒論執筆ガイド
│   ├── chapter-2-theory.md           # 第2章：理論基礎執筆ガイド
│   ├── chapter-3-analysis.md         # 第3章：現状と問題分析執筆ガイド
│   ├── chapter-4-solutions.md        # 第4章：対策提言執筆ガイド
│   ├── chapter-5-conclusion.md       # 第5章：結論執筆ガイド
│   ├── format-standards.md           # 形式規範
│   ├── strategy_ai_reduction.md      # AI検出率低減戦略 ⭐新規
│   ├── strategy_plagiarism.md        # 重複率低減戦略 ⭐新規
│   └── strategy_polishing.md         # 学術的推敲向上戦略 ⭐新規
│
└── scripts/                          # 検出スクリプト
    ├── detect_ai_patterns.py         # 基礎ルール検出
    ├── multi_detector.py             # 多次元融合検出器
    └── feedback_generator.py         # フィードバック生成器

---

🔧 高度な使用方法

インタラクティブ修正

python scripts/multi_detector.py your_text.txt --interactive

修正計画のエクスポート

python scripts/multi_detector.py your_text.txt --plan modification_plan.json

バッチ処理

# 複数ファイルを処理
for file in *.txt; do
    python scripts/multi_detector.py "$file" --output "reports/${file%.txt}_report.md"
done

---

⚠️ 注意事項

1. 学術倫理：書き換え時は学術倫理を守り、データを捏造しないこと；すべてのデータは真実の出典を持つこと 2. データ検証：不確実な引用やデータについては、ユーザーに元資料の検証を推奨すること 3. 理論の適合：具体的な研究問題に応じて適切な理論フレームワークを選択することをユーザーに推奨すること 4. 企業承認：企業内部データを扱う場合は、企業の書面による承認を得るか、匿名化処理を行うことを推奨すること 5. 重複チェック：書き換え後は重複チェックを行い、複製率が15%未満であることを確認すること 6. 個別調整：書き換え後のテキストは、ユーザーが具体的な大学と指導教員の要件に応じて調整すること 7. 範囲制限：本ツールはAI痕跡の除去と形式規範に焦点を当てており、学術的内容の深度審査は行わない 8. 参考文献：書き換えでは参考文献は自動生成されないため、ユーザーは実際の引用に基づいて補完する必要がある

---

🤝 貢献ガイド

IssueとPull Requestの提出を歓迎します！

Issueの提出

遭遇した問題を明確に説明すること
例テキストを提供すること（匿名化可能）
期待される動作を説明すること

Pull Requestの提出

1. 本リポジトリをForkすること 2. 特性ブランチを作成すること（git checkout -b feature/AmazingFeature） 3. 修正をコミットすること（git commit -m 'Add some AmazingFeature'） 4. ブランチにプッシュすること（git push origin feature/AmazingFeature） 5. Pull Requestを開くこと

---

📝 更新履歴

v1.2.0 (2026-03-11)

📚 戦略文書の追加：3つの最適化戦略ファイルを新規追加
strategy_ai_reduction.md：AI検出率低減の詳細戦略
文構造の多様化
学術トーンの自然化
論理連鎖の人間化
strategy_plagiarism.md：重複率低減の詳細戦略
深層意味の書き換え
引用の標準化
専門用語の処理
strategy_polishing.md：学術的推敲向上の詳細戦略
表現の精緻化
学術規範化
可読性の最適化
🌍 多言語サポート：日本語版READMEを追加
🎯 戦略の詳細化：三次元協同最適化戦略をより詳細に文書化

v1.1.0 (2024-02-05)

📚 章文書の再構築：章ルールを5つの独立ファイルに分割
chapter-1-introduction.md：緒論の詳細ガイド
chapter-2-theory.md：理論基礎の詳細ガイド
chapter-3-analysis.md：現状と問題分析の詳細ガイド
chapter-4-solutions.md：対策提言の詳細ガイド
chapter-5-conclusion.md：結論の詳細ガイド
format-standards.md：形式規範の独立文書
🎓 MBA規範の詳細化：MBA論文の核心原則の新規章を追加
🎯 実践重視の強化：データ支援、理論適用、具体的事例をさらに重視
📝 形式規範の改善：形式標準を独立して整理し、中国語・英語混在、図表、引用などをカバー
🏗️ プロジェクト構造の最適化：より明確なファイル構成と索引

v1.0.0 (2024-02-04)

✨ 初期バージョンリリース
🎯 多次元的AI特徴検出をサポート
📚 章別特定ルールを追加
🔧 自動修正機能を実装
🎓 Claude Skillを統合

---

📄 ライセンス

本プロジェクトはMITライセンスを採用しています - 詳細はLICENSEファイルをご参照ください

---

🙏 謝辞

Claude Codeが提供するSkillフレームワークに感謝
Kimi CLIが提供するAgent並列実行ツールに感謝
フィードバックと提案を提供してくださったすべてのユーザーに感謝
特別に[Haimbeau1o/thesis-optimizer](https://github.com/Haimbeau1o/thesis-optimizer)プロジェクトに感謝。本プロジェクトの三次元協同最適化戦略（AI検出率低減、重複率低減、学術的推敲向上）は、同プロジェクトの優れた設計を参考にしています

---

📮 連絡先

GitHub Issues: https://github.com/stephenlzc/humanize-mba-text-skill/issues
作者：stephenlzc

---

🔗 関連プロジェクト

thesis-optimizer - 学術論文インテリジェント最適化システム（コンピュータ深層学習方向）

---

このプロジェクトが役に立ったら、⭐ Starをお願いします！

Humanize MBA Text - AI 글쓰기 흔적 감지 및 제거

중국 MBA 졸업 논문을 위한 전문 AI 글쓰기 흔적 감지 및 제거 도구

---

🎯 프로젝트 소개

이 도구는 중국 MBA 졸업 논문을 위해 특별히 설계된 AI 글쓰기 흔적 감지 및 제거 도구입니다. MBA 논문의 학술 규범과 실무 요구사항을 기반으로 하여, 다차원 감지 방법을 통해 텍스트의 AI 생성 특징을 식별하고 구체적인 수정 제안을 제공하여 AI 생성 텍스트를 자연스럽고 인간적인 학술 글쓰기 스타일로 변환하는 데 도움을 줍니다.

✨ 버전 1.1 새로운 기능

📚 장 문서 재구성: 장 규칙을 5개의 독립 파일로 분할하여 검색 및 사용이 용이
🎓 MBA 규범 세분화: MBA 논문 핵심 원칙 및 분 장별 글쓰기 가이드 신규 추가
📝 형식 규범 개선: 형식 표준 문서를 독립적으로 정리하여 중영문 혼용, 차트, 인용 등을 포괄
🎯 실무 지향 강화: 데이터 지원, 이론 적용 및 구체적 사례 분석에 더욱 중점

핵심 기능

✅ 다차원 AI 감지: 규칙 매칭, 통계 분석, 언어 특징 세 가지 감지 방법 결합
✅ 장 특정 규칙: 서론, 이론, 분석, 제안, 결론 5개 장에 대한 최적화 전략
✅ MBA 논문 규범: 중국 대학 MBA 논문의 글자 수, 구조, 형식 요구사항 준수
✅ 자동 수정: 중영문 혼용 공백 등 간단한 문제 자동 처리
✅ 지능형 피드백: 상세한 수정 제안 및 전후 비교 예시 생성
✅ Claude Skill 통합: Claude Code의 Skill로 직접 사용 가능

기술 참고

본 프로젝트는 최적화 전략 설계에 thesis-optimizer 프로젝트의 3차원 협동 최적화 개념을 참고하였습니다:

🔍 AI 감지율 감소: 문장 구조 다양화, 어조 자연화, 논리 인간화
📉 표절률 감소: 심층 의미 재작성, 인용 표준화, 전문 용어 처리
✨ 학술 윤문: 표현 정밀화, 학술 규범화, 가독성 최적화

---

🎓 MBA 논문 핵심 원칙

본 도구는 중국 MBA 논문의 학술 규범을 기반으로 설계되었으며, 다음 핵심 원칙을 따릅니다:

1. 실무 지향

기업 관리 실제에서 출발하여 구체적인 관리 문제 해결 필요
순수 이론적 공론 지양

2. 작은 주제 심층 연구

주제 선정이 명확하고 집중되어야 하며, "작은 주제 심층 탐구" 필요
핵심 개념은 2-3개를 초과하지 않음
주제가 너무 크거나 광범위한 것 지양

3. 데이터 추적 가능성

모든 데이터는 출처를 명시해야 함
정확성과 신뢰성 확보
"관련 데이터에 따륩니" 등 모호한 표현 삭제

4. 이론적 지원

1-2개 관련 이론을 분석 프레임워크로 활용
일반적 사실 나열 지양

5. 구조 규범

본문 글자 수 ≥ 3만 자
장당 최소 4개 절(장 요약 포함)
각 절 내용이 충실하여 한 페이지 미만인 절 지양

6. 학술적 진실성

복사율 < 15%
데이터 조작 금지, 모든 인용은 확인 가능해야 함

---

🚀 빠른 시작

설치

# 저장소 클론
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git
cd humanize-mba-text-skill

# 의존성 설치 (transformers 모델 사용 시)
pip install transformers torch

기본 사용법

1. 기본 감지

# 기본 규칙 감지 사용
python scripts/detect_ai_patterns.py your_text.txt --format markdown --output report.md

2. 다차원 융합 감지 (권장)

# 다차원 감지 사용
python scripts/multi_detector.py your_text.txt --format markdown --output report.md --plan plan.json

3. 수정 제안 생성

# 감지 결과를 기반으로 피드백 생성
python scripts/feedback_generator.py detection_result.json --text your_text.txt --output feedback.md

4. 자동 수정 적용

# 공백 등 간단한 문제 자동 수정
python scripts/feedback_generator.py detection_result.json --text your_text.txt --apply

Claude Skill로 사용

1. 본 저장소를 Claude Code의 skills 디렉토리에 클론:

cd ~/.config/opencode/skills
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git

2. Claude Code에서 Skill 트리거:

AI 흔적 제거: [텍스트 붙여넣기]

또는

이 텍스트의 AI 글쓰기 흔적을 제거해 주세요

---

📊 감지 차원

1. 규칙 매칭 감지

다음 AI 글쓰기 특징을 식별:

AI 용어: 赋能(임파워먼트), 抓手(핵심수단), 闭环(폐쇄형루프), 痛点(고충점), 赛道(분야) 등
모호한 귀속: "연구에 따르면", "전문가는 지적한다" 등
과도한 강조: "핵심", "핵심", "지대한" 등
거시 서술: "시대", "추세", "물결" 등
표면적 분석: "부각되었다", "반영되었다" 등 -ing로 끝나는 분석
형식적 결말: "종합하면", "이로 보건대" 등
과도한 접속사: "첫째...둘째...마지막으로" 등
중영문 혼용 공백: "MBA 논문" → "MBA논문"

2. 통계 분석 감지

문장 길이 균일성: AI 텍스트는 보통 문장 길이가 더 균일함
어휘 다양성: AI 텍스트는 어휘 다양성이 낮음
구두점 분포: 구두점 사용 패턴 분석
단락 구조: 단락 길이 분포 감지

3. 언어 특징 감지

접속사 밀도: 논리적 접속사 사용 빈도 통계
형식적 표현 패턴: 과도하게 형식적인 학술 표현 식별
문장 구조 복잡성: 복잡한 문장 구조 사용 분석

---

🎓 분 장별 글쓰기 가이드

본 도구는 MBA 논문 5개 핵심 장에 대한 상세한 글쓰기 가이드를 제공합니다:

제1장 서론

일반적인 문제:

❌ 거시 서술식 도입: "경제 발전에 따라..."
❌ 연구 의의가 공허함: "중요한 이론적 의의와 실무적 가치가 있음"
❌ 문헌 고찰 나열: A의견, B의견, C의견
❌ 연구 방법 단순 나열

개선 전략:

✅ 바로 핵심: 연구 기업, 구체적인 문제를 직접 언급
✅ 의의 구체화: 어떤 문제를 해결하고 어떤 가치를 가져오는지 설명
✅ 문헌 주제 중심: 주제별로 구성하고 비판적 분석 포함
✅ 방법 구체화: 데이터 출처, 샘플, 분석 도구 설명

📄 상세 가이드: chapter-1-introduction.md

제2장 이론적 기초

일반적인 문제:

❌ 교과서식 정의 나열
❌ 이론 나열: 5-6개 이론 소개
❌ 이론과 실무 괴리

개선 전략:

✅ 간결한 정의: 2-3개 핵심 개념
✅ 이론 엄선: 1-2개 핵심 이론, 선택 이유 설명
✅ 적용 지향: 후속 분석을 위한 프레임워크 제공

📄 상세 가이드: chapter-2-theory.md

제3장 현황 및 문제 분석

일반적인 문제:

❌ 기업 개황 자료 나열, 연구와의 연관성 낮음
❌ 현황 서술이 정성적 위주이며 데이터 부족
❌ 문제 식별이 모호함: "관리 미흡", "효율 저하"
❌ 원인 분석이 표면적임: 현상 서술에 머무름

개선 전략:

✅ 관련성 집중: 연구와 관련된 배경 정보만 제공
✅ 데이터 중심: 구체적 지표와 시계열 데이터 사용
✅ 문제 구체화: 각 문제에 측정 지표와 조사 데이터
✅ 심층 분석: 이론 프레임워크로 근본 원인 분석

📄 상세 가이드: chapter-3-analysis.md

제4장 대안 제안

일반적인 문제:

❌ 제안이 공허함: "관리 강화", "프로세스 최적화"
❌ 실행 가능성 부족
❌ 제약 조건 무시
❌ 템플릿 적용: SWOT 형식적 사용

개선 전략:

✅ 구체적이고 실행 가능: 무엇을, 어떻게, 누가 할지 명확히
✅ 단계별 실행: 단기, 중기, 장기 구분
✅ 제약 고려: 자원, 역량, 문화적 제한 분석
✅ 효과 정량화: 예상 효과는 가능한 한 정량화

📄 상세 가이드: chapter-4-solutions.md

제5장 결론

일반적인 문제:

❌ 초록 내용 반복
❌ 각 장 내용 단순 나열
❌ 혁신점이 공허함: "최초 연구", "공백 메우기"
❌ 연구 한계 회피

개선 전략:

✅ 연구 발견: 핵심 발견 강조, 초록과 중복 금지
✅ 혁신 구체화: 이론, 방법, 응용 혁신을 객관적으로 설명
✅ 한계 정직: 구체적인 한계와 영향 분석
✅ 향후 전망: 구체적이고 실행 가능한 연구 방향 제시

📄 상세 가이드: chapter-5-conclusion.md

---

📝 형식 규범

독립적인 형식 규범 문서가 다음을 포괄:

중영문/숫자 혼용 규범
차트 번호 및 조판 규범
인용 및 참고문헌 규범
숫자 및 단위 규범
구두점 규범
단락 및 계층 규범

📄 상세 규범: format-standards.md

---

📈 감지 결과 해석

감지 보고서는 다음 차원을 포함:

AI 생성 확률: 0-100%, 점수가 높을수록 AI 흔적이 뚜렷함
위험 등급: 🔴 고위험 / 🟡 중위험 / 🟢 저위험
감지기 일관성: 세 가지 감지 방법의 결과 일치성
우선 수정 항목: 심각도순으로 정렬된 수정 제안
장 특정 제안: 감지된 장 유형에 따른 대응 제안

수정 전략

AI 확률 점수에 따라 다른 전략 적용:

🔴 고위험 (>70%): 심층 재작성

단락 구조 전면 재구성
모든 AI 특징 어휘 삭제
구체적 데이터와 사례 보충
예상 시간: 2-3시간

🟡 중위험 (40-70%): 대응 최적화

고우선순위 AI 특징 수정
형식적 표현과 템플릿화된 표현 조정
핵심 데이터 지원 보충
예상 시간: 1-2시간

🟢 저위험 (<40%): 세부 윤문

소량의 AI 흔적 수정
언어 표현 최적화
최종 교정
예상 시간: 30분-1시간

---

💡 사용 예시

예시 1: AI 용어 제거

원문:

디지털 전환은 기업의 고품질 발전을 촉진하는 핵심 수단이 되었으며,
비즈니스 혁신에 임파워먼트를 제공하여 기업에 상당한 가치를 창출합니다.

수정 후:

본 연구는 디지털 전환이 기업 성과에 미치는 영향을 탐구합니다.
XX사의 2018-2023년 재무 데이터를 분석한 결과,
디지털 투자와 영업 수익 성장 간에 정의 상관관계가 있음을 발견했습니다.

예시 2: 모호한 귀속 제거

원문:

연구에 따르면 기업 문화가 조직 성과에 중요한 영향을 미칩니다.

수정 후:

Schein(2010)의 연구에 따르면, 강력한 기업 문화와 조직 성과 간에
정의 상관관계가 존재합니다(r=0.42, p<0.05).

예시 3: MBA 논문 작은 주제 심층 연구

원문:

기업 디지털 전환 연구

수정 후:

XX사 생산 부문 디지털 전환의 프로세스 최적화 연구

예시 4: 데이터 추적 가능성

원문:

기업 매출 성장 20%, 직원 만족도 85%.

수정 후:

XX사 2023년 연례 보고서에 따르면, 기업 매출은 전년 대비 20% 성장했습니다.
2023년 12월에 실시된 설문조사(N=120)에 따르면, 직원 만족도는 85%입니다.

예시 5: 중영문 혼용 공백 수정

원문:

MBA 논문 작성에서 AI 흔적 문제에 주목해야 합니다.
2023 년의 연구에 따르면, 15 %의 기업이 이러한 문제를 겪고 있습니다.

수정 후:

MBA논문 작성에서 AI흔적 문제에 주목해야 합니다.
2023년의 연구에 따르면, 15%의 기업이 이러한 문제를 겪고 있습니다.

---

📁 프로젝트 구조

humanize-mba-text-skill/
├── SKILL.md                          # 주요 Claude Skill 파일
├── README.md                         # 본 파일
├── LICENSE                           # MIT 라이선스
│
├── references/                       # 참조 문서
│   ├── ai-writing-patterns.md        # AI 글쓰기 특징 상세 가이드
│   ├── chapter-1-introduction.md     # 제1장: 서론 글쓰기 가이드
│   ├── chapter-2-theory.md           # 제2장: 이론적 기초 글쓰기 가이드
│   ├── chapter-3-analysis.md         # 제3장: 현황 및 문제 분석 글쓰기 가이드
│   ├── chapter-4-solutions.md        # 제4장: 대안 제안 글쓰기 가이드
│   ├── chapter-5-conclusion.md       # 제5장: 결론 글쓰기 가이드
│   ├── format-standards.md           # 형식 규범
│   ├── strategy_ai_reduction.md      # AI 감지율 감소 전략 ⭐신규
│   ├── strategy_plagiarism.md        # 표절률 감소 전략 ⭐신규
│   └── strategy_polishing.md         # 학술 윤문 전략 ⭐신규
│
└── scripts/                          # 감지 스크립트
    ├── detect_ai_patterns.py         # 기본 규칙 감지
    ├── multi_detector.py             # 다방안 융합 감지기
    └── feedback_generator.py         # 피드백 생성기

---

🔧 고급 사용법

대화형 수정

python scripts/multi_detector.py your_text.txt --interactive

수정 계획 내보내기

python scripts/multi_detector.py your_text.txt --plan modification_plan.json

일괄 처리

# 여러 파일 처리
for file in *.txt; do
    python scripts/multi_detector.py "$file" --output "reports/${file%.txt}_report.md"
done

---

⚠️ 주의사항

1. 학술적 진실성: 재작성 시 학술적 진실성을 유지하고 데이터를 조작하지 않음; 모든 데이터는 실제 출처가 있어야 함 2. 데이터 검증: 불확실한 인용과 데이터는 사용자가 원시 자료를 검증할 것을 권장 3. 이론 적합성: 사용자가 구체적인 연구 문제에 적합한 이론 프레임워크를 선택할 것을 권장 4. 기업 승인: 기업 내부 데이터가 포함된 경우 기업의 서면 승인을 받거나 비식별화 처리 권장 5. 표절 통제: 재작성 후 표절 검사를 받아 복사율이 15% 미만인지 확인 권장 6. 개인화 조정: 재작성된 텍스트는 사용자가 구체적인 학교와 지도 교수의 요구사항에 따라 조정해야 함 7. 범위 제한: 본 도구는 AI 흔적 제거와 형식 규범에 집중하며, 학술적 내용의 심층 검토는 포함하지 않음 8. 참고문헌: 재작성은 참고문헌을 자동 생성하지 않으며, 사용자가 실제 인용에 따라 완전히 보충해야 함

---

🤝 기여 가이드

Issue와 Pull Request를 환영합니다!

Issue 제출

문제점을 명확히 설명
예시 텍스트 제공(비식별화 가능)
기대하는 동작 설명

Pull Request 제출

1. 본 저장소를 Fork 2. 특성 브랜치 생성 (git checkout -b feature/AmazingFeature) 3. 수정사항 커밋 (git commit -m 'Add some AmazingFeature') 4. 브랜치에 푸시 (git push origin feature/AmazingFeature) 5. Pull Request 열기

---

📝 변경 로그

v1.2.0 (2024-02-10)

📊 3차원 협동 최적화 전략 문서화: AI 감지율 감소, 표절률 감소, 학술 윤문 향상을 위한 전략 문서 추가
strategy_ai_reduction.md: AI 감지율 감소 전략
strategy_plagiarism.md: 표절률 감소 전략
strategy_polishing.md: 학술 윤문 전략
🌐 다국어 지원 개선: 한국어 README 완전 번역
🎓 전략 가이드 세분화: 각 최적화 차원에 대한 상세한 실행 가이드 제공

v1.1.0 (2024-02-05)

📚 장 문서 재구성: 장 규칙을 5개의 독립 파일로 분할
chapter-1-introduction.md: 서론 상세 가이드
chapter-2-theory.md: 이론적 기초 상세 가이드
chapter-3-analysis.md: 현황 및 문제 분석 상세 가이드
chapter-4-solutions.md: 대안 제안 상세 가이드
chapter-5-conclusion.md: 결론 상세 가이드
format-standards.md: 형식 규범 독립 문서
🎓 MBA 규범 세분화: MBA 논문 핵심 원칙 장 신규 추가
🎯 실무 지향 강화: 데이터 지원, 이론 적용 및 구체적 사례에 더욱 중점
📝 형식 규범 개선: 중영문 혼용, 차트, 인용 등 형식 표준 독립 정리
🏗️ 프로젝트 구조 최적화: 더 명확한 파일 구성 및 인덱스

v1.0.0 (2024-02-04)

✨ 초기 버전 출시
🎯 다차원 AI 특징 감지 지원
📚 장 특정 규칙 추가
🔧 자동 수정 기능 구현
🎓 Claude Skill 통합

---

📄 라이선스

본 프로젝트는 MIT 라이선스를 채택합니다 - 자세한 내용은 LICENSE 파일 참조

---

🙏 감사의 글

Claude Code의 Skill 프레임워크 제공에 감사드립니다
피드백과 제안을 제공한 모든 사용자에게 감사드립니다
특히 [Haimbeau1o/thesis-optimizer](https://github.com/Haimbeau1o/thesis-optimizer) 프로젝트에 감사드립니다. 본 프로젝트의 3차원 협동 최적화 전략(AI 감지율 감소, 표절률 감소, 학술 윤문 향상)은 해당 프로젝트의 우수한 설계를 참고하였습니다
Kimi CLI의 서브 에이전트 개발 지원에 감사드립니다

---

📮 연락처

GitHub Issues: https://github.com/stephenlzc/humanize-mba-text-skill/issues
작성자: stephenlzc

---

🔗 관련 프로젝트

thesis-optimizer - 학술 논문 지능형 최적화 시스템(컴퓨터 딥러닝 방향)

---

이 프로젝트가 도움이 되었다면 ⭐ Star를 눌러주세요!

Humanize MBA Text - 去除 AI 写作痕迹

专门针对中国 MBA 毕业论文的 AI 写作痕迹检测与去除工具

---

🎯 项目简介

这是一个专门为中国 MBA 毕业论文设计的 AI 写作痕迹检测与去除工具。基于 MBA 论文的学术规范和实践要求，通过多维度检测方法识别文本中的 AI 生成特征，并提供具体的修改建议，帮助你将 AI 生成的文本改写为自然、人类化的学术写作风格。

✨ 版本 1.1 新特性

📚 重构章节文档：将章节规则拆分为 5 个独立文件，更便于查找和使用
🎓 细化 MBA 规范：新增 MBA 论文核心原则和分章节写作指南
📝 完善格式规范：独立整理格式标准文档，覆盖中英文混排、图表、引用等
🎯 强化实践导向：更强调数据支撑、理论应用和具体案例分析

核心功能

✅ 多维度 AI 检测：结合规则匹配、统计分析和语言特征三种检测方法
✅ 章节特定规则：针对绪论、理论、分析、建议、结论 5 个章节的优化策略
✅ MBA 论文规范：符合中国高校 MBA 论文字数、结构、格式要求
✅ 自动修复：自动处理中英文混排空格等简单问题
✅ 智能反馈：生成详细的修改建议和前后对比示例
✅ Claude Skill 集成：可作为 Claude Code 的 Skill 直接使用

技术参考

本项目在优化策略设计上参考了 thesis-optimizer 项目的三维协同优化理念：

🔍 降AI检测率：句式多样化、语气自然化、逻辑人性化
📉 降查重率：深度语义改写、引用规范化、专业术语处理
✨ 学术润色：表达精准化、学术规范性、可读性优化

---

🎓 MBA 论文核心原则

本工具基于中国 MBA 论文的学术规范设计，遵循以下核心原则：

1. 实践导向

必须来源于企业管理实际，解决具体管理问题
避免纯理论空谈

2. 小题大做

选题聚焦明确，"小题深做"
核心概念不超过 2-3 个
避免选题过大、过于宽泛

3. 数据溯源

所有数据必须注明来源
确保准确性和可信度
删除"相关数据显示"等模糊表述

4. 理论支撑

运用 1-2 个相关理论作为分析框架
避免就事论事

5. 结构规范

正文字数 ≥ 3 万字
每章至少 4 节（含本章小结）
每节内容充实，避免一节不足一页

6. 学术诚信

复制率 < 15%
不编造数据，所有引用可核实

---

🚀 快速开始

安装

# 克隆仓库
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git
cd humanize-mba-text-skill

# 安装依赖（如需使用 transformers 模型）
pip install transformers torch

基础使用

1. 基础检测

# 使用基础规则检测
python scripts/detect_ai_patterns.py your_text.txt --format markdown --output report.md

2. 多维度融合检测（推荐）

# 使用多维度检测
python scripts/multi_detector.py your_text.txt --format markdown --output report.md --plan plan.json

3. 生成修改建议

# 基于检测结果生成反馈
python scripts/feedback_generator.py detection_result.json --text your_text.txt --output feedback.md

4. 应用自动修复

# 自动修复空格等简单问题
python scripts/feedback_generator.py detection_result.json --text your_text.txt --apply

作为 Claude Skill 使用

1. 将本仓库克隆到 Claude Code 的 skills 目录：

cd ~/.config/opencode/skills
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git

2. 在 Claude Code 中触发 Skill：

去 AI 痕迹：[粘贴你的文本]

或

帮我去除这段文字的 AI 写作痕迹

---

📊 检测维度

1. 规则匹配检测

识别以下 AI 写作特征：

AI 词汇：赋能、抓手、闭环、痛点、赛道等
模糊归因："有研究指出"、"专家认为"等
过度强调："关键"、"核心"、"至关重要"等
宏观叙事："时代"、"趋势"、"浪潮"等
表面分析："凸显了"、"反映了"等 -ing 结尾分析
套话结尾："综上所述"、"由此可见"等
连接词过多："首先...其次...最后"等
中英文混排空格："MBA 论文" → "MBA论文"

2. 统计分析检测

句子长度均匀度：AI 文本通常句子长度更均匀
词汇多样性：AI 文本词汇多样性较低
标点符号分布：分析标点使用模式
段落结构：检测段落长度分布

3. 语言特征检测

连接词密度：统计逻辑连接词使用频率
正式表达模式：识别过度正式的学术表达
句式复杂度：分析复杂句式使用情况

---

🎓 分章节写作指南

本工具提供针对 MBA 论文 5 个核心章节的详细写作指南：

第1章绪论

常见问题：

❌ 宏大叙事式开头："随着经济的发展..."
❌ 研究意义空泛："具有重要理论意义和实践价值"
❌ 文献综述罗列：A说、B说、C说
❌ 研究方法简单罗列

改进策略：

✅ 开门见山：直接点明研究企业、具体问题
✅ 意义具体：说明解决什么问题、带来什么价值
✅ 综述主题化：按主题组织，有批判性分析
✅ 方法具体：说明数据来源、样本、分析工具

📄 详细指南：chapter-1-introduction.md

第2章理论基础

常见问题：

❌ 教科书式定义堆砌
❌ 理论罗列：介绍5-6个理论
❌ 理论与实践脱节

改进策略：

✅ 简洁界定：2-3 个核心概念
✅ 精选理论：1-2 个核心理论，说明选择理由
✅ 应用导向：理论为后续分析提供框架

📄 详细指南：chapter-2-theory.md

第3章现状与问题分析

常见问题：

❌ 企业概况资料堆砌，与研究关联度低
❌ 现状描述定性为主，缺乏数据
❌ 问题识别笼统："管理不善"、"效率低下"
❌ 成因分析表面化：停留在现象描述

改进策略：

✅ 聚焦相关：只提供与研究相关的背景
✅ 数据说话：用具体指标和时间序列数据
✅ 问题具体：每个问题都有衡量指标和调研数据
✅ 深入挖掘：用理论框架分析根本原因

📄 详细指南：chapter-3-analysis.md

第4章对策建议

常见问题：

❌ 建议空泛："加强管理"、"优化流程"
❌ 缺乏可操作性
❌ 忽视约束条件
❌ 套用模板：SWOT 流于形式

改进策略：

✅ 具体可操作：明确做什么、怎么做、谁来做
✅ 分阶段实施：区分短期、中期、长期
✅ 考虑约束：分析资源、能力、文化限制
✅ 效果量化：预期效果尽可能量化

📄 详细指南：chapter-4-solutions.md

第5章结论

常见问题：

❌ 重复摘要内容
❌ 简单罗列各章内容
❌ 创新点空泛："首次研究"、"填补空白"
❌ 回避研究局限

改进策略：

✅ 研究发现：突出核心发现，不与摘要重复
✅ 创新具体：客观说明理论、方法、应用创新
✅ 诚实局限：具体分析局限和影响
✅ 未来展望：提出具体可行的研究方向

📄 详细指南：chapter-5-conclusion.md

---

📝 格式规范

独立的格式规范文档覆盖：

中英文/数字混排规范
图表编号与排版规范
引用与参考文献规范
数字与单位规范
标点符号规范
段落与层级规范

📄 详细规范：format-standards.md

---

📈 检测结果解读

检测报告包含以下维度：

AI 生成概率：0-100%，分数越高 AI 痕迹越明显
风险等级：🔴 高风险 / 🟡 中风险 / 🟢 低风险
检测器一致性：三种检测方法的结果一致性
优先修复项：按严重程度排序的修改建议
章节特定建议：根据检测到的章节类型提供针对性建议

修改策略

根据 AI 概率分数采取不同策略：

🔴 高风险 (>70%)：深度改写

全面重构段落结构
删除所有 AI 特征词汇
补充具体数据和案例
预计时间：2-3小时

🟡 中风险 (40-70%)：针对性优化

修复高优先级 AI 特征
调整套话和模板化表达
补充关键数据支撑
预计时间：1-2小时

🟢 低风险 (<40%)：细节润色

修复少量 AI 痕迹
优化语言表达
最终校对
预计时间：30分钟-1小时

---

💡 使用示例

示例 1：去除 AI 词汇

原文：

数字化转型已成为推动企业高质量发展的关键抓手，
通过赋能业务创新，为企业创造显著价值。

改写后：

本研究探讨数字化转型对企业绩效的影响。
通过分析XX公司2018-2023年的财务数据，
发现数字化投入与营业收入增长呈正相关关系。

示例 2：去除模糊归因

原文：

有研究指出，企业文化对组织绩效具有重要影响。

改写后：

Schein(2010)的研究表明，强势企业文化与组织绩效
存在正相关关系（r=0.42, p<0.05）。

示例 3：MBA 论文小题大做

原文：

企业数字化转型研究

改写后：

XX公司生产部门数字化转型中的流程优化研究

示例 4：数据溯源

原文：

企业营收增长20%，员工满意度为85%。

改写后：

根据XX公司2023年年报，企业营收同比增长20%。
根据2023年12月开展的问卷调查（N=120），员工满意度为85%。

示例 5：修复中英文混排空格

原文：

MBA 论文写作需要关注 AI 痕迹问题。
2023 年的研究表明，15 % 的企业存在此类问题。

改写后：

MBA论文写作需要关注AI痕迹问题。
2023年的研究表明，15%的企业存在此类问题。

---

📁 项目结构

humanize-mba-text-skill/
├── SKILL.md                          # Claude Skill 主文件
├── README.md                         # 本文件
├── LICENSE                           # MIT 许可证
│
├── references/                       # 参考文档
│   ├── ai-writing-patterns.md        # AI写作特征详细指南
│   ├── chapter-1-introduction.md     # 第1章：绪论写作指南
│   ├── chapter-2-theory.md           # 第2章：理论基础写作指南
│   ├── chapter-3-analysis.md         # 第3章：现状与问题分析写作指南
│   ├── chapter-4-solutions.md        # 第4章：对策建议写作指南
│   ├── chapter-5-conclusion.md       # 第5章：结论写作指南
│   ├── format-standards.md           # 格式规范
│   ├── strategy_ai_reduction.md      # 降AI检测率策略 ⭐新增
│   ├── strategy_plagiarism.md        # 降查重率策略 ⭐新增
│   └── strategy_polishing.md         # 学术润色策略 ⭐新增
│
└── scripts/                          # 检测脚本
    ├── detect_ai_patterns.py         # 基础规则检测
    ├── multi_detector.py             # 多方案融合检测器
    └── feedback_generator.py         # 反馈生成器

---

🔧 高级用法

交互式修改

python scripts/multi_detector.py your_text.txt --interactive

导出修改计划

python scripts/multi_detector.py your_text.txt --plan modification_plan.json

批量处理

# 处理多个文件
for file in *.txt; do
    python scripts/multi_detector.py "$file" --output "reports/${file%.txt}_report.md"
done

---

⚠️ 注意事项

1. 学术诚信：改写时保持学术诚信，不编造数据；所有数据必须有真实来源 2. 数据核实：对于不确定的引用和数据，建议用户核实原始资料 3. 理论适配：建议用户根据具体研究问题选择合适的理论框架 4. 企业授权：如涉及企业内部数据，建议获得企业书面授权或做脱敏处理 5. 查重控制：改写后建议进行查重，确保复制率 < 15% 6. 个性化调整：改写后的文本需用户根据具体学校和导师要求调整 7. 范围限制：本工具专注于去除 AI 痕迹和格式规范，不涉及学术内容深度审查 8. 参考文献：改写不自动生成参考文献，需用户根据实际引用补充完整

---

🤝 贡献指南

欢迎提交 Issue 和 Pull Request！

提交 Issue

描述清楚遇到的问题
提供示例文本（可脱敏）
说明期望的行为

提交 Pull Request

1. Fork 本仓库 2. 创建你的特性分支 (git checkout -b feature/AmazingFeature) 3. 提交你的修改 (git commit -m 'Add some AmazingFeature') 4. 推送到分支 (git push origin feature/AmazingFeature) 5. 打开一个 Pull Request

---

📝 更新日志

v1.1.0 (2024-02-05)

📚 重构章节文档：将章节规则拆分为 5 个独立文件
chapter-1-introduction.md：绪论详细指南
chapter-2-theory.md：理论基础详细指南
chapter-3-analysis.md：现状与问题分析详细指南
chapter-4-solutions.md：对策建议详细指南
chapter-5-conclusion.md：结论详细指南
format-standards.md：格式规范独立文档
🎓 细化 MBA 规范：新增 MBA 论文核心原则章节
🎯 强化实践导向：更强调数据支撑、理论应用和具体案例
📝 完善格式规范：独立整理格式标准，覆盖中英文混排、图表、引用等
🏗️ 优化项目结构：更清晰的文件组织和索引

v1.0.0 (2024-02-04)

✨ 初始版本发布
🎯 支持多维度 AI 特征检测
📚 添加章节特定规则
🔧 实现自动修复功能
🎓 集成 Claude Skill

---

📄 许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件

---

🙏 致谢

感谢 Claude Code 提供的 Skill 框架
感谢 Kimi CLI 提供的 Agent 并行执行工具
感谢所有提供反馈和建议的用户
特别感谢 [Haimbeau1o/thesis-optimizer](https://github.com/Haimbeau1o/thesis-optimizer) 项目，本项目的三维协同优化策略（降AI检测率、降查重率、学术润色提升）参考了该项目的优秀设计

---

📮 联系方式

GitHub Issues: https://github.com/stephenlzc/humanize-mba-text-skill/issues
作者：stephenlzc

---

🔗 相关项目

thesis-optimizer - 学术论文智能优化系统（计算机深度学习方向）

---

如果这个项目对你有帮助，请给个 ⭐ Star！

AI 写作特征识别指南

本文档详细列出 AI 生成文本的常见特征，用于指导去 AI 痕迹改写工作。

一、内容特征

1.1 过度强调重要性

表现: 用词浮夸，强调主题的代表性和贡献
示例: "丰田喜一郎是丰田汽车公司的创办人之一，也是把丰田从纺织业带进汽车产业的关键人物"
改写: 直接陈述事实，避免价值判断词汇

1.2 宏观趋势过度解读

表现: 将具体事物上升到宏观层面
示例: "将日本从'织布机国家'推向'汽车大国'的关键推手"
改写: 聚焦具体事实，避免宏大叙事

1.3 分析流于表面

表现: 以 -ing 结尾的肤浅分析
示例: "凸显了...的重要性"、"反映了...的趋势"
改写: 提供具体数据或实例支撑

1.4 模糊归因

表现: 将观点归于"专家"、"学者"等模糊主体
示例: "有专家指出..."、"研究表明..."
改写: 明确引用具体来源或删除此类表述

1.5 宣传性语言

表现: 使用广告式措辞
示例: "卓越的性能"、"显著的成效"
改写: 使用客观描述性词汇

二、结构特征

2.1 三段式法则

表现: 背景-现状-展望的僵化结构
改写: 根据内容需要灵活组织段落

2.2 过于简略的前景

表现: "尽管...有其意义，但面临挑战..."
改写: 具体问题具体分析，避免套话

2.3 列表式行文

表现: 滥用项目符号和编号
改写: 转化为连贯的段落文字

三、语言特征

3.1 连接性短语过多

高频词汇:
首先、其次、最后
此外、另外、与此同时
因此、所以、综上所述
值得注意的是、需要指出的是
改写: 减少连接词，使用更自然的过渡

3.2 否定式排比

表现: "不仅...而且..."、"既不是...也不是..."
改写: 直接陈述，避免复杂句式

3.3 破折号过度使用

表现: 频繁使用"——"进行解释或补充
改写: 使用括号或逗号，或拆分为独立句子

3.4 中英文/数字混用空格

基本原则：中文语境下，中英文、数字与中文之间不加空格。

常见错误场景

场景	❌ 错误示例	✅ 正确示例
英文缩写	MBA 论文、AI 写作	MBA论文、AI写作
英文单词	Python 语言	Python语言
数字+中文	15 % 的增长、5 个企业	15%的增长、5个企业
年份	2023 年、20 世纪	2023年、20世纪
百分比	提升了 20 %	提升了20%
货币	100 万元、50 美元	100万元、50美元
人名引用	Smith (2019)	Smith(2019)
编号	第 1 章、图 2-1	第1章、图2-1

例外情况

以下情况保留空格：

英文句子中的中文（如：This is a 中文 sentence）
代码中的注释（如：# 这是一个 comment）
特殊格式要求（如期刊投稿要求）

检测方法

使用正则表达式检测：

# 中文后接英文/数字有空格
pattern1 = r'[\u4e00-\u9fff]\s+[a-zA-Z0-9]'
# 英文/数字后接中文有空格  
pattern2 = r'[a-zA-Z0-9]\s+[\u4e00-\u9fff]'

3.5 AI 词汇

高频词汇:
赋能、抓手、闭环、落地
痛点、打法、赛道、生态
迭代、优化、协同、整合
改写: 使用传统学术词汇替代

四、引用特征

4.1 过度强调来源

表现: 对无争议事实也标注来源
改写: 常识性内容无需标注

4.2 虚构引用

表现: 引用不存在或错误的文献
改写: 核实所有引用，删除无法验证的内容

五、MBA 论文改写原则

5.1 风格要求

1. 客观性: 避免主观评价，用事实和数据说话 2. 具体性: 提供具体案例、数据支撑 3. 简洁性: 删除冗余修饰，保留核心信息 4. 专业性: 使用规范的学术用语

5.2 改写策略

1. 识别并删除 AI 特征词汇 2. 将列表转化为段落 3. 简化复杂句式 4. 补充具体细节 5. 调整段落结构，避免僵化模式

5.3 检查清单

[ ] 是否删除了浮夸的形容词
[ ] 是否避免了模糊归因
[ ] 是否减少了连接词使用
[ ] 是否提供了具体数据
[ ] 是否检查了引用准确性
[ ] 是否符合中文标点规范

六、改写示例

示例 1：过度强调

原文: 数字化转型已成为推动企业高质量发展的关键抓手，通过赋能业务创新，为企业创造显著价值。

改写: 本研究探讨数字化转型对企业绩效的影响。通过分析XX公司2018-2023年的财务数据，发现数字化投入与营业收入增长呈正相关关系。

示例 2：列表式行文

原文:

提升了运营效率
降低了管理成本
增强了市场竞争力

改写: 实施该方案后，企业运营效率提升15%，管理成本下降8%，市场份额从12%增长至18%。

示例 3：模糊归因

原文: 有研究指出，企业文化对组织绩效具有重要影响。

改写: Schein(2010)的研究表明，强势企业文化与组织绩效存在正相关关系（r=0.42, p<0.05）。

示例 4：连接词过多

原文: 首先，本文回顾了相关文献。其次，构建了理论模型。最后，进行了实证检验。

改写: 本文首先回顾相关文献，在此基础上构建理论模型，并通过实证数据检验研究假设。

七、注意事项

1. 保持原意: 改写时不改变原文的核心观点 2. 学术规范: 符合 MBA 论文的格式和引用要求 3. 逻辑连贯: 确保改写后的文本逻辑清晰 4. 语言自然: 读起来像人类作者的真实写作

第1章绪论 - 写作规范与去AI痕迹指南

1.1 研究背景

常见AI特征

宏大叙事式开头

特征: 从"随着经济的发展"、"在全球化背景下"等宏观层面切入
AI示例: "随着市场竞争日益激烈，企业面临诸多挑战"
改写策略: 直接点明具体企业、具体问题、研究必要性
改写示例: ❌"随着市场竞争日益激烈..." → ✅"XYZ公司作为广东省制造企业，2022-2023年市场份额从15%下降至10%"

背景堆砌

特征: 大量无关的行业背景、政策背景
改写策略: 筛选与研究问题直接相关的背景信息

改写原则

1. 开门见山: 首段即点明研究企业、核心问题 2. 数据支撑: 用具体数据说明问题的严重性 3. 聚焦具体: 避免行业全景式描述 4. 问题导向: 背景描述服务于问题提出

规范示例

❌ AI风格:

随着经济全球化和信息技术的快速发展，企业面临着前所未有的挑战。
在"互联网+"时代背景下，传统制造业正在经历深刻变革。
数字化转型已成为企业发展的必然趋势...

✅ 改写后:

XYZ公司成立于2005年，主营汽车零部件生产，2023年营收12亿元，员工800人。
然而，2021-2023年间，公司市场份额从18%降至12%，净利润率从8.5%降至4.2%。
与此同时，竞争对手A公司通过数字化改造，同期市场份额从15%提升至22%。
这一反差引发了对XYZ公司数字化转型策略的深入思考...

---

1.2 研究目的与意义

常见AI特征

价值判断堆砌

特征: "具有重要的理论意义和实践价值"、"丰富相关研究"
改写策略: 具体说明解决什么问题、带来什么价值

意义泛化

特征: 理论意义和实践意义写得过于宽泛，缺乏针对性
改写策略: 结合具体研究内容阐述意义

改写原则

1. 问题具体: 明确本研究要解决的具体管理问题 2. 价值量化: 预期效果尽可能量化 3. 针对性强: 意义阐述与研究内容紧密关联 4. 避免空话: 删除"重要"、"重大"等主观评价

规范示例

❌ AI风格:

本研究具有重要的理论意义和实践价值。理论方面，丰富了数字化转型理论研究。
实践方面，为企业数字化转型提供参考，促进行业发展。

✅ 改写后:

本研究旨在解决XYZ公司数字化转型中的组织变革问题，具体目标包括：
(1) 识别转型过程中的组织阻力来源；(2) 设计分阶段的变革方案；
(3) 评估方案可行性并提出实施建议。
预期通过优化组织架构和流程，将项目交付周期从45天缩短至30天，
员工对新系统的接受度从当前的58%提升至80%以上。

---

1.3 文献综述

常见AI特征

罗列式综述

特征: 简单罗列作者和观点，缺乏深度分析
AI示例: "Smith(2010)认为...，Johnson(2012)指出...，Lee(2015)强调..."
改写策略: 按主题或流派组织，比较不同观点的异同

缺乏批判性

特征: 只陈述不评价，没有指出研究局限
AI示例: "大量研究表明..."
改写策略: 指出各研究的方法局限、样本问题或结论差异

时间线堆砌

特征: 按时间顺序简单罗列，缺乏逻辑主线
改写策略: 按理论发展脉络或研究主题分类组织

改写原则

1. 主题化组织: 不按作者罗列，按研究主题分类 2. 比较分析: 对比不同研究的观点差异 3. 指出空白: 明确现有研究的不足和本研究的切入点 4. 逻辑递进: 从宏观到微观，或从理论到实证

参考文献要求

参考文献不少于50篇
外文文献≥1/3
近5年文献≥1/3，近2年文献应有涉及
期刊论文≥60%，专著≤20%
避免大量引用学位论文
不引用百度百科等网络资源

规范示例

❌ AI风格:

关于企业创新，Smith(2010)认为创新是企业发展的动力。Johnson(2012)指出创新需要组织支持。
Lee(2015)强调了领导力的作用。Wang(2018)研究了创新绩效的影响因素。

✅ 改写后:

企业创新研究主要从三个视角展开：资源基础观强调内部资源配置(Smith, 2010)，
组织支持理论关注制度环境(Johnson, 2012)，领导行为视角则聚焦高管特质(Lee, 2015)。
然而，现有研究多关注创新投入与产出的直接关系，对创新过程的动态机制探讨不足(Wang, 2018)。
本研究试图填补这一空白，从...视角分析...

---

1.4 研究方法

常见AI特征

方法名称罗列

特征: 简单列举"文献研究法、案例分析法、问卷调查法"
改写策略: 说明为什么选择该方法，如何应用

缺乏操作细节

特征: 只说用什么方法，不说怎么用
改写策略: 阐述数据来源、样本选择、分析工具

改写原则

1. 方法匹配: 研究方法与研究问题相匹配 2. 操作具体: 说明数据如何收集、如何分析 3. 样本清晰: 明确样本量、抽样方法、选择标准 4. 工具透明: 说明使用的分析工具或软件

规范示例

❌ AI风格:

本文采用文献研究法、问卷调查法和案例分析法进行研究。

✅ 改写后:

本研究综合运用以下方法：
(1) 文献研究：系统检索中国知网(CNKI)、Web of Science数据库2015-2023年的相关文献，
    筛选标准包括...
(2) 问卷调查：设计李克特5级量表，面向XYZ公司中层管理人员发放问卷120份，
    回收有效问卷108份，有效回收率90%。问卷信度检验Cronbach's α=0.87...
(3) 深度访谈：对5名高管进行半结构化访谈，每次访谈60-90分钟，
    访谈提纲包括...

---

1.5 本章小结

改写原则

1. 内容回顾: 简要回顾本章主要内容 2. 逻辑承启: 为下一章（理论基础）做好铺垫 3. 简洁凝练: 避免重复正文内容 4. 200-500字: 控制篇幅，不宜过长

检查清单

[ ] 研究背景聚焦具体企业问题，有数据支撑
[ ] 研究目的明确，预期效果可量化
[ ] 文献综述按主题组织，有批判性分析
[ ] 研究方法具体，操作步骤清晰
[ ] 无"重要"、"关键"等主观评价词汇
[ ] 无"随着...的发展"等宏观叙事
[ ] 中英文/数字间无多余空格

第2章理论基础 - 写作规范与去AI痕迹指南

2.1 核心概念界定

常见AI特征

教科书式定义

特征: 大段引用教科书或百度百科式的定义
AI示例: "根据XX的定义，战略管理是指..."
改写策略: 简洁界定核心概念，结合研究语境

概念过多

特征: 界定过多与研究关联度不高的概念
改写策略: 聚焦2-3个核心概念，与研究问题紧密相关

改写原则

1. 简洁界定: 用2-3句话清晰界定核心概念 2. 研究语境: 结合本研究的具体语境定义概念 3. 聚焦核心: 只界定与研究直接相关的概念 4. 避免堆砌: 不罗列多个相近概念

规范示例

❌ AI风格:

战略管理(Strategic Management)一词最早由Ansoff(1965)提出，
是指企业确定其使命，根据组织外部环境和内部条件设定企业的战略目标...
此后，Andrews(1971)、Porter(1980)、Mintzberg(1987)等学者从不同角度对战略管理进行了定义...

✅ 改写后:

本研究涉及两个核心概念：

(1) 数字化转型：指企业利用数字技术重塑业务模式、组织结构和企业文化的过程。
    在本研究中，特指制造业企业从传统生产向智能制造的转变过程。

(2) 组织变革：指组织在结构、流程、文化等方面进行的系统性调整。
    本研究聚焦于数字化转型背景下的组织架构重组和流程再造。

---

2.2 理论基础

常见AI特征

理论堆砌

特征: 罗列多个理论，缺乏与研究的关联
AI示例: 详细介绍5-6个理论，每个理论占很大篇幅
改写策略: 选择1-2个核心理论，说明为何选择、如何应用

理论与实践脱节

特征: 理论部分与后续案例分析完全脱节
改写策略: 理论与研究问题紧密结合，为后续分析奠定框架

教科书式阐述

特征: 像写教材一样详细介绍理论的发展历史
改写策略: 聚焦理论的核心观点和分析框架

改写原则

1. 精选理论: 选择1-2个最相关的理论作为分析框架 2. 说明理由: 解释为什么选择这些理论 3. 应用导向: 说明如何在后续分析中应用这些理论 4. 避免历史: 不追溯理论发展历史，聚焦核心内容 5. 建立框架: 用理论构建问题分析的理论框架图

规范示例

❌ AI风格:

资源基础观(Resource-Based View, RBV)由Barney(1991)系统提出。
其理论渊源可追溯到Penrose(1959)的企业成长理论...
Barney(1991)提出了VRIN框架，认为资源应具备价值性(Valuable)、
稀缺性(Rare)、难以模仿性(Inimitable)和不可替代性(Non-substitutable)...
此后，许多学者对RBV进行了扩展研究...

✅ 改写后:

本研究以资源基础观(RBV)为主要理论框架。该理论认为企业竞争优势来源于
其拥有的异质性资源(Barney, 1991)。在数字化转型背景下，企业的数字技术能力、
数据资产和数字化人才构成关键资源。

基于RBV，本研究构建如下分析框架：
- 识别XYZ公司现有的数字资源禀赋
- 评估这些资源是否符合VRIN特性
- 分析资源缺口及其对转型的制约
- 提出资源构建和能力培养路径

该理论为本研究提供了分析企业数字化能力的视角，帮助识别转型的关键资源要素。

---

2.3 理论框架构建

常见AI特征

框架图堆砌

特征: 复杂的理论模型图，与后续分析脱节
改写策略: 构建简洁实用的分析框架

缺乏操作性

特征: 理论框架过于抽象，无法指导后续分析
改写策略: 明确框架中各要素的测量或识别方法

改写原则

1. 简洁实用: 框架图清晰、要素明确 2. 操作性强: 每个要素都可以在实际中观察或测量 3. 逻辑清晰: 要素间关系明确 4. 紧扣问题: 框架直接服务于研究问题

规范示例

分析框架设计:

基于资源基础观和动态能力理论，构建本研究的理论分析框架：

                    ┌─────────────────────┐
                    │   数字化转型驱动    │
                    │  (外部压力+内部需求) │
                    └──────────┬──────────┘
                               │
                               ▼
        ┌──────────────────────┼──────────────────────┐
        │                      │                      │
        ▼                      ▼                      ▼
┌───────────────┐    ┌───────────────┐    ┌───────────────┐
│ 数字技术资源   │    │ 数字化人才     │    │ 数据资产      │
│ (硬件+软件)   │    │ (技能+意识)   │    │ (数据+平台)   │
└───────┬───────┘    └───────┬───────┘    └───────┬───────┘
        │                      │                      │
        └──────────────────────┼──────────────────────┘
                               │
                               ▼
                    ┌─────────────────────┐
                    │   数字化转型绩效    │
                    │  (效率+创新+竞争力)  │
                    └─────────────────────┘

该框架指导第3章的现状分析：识别XYZ公司在三类资源上的禀赋和缺口。

---

2.4 本章小结

改写原则

1. 概念回顾: 简要回顾界定的核心概念 2. 理论总结: 总结选择的理论及其应用价值 3. 承上启下: 说明理论框架如何指导后续分析 4. 简洁凝练: 200-500字

检查清单

[ ] 核心概念界定简洁，2-3个即可
[ ] 理论基础选择1-2个，与研究问题匹配
[ ] 说明理论选择的理由和应用方式
[ ] 构建了清晰的理论分析框架
[ ] 理论部分与后续分析逻辑连贯
[ ] 无教科书式历史追溯
[ ] 无大段理论定义堆砌

第3章现状与问题分析 - 写作规范与去AI痕迹指南

3.1 企业概况

常见AI特征

资料堆砌

特征: 大量罗列企业基本信息，与研究问题关联度低
AI示例: "公司成立于1990年，总部位于北京，员工5000人，年营收10亿元...

公司愿景是...，使命是...，价值观是..."

改写策略: 筛选与研究问题直接相关的背景信息

描述性语言

特征: 使用"优秀"、"领先"、"知名"等主观评价词汇
改写策略: 用客观数据描述企业地位和规模

改写原则

1. 聚焦相关: 只提供与研究问题相关的背景 2. 数据客观: 用数字和事实说话，避免主观评价 3. 简洁精练: 企业概况控制在500-800字 4. 脱敏处理: 涉及敏感信息时做适当脱敏

规范示例

❌ AI风格:

华为公司是全球领先的通信设备制造商，在5G、云计算、人工智能等领域处于世界前列。
公司成立于1987年，总部位于深圳，是全球知名的科技企业。
华为坚持"以客户为中心"的核心价值观，致力于把数字世界带入每个人、每个家庭、每个组织...

✅ 改写后:

华为技术有限公司(以下简称"华为")成立于1987年，注册地深圳市龙岗区。
2023年数据显示：员工总数约20.7万人，年营收7042亿元人民币，研发投入1647亿元
(占营收23.4%)(华为年报，2023)。

本研究聚焦华为消费者BG(业务集团)，该板块2023年营收2515亿元，占总营收35.7%。
研究对象为该板块中国区销售渠道管理体系，涉及经销商3000余家，直营店200余家。
选择该对象的理由：(1) 渠道管理问题是研究核心；(2) 作者2019-2023年任职于该部门，
具备数据收集条件；(3) 2021-2023年间渠道冲突问题凸显，具有研究价值。

---

3.2 现状描述

常见AI特征

定性描述为主

特征: "公司发展良好"、"取得显著成效"、"稳步增长"等模糊表述
改写策略: 用具体数据和指标描述现状

缺乏对比

特征: 只描述本企业情况，缺乏行业对比或历史对比
改写策略: 增加时间序列数据和行业对标

模板化结构

特征: 严格按照"发展历程-组织架构-业务范围-经营状况"四段式
改写策略: 根据研究需要灵活组织，突出关键信息

改写原则

1. 数据说话: 用具体指标替代模糊描述 2. 时间维度: 提供3-5年的历史数据，展示变化趋势 3. 对比分析: 与行业平均、竞争对手、历史同期对比 4. 问题导向: 现状描述服务于问题识别

规范示例

❌ AI风格:

公司近年来发展迅速，在行业内处于领先地位。公司非常重视渠道建设，
建立了完善的销售网络，取得了良好的业绩。公司产品质量优良，深受客户好评...

✅ 改写后:

(1) 渠道规模：2021-2023年，经销商数量从1850家增至3200家，增幅73%。
    但同期单店平均营收从350万元降至210万元，下降40%。

(2) 渠道结构：直营店占比从8%提升至15%，但直营店单店坪效(12万元/㎡)
    仍低于主要竞争对手A公司(18万元/㎡)和B公司(15万元/㎡)。

(3) 渠道冲突：2023年内部调研显示，32%的经销商反映存在串货问题，
    较2021年的18%显著上升。线上渠道与线下渠道价格差异率达15-25%，
    导致客户投诉率上升至月均120起。

(4) 渠道成本：渠道管理费用占营收比例从2021年的8.5%上升至2023年的11.2%，
    高于行业平均水平(9.0%)(中国电子信息产业发展研究院，2023)。

---

3.3 问题识别

常见AI特征

问题描述笼统

特征: "管理不善"、"效率低下"、"沟通不畅"等概括性表述
改写策略: 具体化问题表现，提供量化指标

缺乏数据支撑

特征: 凭主观判断指出问题，无调研数据支撑
改写策略: 基于问卷、访谈、财务数据识别问题

问题过多过散

特征: 列出8-10个问题，缺乏重点
改写策略: 聚焦2-3个核心问题，深入分析

改写原则

1. 具体可测: 每个问题都有明确的衡量指标 2. 数据支撑: 基于调研数据或客观指标识别问题 3. 聚焦核心: 识别2-3个最关键的问题 4. 问题分解: 将大问题分解为可分析的子问题

规范示例

❌ AI风格:

通过调研发现，公司存在以下问题：
1. 渠道管理混乱，经销商积极性不高
2. 线上线下冲突严重
3. 渠道成本居高不下
4. 渠道信息化水平低

✅ 改写后:

基于问卷调查(N=120)和深度访谈(N=15)，识别出三个核心问题：

问题一：渠道冲突导致经销商满意度下降
- 问卷数据显示，经销商整体满意度从2021年的4.2分(5分制)降至2023年的3.1分
- 主要不满集中在：价格体系混乱(68%受访者提及)、区域保护不力(52%)、
  促销支持不足(45%)
- 2023年经销商流失率达23%，较行业平均水平(12%)高出近一倍

问题二：渠道结构失衡影响市场覆盖效率
- 一二线城市渠道密度过高：深圳每万人拥有销售网点3.2个，高于合理密度(1.5个)
- 三四线城市覆盖不足：在目标城市中的覆盖率仅58%，低于A公司(82%)和B公司(75%)
- 直营与经销比例失调：直营店主要集中在一线城市，三四线城市完全依赖经销商

问题三：渠道协同机制缺失
- 线上线下库存不共享，缺货率达15%，而A公司通过全渠道库存共享将缺货率控制在5%以内
- 跨部门协调效率低：促销活动从策划到落地平均需45天，A公司仅需21天
- 信息系统孤岛：ERP、CRM、POS系统未打通，数据实时性差

---

3.4 成因分析

常见AI特征

表面化分析

特征: 停留在现象描述，未深入挖掘根本原因
AI示例: "原因是管理不到位、执行不严格、意识不够强"
改写策略: 运用理论框架深入分析，揭示深层机制

就事论事

特征: 缺乏理论指导，凭经验判断原因
改写策略: 用第2章的理论框架分析原因

原因罗列

特征: 简单罗列5-6条原因，缺乏逻辑关系
改写策略: 区分根本原因和表面原因，构建因果关系链

改写原则

1. 理论指导: 运用第2章的理论框架分析成因 2. 深入挖掘: 从表面现象深入到制度、文化、能力等深层原因 3. 因果链条: 构建清晰的因果关系链 4. 数据验证: 用访谈或数据验证原因判断

规范示例

❌ AI风格:

造成上述问题的原因是多方面的：
1. 管理层重视不够
2. 制度不健全
3. 执行不到位
4. 员工意识不强
5. 资源投入不足

✅ 改写后（运用资源基础观分析）:

基于资源基础观分析，渠道管理问题的根源在于资源配置失衡：

(1) 人力资源缺口：渠道管理人员配置不足
    - 现状：每100家经销商配备1名渠道经理，而A公司比例为1:60
    - 结果：渠道经理人均管理半径过大，难以提供有效支持
    - 深层原因：公司2019-2022年业务扩张期，重销售轻管理，渠道管理团队未同步扩充

(2) 技术资源滞后：数字化工具支撑不足
    - 现状：经销商管理系统(DMS)建于2015年，功能落后，与ERP系统未打通
    - 结果：库存数据实时性差，无法支撑精准决策
    - 深层原因：IT预算向产品研发倾斜(占IT总预算70%)，渠道数字化投入不足

(3) 制度资源缺陷：渠道政策缺乏系统性
    - 现状：价格政策、区域政策、促销政策由不同部门制定，缺乏统筹
    - 结果：政策间存在冲突，执行层面无所适从
    - 深层原因：组织架构中缺乏渠道管理的专职部门，职能分散在销售部、市场部、电商部

根本原因：公司战略重心从"产品导向"向"渠道导向"转型过程中，
组织能力(尤其是渠道管理能力)建设滞后于业务规模扩张。

---

3.5 本章小结

改写原则

1. 问题总结: 简要回顾识别的核心问题 2. 原因归纳: 总结根本原因 3. 承上启下: 为第4章的对策建议奠定基础 4. 简洁凝练: 300-600字

检查清单

[ ] 企业概况简洁，聚焦研究相关问题
[ ] 现状描述用数据说话，有时间序列和行业对比
[ ] 问题识别具体可测，有调研数据支撑
[ ] 聚焦2-3个核心问题，而非罗列大量问题
[ ] 成因分析运用理论框架，深入挖掘根本原因
[ ] 构建了清晰的因果关系链
[ ] 无"发展良好"、"显著成效"等模糊表述
[ ] 无"管理不善"、"意识不强"等笼统归因

Related skills

Lark MarkdownInstantly turn any markdown file into clean, formatted Lark/Figma-compatible documents without manual reformatting.488k

Lark DocCreate, read, update, summarize, rewrite and manage Feishu/Lark cloud documents directly from agent workflows.401k16.1k

Lark WikiCreate, organize, query, and manage documents, spaces, and members inside Lark (Feishu) knowledge bases directly from AI agent workflows.397k16.1k

Domain ModelingBuild and sharpen a project's domain model: pin down domain terminology in a glossary and record architectural decisions as ADRs.318k202k

Opensource Guide CoachGet expert, attribution-safe guidance on launching and sustaining an open-source project.270k71

Readme I18nMaintain consistent, updatable language selector blocks across every README variant in a multilingual repository.270k71

Documentationcontent

About

Humanize Mba Text by the numbers

Add your badge

What it does

Files

去除 AI 写作痕迹 - MBA 论文风格优化

任务目标

核心原则

识别与改写策略

1. 内容层面改写

1.1 去除过度强调

1.2 避免宏观叙事与空洞表述

1.3 消除表面分析与套话

1.4 删除模糊归因与无主引用

1.5 避免MBA论文常见套话

1.6 强化数据支撑

1.7 聚焦具体问题（小题大做原则）

1.8 标注数据来源

1.9 理论与实践的融合

1.10 避免MBA论文常见禁区

2. 结构层面改写

2.1 打破三段式结构

2.2 转化列表为段落

2.3 删除套话式结尾

3. 语言层面改写

3.1 减少连接词

3.2 简化复杂句式

3.3 规范标点使用

3.4 替换 AI 词汇

4. 引用层面检查

4.1 核实引用准确性

4.2 优化引用方式

三维协同优化策略

维度1: 降低AI检测率

维度2: 降低查重率

维度3: 学术润色提升

改写流程（三维协同版）

输出要求

MBA论文改写检查清单

内容质量检查

AI痕迹检查

结构规范检查

格式规范检查

MBA论文章节特定改写规则

第1章 绪论改写要点

1.1 研究背景

1.2 研究目的与意义

1.3 文献综述

1.4 研究方法

第2章 理论基础改写要点

第3章 现状与问题分析改写要点

3.1 企业概况

3.2 现状描述

3.3 问题识别

3.4 成因分析

第4章 对策建议改写要点

第5章 结论改写要点

格式规范检查

自动化检测与反馈工作流

多方案融合检测

完整检测-修改工作流

使用方法

1. 基础检测

2. 生成修改建议

3. 应用自动修复

4. 交互式修改

评估标准

定量指标

定性指标

检测结果解读

修改策略

快速修复 vs 深度改写

注意事项

参考文档

三维优化策略

AI写作特征

分章节写作规范

格式规范

Humanize MBA Text - Remove AI Writing Traces

🎯 Project Introduction

第1章绪论改写要点

第2章理论基础改写要点

第3章现状与问题分析改写要点

第4章对策建议改写要点

第5章结论改写要点