一句话立场：去 AI 味的正路，不是把机器稿「洗」成能过检测的假人稿，而是把思考、证据和判断真正写回你自己的学术声音里。检测分数会跟着下降，那是结果，不该是目标。
2023 年以后，学术写作同时撞上两件事：
两边都不完全靠谱。检测器给出的是统计相似度，不是「是否作弊」的判决；网上大量「72% 暴跌到 2%」的教程，本质是教人对抗检测，顺带贩卖工具。真正被导师、审稿人闻出来的，往往不是某个百分比，而是：
本文件把公开可核验的原理、政策和可落地的改写方法收在一起，并明确一条边界：
| 正当 | 不正当 |
|---|---|
| 用 AI 辅助检索、提纲、语法、对照自己的旧稿改口吻 | 让 AI 代写核心论证，再用改写器/回译/OCR 去痕后当原创提交 |
| 把套话改成有证据的具体句子 | 故意插入假实验失误、假 forthcoming 文献、随机噪声来骗检测 |
| 按规定披露使用了什么工具、用在哪一段 | 把「过了 AI 率」当成学术诚信已完成 |
Grok 视角的核心判断：AI 味是写作问题，检测是风险管理工具。把后者当主业，论文会越改越差；把前者当主业，检测分数通常会跟着下来，而且稿子对得起署名。
大语言模型的训练目标是「给定上文，预测下一个最可能的词」。这会系统性地偏向：
中文还有一层额外的味：翻译腔。当前主流模型的内部表征仍以英文分析性句法为骨架，生成中文时经常出现「他给了我一个微笑」而不是「他朝我笑了笑」这一类合法但不自然的结构。读者闻到的「AI 中文」，很多时候就是民国以来被骂了一百年的翻译腔，只是现在被批量生产。
下面这些单独出现都不定罪。人类学者也用「综上所述」，也写排比。问题是密度 + 同时出现 + 没有具体内容。
| 类型 | 典型句 |
|---|---|
| 时代背景开场 | 「随着……的快速发展 / In recent years, … has attracted increasing attention」 |
| 重要性空评 | 「具有重要的理论意义与现实意义 / paves the way for a transformative paradigm」 |
| 预告结构 | 「本文将从三个方面展开论述。首先……其次……最后……」 |
| 安全结尾 | 「未来需扩大样本量进一步验证 / This study has several limitations that should be addressed in future work」 |
中文高频：「首先 / 其次 / 此外 / 与此同时 / 值得注意的是 / 不可否认 / 综上所述 / 基于以上分析」。
英文高频：Moreover, Furthermore, Additionally, It is important to note that, In conclusion, Notably。
这些词本身合法。AI 的问题是几乎每个段落都用它们起势，读者还没读完就已经知道下一句不会有新信息。
英文里被反复点名的词：delve, underscore, tapestry, landscape（比喻义）, leverage, foster, navigate, holistic, pivotal, multifaceted, robust, cutting-edge, paradigm shift, to the best of our knowledge。Pangram 等检测公司公开过频率：部分「AI 短语」在模型文本中可达人类的约 12 倍。
中文对应物不是单词，而是评价性四字格和抽象动词：至关重要、不可或缺、深入剖析、系统梳理、全面提升、赋能、助力、彰显、亟待、日益凸显。
It's not just about efficiency — it's about unlocking a new paradigm.）。| AI 草稿常见 | 人写的学术文本更常见 | |
|---|---|---|
| 句长 | 15–25 字（中）/ 18–25 词（英）附近扎堆 | 短句砸重点，长句铺条件 |
| 主语 | 连续「我们……我们……本研究……」或全程抽象主语（「该问题」） | 主语随论证需要切换 |
| 信息 | 一句一个正确的空话 | 一句里塞条件、例外、数字、文献 |
| 立场 | 「各有优劣，视情况而定」 | 在限定条件下给出可反驳的判断 |
中文学术惯例里，下面这些经常被「降 AI」教程误伤：
英文里同样：we find that、robustness checks、limitations、被动语态的方法段、谨慎的 hedging（may, suggests, is consistent with）都是学术 register，不是套话。
原则：只清「正确但空洞」的模板，不动学科里大家真的这么写的骨架。 改完像外行，比留着一点套话更糟。
传统查重（Turnitin Similarity、知网「复写率」）是字符串/语义片段匹配：你的句子像不像已发表的句子。
AIGC 检测是风格分类：这段散文像不像大模型会写出来的散文。一篇可以 0% 查重、80% AI；也可以高查重、低 AI（大量引用）。两套分数不要混着看。
公开可复述的信号大致有四层：
没有一家会把完整特征工程公开。下面只写厂商自己承认或专利/白皮书写过的东西，商业博客里的「准确率 98.6%」一律当广告。
依据 Turnitin 白皮书与官方 FAQ（2023–2026）：
独立研究里，Turnitin 在部分基准上表现相对好，但仍是概率工具。把它当测谎仪，是误用。
知网官方表述是：以知网结构化文献大数据为基础，用「知识增强 AIGC 检测」，从语言模式和语义逻辑两条链路识别疑似生成片段。公开专利与媒体梳理出的流程更具体：
高校实践中（媒体 2025–2026 毕业季报道，非国家标准）：
这些数字是学校行政门槛，不是「超过就是代写」的科学阈值。同一篇稿在知网、维普、万方、格子达、朱雀上的分数可以差一截，因为训练数据和阈值不同。
期刊侧实测更冷静。有研究用知网和鉴字源去测 ChatGPT 生成的法学摘要及「AI 改写」摘要，结论是检测系统存在低准确度、高差异率、弱敏感性，只适合当辅助分流，不能当定性依据。医学摘要的横向评估也发现：对「纯生成」还行，对「AI 润色人类草稿」误判和漏判都突出。
| 工具 | 公开可知的要点 | 使用时注意 |
|---|---|---|
| GPTZero | 早期靠 perplexity + burstiness；2023 秋改深度学习。官方：perplexity 没有绝对刻度，>85 更像人只是旧经验。 | 适合自检风格，不适合当法庭证据 |
| 维普 / 万方 / PaperPass | 国内学位论文常用备选或并行；特征词 + 语义分类，阈值各异 | 用学校指定的那一家做终检，别拿 A 平台分数去赌 B 平台 |
| Copyleaks / Originality.ai | 面向出版/SEO/企业，多语言能力强于早期 GPTZero | 假阳性随语言和体裁变化 |
| 各类「降 AI 神器」 | 多数是换皮改写器 | Turnitin 已明确打击 bypasser；知网对「同义替换后语义骨架不变」也不吃这一套 |
斯坦福 Liang 等人 2023 年在 Patterns 上的结果至今仍被广泛引用：7 个公开 GPT 检测器对美国八年级作文近乎全对，对 TOEFL 非母语作文的平均假阳性约 61%；91 篇里 18 篇被全部检测器同时判成 AI。机制很直白——词汇窄、句式标准、可预测性高，看起来就像模型。
因此：
对策（合法的那种）：把检测报告当「哪些段落读起来像模板」的地图，而不是成绩单。优先改被标红、且你自己读着也空的段落。保留你的数据、术语、引用。不要为了分数把稿子改得不像你的学科。
下面这套流程同时服务三件事：稿件质量、学术伦理、降低被标红的概率。
你的研究笔记 / 实验结果 / 文献卡片
│
▼
① 自己写骨架：问题、贡献、证据、限制（必须人写）
│
▼
② 可选：AI 做检索摘要、语法、对照旧稿改口吻
│ （锁死数字、引用、术语，禁止发明细节）
▼
③ 人工重写：注入你真正做过的事、你真正不同意的文献、你真正没想明白的地方
│
▼
④ 按期刊/学校要求写 AI 使用声明（该披露就披露）
│
▼
⑤ 用学校指定平台自检 → 只处理「空 + 像模板」的标红段
│
▼
⑥ 导师/合作者通读：像不像你、证据有没有被改强五条硬约束（改写时贴在屏幕上）：
要做的：
不要做的：
替换原则不是「换成更高级的词」，而是换成你的学科里会说、且有所指的词。
| 空的（AI 爱用） | 更像人的学术说法 |
|---|---|
| 具有重要意义 / pivotal / crucial | 直接写对谁、在哪个指标上、差多少 |
| 深入剖析 / delve into | 检验 / 估计 / 比较 / 复现 |
| 赋能、助力、全面提升 | 提高了哪一项、在什么样本上 |
| leverage / foster / navigate | use, support, deal with；或写具体操作 |
| 相关研究表明 | Zhang (2022) 在 n=… 的样本中报告… |
| 综上所述 | 能删就删；要留就接一句新信息，不要复读 |
中文再加一条：动词优先，去名词化。
AI 喜欢先宣布地图再走路。人往往边走边让层次出现。
段落长度也不要切得一样齐。短—长—中，比五段式更像思考过程。
过渡词是路标。路标太多，说明路面本身没有起伏。
| 弱衔接 | 强衔接 |
|---|---|
| 此外，该方法还有一个优点。 | 上一段的误差来自标签噪声；这一点在下一组实验里被单独拆开。 |
| However, there are limitations. | The 95% CI for the rural subsample crosses zero (Table 4), so the average effect cannot be read as uniform. |
| 值得注意的是 | 直接写那个现象。能删掉这五个字而句意不变，就删。 |
可以用的「人味」衔接（学术里适量）：让步（「当然，这一指标并不能完全衡量……」）、主动暴露文献冲突、用问题句收束上一段再回答。这些是正面证据，不是装饰。
we。不要为了「客观」改成全程「该研究认为」。检测器和审稿人都会盯摘要、引言、结论。建议顺序：
下列例句全部是教学用改写，数字是虚构的演示，投稿时请换成你的真数据。重点看改了什么、没改什么。
AI 味重
近年来，随着人工智能技术的快速发展，深度学习在图像识别领域取得了显著进展，并在医疗、交通、安防等多个场景中得到了广泛应用。然而，现有方法仍面临诸多挑战。因此，如何构建更加高效、鲁棒且可解释的模型，具有重要的理论意义与现实意义。本文将从理论基础、实践应用和未来展望三个维度展开深入探讨。
人工润色后
医院外的肺结节筛查仍然主要依赖二维 CT 切片上的人工阅片。三维卷积能吃到层间信息，但现有公开数据集里标注一致的三维病灶不到 4 千例，直接上大模型会过拟合到扫描仪品牌。本文不讨论「通用视觉基础模型」，只比较在同一批 1 210 例薄层 CT 上，二维切片网络和两种三维网络的召回率差在哪里、差多少。
改了什么：删时代背景和三维度预告；把「广泛应用」换成具体场景；贡献可检验。
AI 味重
为了提升模型效果，我们进行了很多操作。首先，我们通过清洗数据来优化输入。其次，我们增加了特征工程。最终，这些方法让测试集上的准确率提升了 5%。
人工润色后
原始表有 12.4% 的缺失工资。我们按岗位×年份中位数填补，并丢掉工龄为负的 37 行。特征上只加了两列：本省最低工资对数，以及岗位在样本内的人数占比。测试集准确率从 0.71 升到 0.76；升幅几乎全部来自低收入组，高收入组没有变化。
改了什么：碎句合并；「很多操作」变成可复现步骤；5% 被放回基数和异质性里。
AI 味重
国内外学者围绕这一问题开展了广泛研究。Smith（2018）提出了 A 理论。李某（2020）从实证角度进行了验证。王某（2022）则进一步拓展了应用场景。综上所述，现有研究为本文奠定了坚实基础，但仍存在一定不足。
人工润色后
这一支文献其实在吵两件事。Smith（2018）把技术采纳写成个体理性选择，所以政策含义是「降低使用成本」。李某（2020）用中国地级市数据复现了符号，但识别靠的是宽带试点，吃不到组织内部的惯例改写。王某（2022）把因变量换成了数字化投入，问题已经不是采纳，是预算。本文站在第二支：关心的是岗位被改写之后，工资结构有没有跟着动。
改了什么：展览变成争论；「坚实基础」删掉；本文位置清楚。
AI 味重
实验结果表明，所提出的方法在各项指标上均优于基线模型，充分证明了本方法的有效性与优越性。与此同时，本研究也存在一定局限性，未来将进一步扩大样本量并探索更多应用场景。
人工润色后
主结果只在城市样本成立：处理组对数工资提高 0.046（s.e. 0.011）。农村子样本的 95% 置信区间穿过 0（表 4），所以平均效应不能写成「全面提升」。我们没有随机实验，只能说在平行趋势假设下与宽带试点一致。把结论推到全县数字化政策，证据不够。
改了什么：动词从「证明优越」降到证据允许的强度；局限具体到识别和样本，不是客套。
AI 味重
该政策的实施对区域协调发展产生了积极的推动作用，并在一定程度上实现了资源配置效率的提升。
人工润色后
试点后，劳动力从低生产率县转向邻近工业县，县域间劳均产出差距缩小了约 8%。这更像要素在动，而不是每个县自己「升级」了。
AI 味重
In recent years, artificial intelligence has attracted increasing attention and achieved remarkable success. However, existing methods still face crucial challenges. In this paper, we propose a novel framework that leverages cutting-edge techniques to delve into these intricate problems, paving the way for a transformative paradigm that will revolutionize the field.
人工润色后
Continual learning systems still forget. We treat forgetting as a measurable trade-off between adaptation speed and retention on three control tasks, and we report the Pareto front rather than a single accuracy number. On Split-CIFAR-100, the proposed regularizer cuts average forgetting from 27.4% to 18.1% without a replay buffer. We do not claim a new learning paradigm.
改了什么：删 delve / leverage / paving the way / revolutionize；贡献变成可证伪的数字；主动降调。
AI 味重
Deep learning models require large amounts of data. Data quality directly affects model performance. Therefore, data preprocessing is of vital importance. Moreover, feature engineering also plays a pivotal role. Furthermore, hyperparameter tuning is essential.
人工润色后
The model is only as good as the labels. We spent more time on the 6.3% of frames with disagreeing annotators than on architecture search: dropping them raised validation mAP by 4.1 points, while an extra day of hyperparameter sweep added 0.6. Preprocessing here means that decision, not a generic pipeline.
AI 味重
Previous studies have shown that Method A is effective. It is important to note that Method A also has limitations. Overall, more research is needed to fully understand this complex and multifaceted issue.
人工润色后
Method A looks clean on i.i.d. splits. When we retrained it on the authors' public checkpoint with a 15% label-flip on the minority class, balanced accuracy fell from 0.84 to 0.61 — larger than the drop they report in Table 5. The method is therefore brittle to the noise pattern our hospital data actually has.
AI 味重（假谦虚）
To the best of our knowledge, this is the first study to comprehensively explore this interesting and important topic from a holistic perspective.
人工润色后（真限定）
We are not aware of a prior estimate of this elasticity on Chinese customs data after 2018. The result is an association under the stated shift-share instrument; we do not interpret it as a structural parameter.
AI 味重
近年来，随着数字经济的快速发展，其重要性日益凸显。本文基于 2011—2021 年中国地级市面板数据，使用双重差分模型实证检验了宽带试点对制造业就业的影响。需要注意的是，为确保研究结论的可靠性，本文还进行了稳健性测试。研究结果表明，该政策具有显著的正向促进效应，对推动高质量发展具有重要意义。
人工润色后
本文基于 2011—2021 年中国地级市面板数据，使用双重差分模型实证检验了宽带试点对制造业就业的影响。需要注意的是，为确保研究结论的可靠性，本文进行了稳健性测试。平均处理效应为 3.2%（聚类到市），且集中在资本密集型行业；劳动密集型行业的估计接近 0。把这一结果写成「推动高质量发展」，超出了识别所能支撑的范围。
改了什么：删「近年来……日益凸显」和空评价；结论骨架、「需要注意的是」、稳健性句全部保留——那是学科写法，不是 AI 味。
综合中文学术改写实践（含公开的中文学术 humanizer 规则），常见病灶是：
| 翻译腔 | 更自然的中文 |
|---|---|
| 给出了一个微笑 | 笑了笑 |
| 是重要的 | 很重要 / 要紧的是…… |
| 进行了一次实验 | 做了实验 / 跑了…… |
| 在……的过程中 | 往往可删 |
| 使得……得以被…… | 让……被…… / 直接写结果 |
| 一个更加鲁棒的方法 | 对……噪声不那么敏感的方法 |
| 基于此 | 所以 / 由此 / 接下来 |
不是所有欧化句法都要杀。统计、法律、哲学里有些长定语是功能需要。标准仍是：读出声，像不像你会在讨论班上说的话。
2026 年 5 月，教育部学位管理与研究生教育司委托中国学位与研究生教育学会发布《规范研究生学位论文与实践成果中人工智能工具使用指南》，治理重点从「依赖有争议的技术检测」转向透明披露与留痕：工具名称、版本、用途、环节、验证过程写进「人工智能使用声明」，答辩可质询。学位申请人是第一责任人，核心论点和创新必须自己完成。
科技部《负责任研究行为规范指引（2023）》更早划过红线：不得用生成式 AI 直接生成申报材料；不得把 AI 列为共同完成人；不得直接使用未经核实的 AI 参考文献；使用了要标注生成过程。
按公开词表（Wikipedia Signs of AI writing、学术编辑经验、检测公司频率统计）压缩成实操名单：
立刻考虑删或换
delve into, underscore, rich tapestry, landscape（比喻）, leverage, foster, navigate（比喻）, holistic, paradigm shift, paving the way, to the best of our knowledge, In recent years, extensive experiments demonstrate
单独可用、成簇就可疑
robust, seamless, cutting-edge, innovative, comprehensive, pivotal, nuanced, compelling, transformative, intricate, moreover / furthermore / additionally 段首连用
结构
not only X but Y 且 Y 更空；检测器对「语法正确、词汇偏标准」的非母语文本假阳性偏高（Liang et al., 2023）。于是出现荒谬循环：为了不像 AI 去堆罕见词，或为了像 native 去让 ChatGPT「enhance word choice」——后者有时能降低旧检测器误判，却可能把稿子送进「像模型」的另一边，并触发新的 paraphrase/bypasser 模型。
务实建议：
审稿人更常抓：
把精力放在这些上面，比把 Turnitin 百分比从 18 改到 7 更值。
| 通常可接受（仍以目标期刊为准） | 灰色，先查政策再做 | 不能 |
|---|---|---|
| 语法、拼写、格式、把你写好的句子改通顺 | 让模型根据你的要点扩写成段落 | 代写论文、代写基金本子 |
| 文献检索、翻译你读过的摘要（你必须核对原文） | 用模型帮忙写代码再由你验证 | 伪造数据、图、实验 |
| 根据你的结果草拟「可能的解释」供你否定 | 生成示意图 | 把未发表稿丢进公开聊天机器人（泄密、版权） |
| 按出版社定义的 AI-assisted copy editing | 生成文献综述初稿 | 把 AI 列为作者；使用未核对的假参考文献 |
| 用 humanizer/bypasser 故意规避检测后当原创 |
Springer Nature 把 AI-assisted copy editing 定义为：对人类已写成的文本做可读性、语法、拼写、标点和语气修改，可含措辞和格式调整，不含自主生成内容。这一类他们允许不披露，但作者仍对终稿负责。IEEE 更偏保守，建议连语言润色也写进 Acknowledgements。以你投稿的那本期刊的当期政策为准，不要用「Nature 说 copy editing 不用披露」去投 IEEE。
问自己三个问题，三个都「是」才能交：
有一个「否」，先补工作，再改句子。
政策更新很快。下表是 2025–2026 公开文本的压缩版，投稿前打开期刊官网再核一次。
| 机构 | AI 当作者 | 披露 | 语言润色 | 生成图像 | 审稿人 |
|---|---|---|---|---|---|
| COPE (2023) | 否 | Methods 或等同位置，写清工具与用法 | 建议透明 | 使用了要披露 | 对稿件负责的是人 |
| ICMJE | 否 | 封面信 + 稿件；人对其内容负责 | 实质性使用要披露 | 视为 AI 辅助技术 | 人负责 |
| Springer Nature / Nature Portfolio | 否 | 生成文本写入 Methods / Acknowledgements | copy editing 可不披露 | 原则上禁止（窄例外须标注） | 禁止把稿件上传到生成式工具 |
| Elsevier | 否 | 参考文献前单独声明；2025 政策更细 | 查当期期刊 | 禁止生成图 | 保密 |
| IEEE | 否 | Acknowledgements：系统名 + 哪些章节 + 使用程度 | 建议披露 | 图、表、代码、公式凡生成均披露 | 保密 |
| Science / AAAS | 否 | 封面信 + Acknowledgements；早期要求更严，部分情形要提示词 | 查当期 | 无编辑许可禁止 | 保密 |
| APA Journals | 否 | Methods 中披露并按软件格式引用；可要求提交对话记录 | 查政策 | 按期刊 | 不得把投稿内容喂给 AI |
| ACM | 否 | Acknowledgements，披露程度应匹配生成比例 | 允许但须披露 | 披露 | 查会议政策 |
| Wiley / T&F / SAGE / OUP / Cambridge | 否 | Methods 或 Acknowledgements | 各家对「仅语法」宽严不同 | 多数限制生成图 | 禁止上传稿件 |
PNAS 2026 年一项大样本：约 70% 期刊已有 AI 政策（以要求披露为主），但 2023 年后抽检的数万篇论文里主动披露率极低（有分析给出约 0.1% 量级）。政策在纸上，习惯还没跟上。这不是「可以不说」的理由，是「说了反而更像负责任作者」的窗口。
| 文件 | 要点 |
|---|---|
| 科技部《负责任研究行为规范指引（2023）》 | 不得用生成式 AI 直接生成申报材料；AI 不得列为完成人；AI 生成关键内容须标注过程；不得直接使用未核实的 AI 参考文献 |
| 中科院科研道德委员会《关于在科研活动中规范使用人工智能技术的诚信提醒》（2024-09） | 透明、规范、负责任；强调误用滥用风险 |
| 《学术出版中的 AIGC 使用边界指南 2.0》（2024-09） | 出版界披露模板：工具、目的、时间、提示词 |
| 中国学位与研究生教育学会《规范研究生学位论文与实践成果中人工智能工具使用指南》（2026-05-14，教育部学位司委托） | 诚信 / 科学 / 安全使用；核心创新必须申请人完成；主动出具 AI 使用声明；答辩可设质询；治理从「唯检测」转向「披露 + 留痕」 |
| 复旦大学本科毕业论文 AI 工具规定（试行，2024-11） | 国内较早的专门文件，含「六个禁止」，禁用范围曾包括研究设计、数据分析、论文撰写乃至润色翻译，引发过公开讨论；以学校最新文本为准 |
| 人大、川大等校级通知（2025 毕业季报道） | 不得用 AI 直接生成毕业论文；川大曾设文科 20%、理工医 15% 的 AIGC 占比上限 |
学校之间差异巨大：有的禁润色，有的只禁代写；有的卡 15%，有的还没把 AI 率写入细则。交稿前读本院通知，不要用邻校的红线。
写声明时避免两种假：假的「完全未使用」（日志还在），和假的轻描淡写（其实整章是生成的）。
误区 1：AI 率 = 学术不端。
不是。它是风格分类器输出。高分值得解释，低分也不能证明思考是你的。
误区 2：同义词 / 调语序 / 中英回译能过新检测。
知网看语义骨架和写作模式；Turnitin 已对 paraphrase 和 bypasser 单独建模。回译还会引入事实错误。
误区 3：改得越狠越安全。
用另一个模型「深度重构」整章，只是把指纹换成新模型的指纹，并可能改掉术语和数字。
误区 4：插入口语、表情、假失误来「拟人」。
学术稿被改成「说白了挺有意思的」是灾难。假的溶血样本、假的 forthcoming DOI，属于伪造。
误区 5：图表、公式、OCR、手写公式照片是盲区，可以往里藏正文。
即使某次检测没扫图，审稿人和答辩会扫。把论证藏进图里，是对自己不负责。
误区 6：AIGC 率越低越好。
过度洗稿会导致文风断裂，「不像作者」。导师比检测器更难骗。
误区 7：Wikipedia / 自媒体黑名单要全部避。
见一次 moreover 或一次破折号就判死刑，会伤害正常学术英语，也会误伤「总而言之」这类中文惯例。
误区 8：商业「降 AI」广告里的百分点可以信。
「72% 到 2%，知网亲测」无法独立复现，且激励结构就是卖字数。本文件不推荐任何一家降痕产品。
按需删改。方括号是占位符。
**人工智能使用声明**
本文的研究设计、数据分析、文字撰写与图表制作均由作者独立完成，
未使用生成式人工智能工具生成正文、数据或图像。
作者对文中全部内容的准确性与原创性负责。**AI use**
We used [ChatGPT / Claude / …], model [gpt-x / …], on [dates], solely to
correct grammar and improve clarity of text that we had already written.
No section was generated de novo. All numbers, citations, and claims were
checked against our analysis logs. The authors take full responsibility
for the final manuscript.**人工智能使用声明**
作者在学位论文撰写过程中使用了 [工具全称]（版本 [x.x]，官方地址 [URL]）。
| 环节 | 用途 | 作者如何核验 |
| --- | --- | --- |
| 文献检索 | 根据关键词整理候选篇目 | 逐篇打开原文，未采用模型生成的参考文献 |
| 第 3 章部分段落 | 在作者提纲上改写通顺 | 对照实验记录核对全部数字与符号 |
| 代码注释 | 解释已有脚本 | 作者重跑脚本，结果与文中表 2–4 一致 |
未使用该工具进行数据造假、图像生成或代写核心论点。
核心研究问题、识别策略与结论解释由作者提出并完成。**Use of large language models**
An LLM ([name, version]) was used to copy-edit the Introduction and Discussion
for grammar and readability. The authors reviewed every edit and take
responsibility for the text. No LLM was used to generate analyses, figures,
or references.（若按 Springer Nature 对 copy editing 的定义，这一段可以不出现；若你做了比 copy editing 更多的事，必须出现。）
只在你已经有自己的段落之后使用。目标是改口吻，不是扩写新发现。
请改写下面这段学术中文，遵守全部约束：
硬性约束（违反任何一条即失败）：
1. 不得改动任何数字、单位、变量名、p 值、样本量、年份、文献作者与年份。
2. 不得增加原文没有的实验细节、引用、数据或因果断言。
3. 不得把「相关 / 一致 / 显示」升级成「证明 / 导致 / 显著优于」。
4. 保留全部术语和符号。
5. 删除无信息套话（近年来、随着……快速发展、具有重要意义、首先其次最后），
但保留学科惯例骨架（如「本文基于……面板数据……」）。
6. 拉开句长：至少出现一句短句（≤15 字）和一句带条件的长句。
7. 输出：改写正文 + 三行「未改动的事实清单」。
待改文本：
【粘贴】英文版把第 5 条换成：
5. Delete empty openers (In recent years, to the best of our knowledge) and
stock verbs (delve, underscore, leverage, pave the way). Keep hedging that
is tied to evidence (may, consistent with, in this sample).不要使用这类指令：「把 AIGC 率降到 5% 以下」「加入我实验中的小挫折（恒温箱设高了 5℃）」——后者是教模型造假。
各类「降 AI 神器」软文、无法复现的百分点广告、教人 OCR/插入假失误/伪造 forthcoming 文献的攻略。它们描述的是对抗检测市场，不是学术写作。
检测器在进化：从困惑度，到分类器，再到专门抓改写器和 humanizer。模型也在进化：输出会越来越不像 2023 年的「delve into a rich tapestry」。词表会失效，有没有思考不会。
所以这份总结故意把「对策」写成写作课，而不是黑客课：
过检测只说明你的文本不像当前的平均模型输出。过答辩、过审稿，才说明那是你的研究。后者才是署名的理由。
文档版本：2026-09-07 · 基于公开中英文资料的综述，政策请以各机构最新文本为准。