Forschungsantrag mit KI schreiben: echter Test und nötige Prüfung

Forschungsanträge sind ein naheliegender Ort, um einen ersten Entwurf mit KI zu schreiben, und ein riskanter Ort, um dort aufzuhören. Wir haben eine KI-entworfene Projektzusammenfassung für einen Agrarforschungsantrag durch Humanizer v2 laufen lassen. Beim Entwurf stimmten alle fünf Detektormodelle für KI. Bei der Ausgabe stimmten alle fünf für menschlich, und jeder Satz wurde als menschlich eingestuft.

Nach Detektorzahlen ist das das sauberste Ergebnis unserer Fallstudienreihe. Gleichzeitig ging eine Projektlaufzeit verloren, ein Wort kam hinzu, dem Gutachter misstrauen, und eine der Ergebnisgrößen der Studie änderte sich. Dieser Beitrag zeigt alles davon, denn der Prüfschritt entscheidet, ob die Zusammenfassung einreichungsreif ist.

Der Entwurf und der Durchlauf

Die Zusammenfassung folgt dem üblichen Bogen: das Problem, das Ziel, die Partner, das Studiendesign, ein qualitativer Strang, die Ergebnisse, die Wirkung. Sie hat das Vokabular von tausend bewilligten Anträgen: „mounting challenges“, „interconnected challenges“, „rigorously assess“, „has the potential to significantly enhance“. Alle sieben Sätze wurden markiert.

1. Suche nach KI-SignalenSieben von sieben Sätzen markiert; alle fünf Modelle stimmten für KI.
2. Umschreiben markierter SätzeAlle sieben Sätze wurden umgeschrieben.
3. Erneute Prüfung mit KI-DetektorenSieben von sieben Sätzen gelten als menschlich; alle fünf Modelle stimmen für menschlich.
4. Speichern des Ergebnisses1.352 Zeichen bei 500 Zeichen pro Credit, aufgerundet: 3 Credits.

• KI-entworfene Antragszusammenfassung5 von 5
• Ausgabe von Humanizer v20 von 5

Quelle: Produktivdurchlauf mit Humanizer v2. Das Urteil im Bericht wechselte von KI-generiert zu menschlich geschrieben.

The climate change scenario is also changing the agricultural environment in semi-arid regions and smallholder farmers are facing increasing uncertainties related to rainfall variability, soil quality degradation, and lack of effective information. To counteract this situation, this research aims to develop and evaluate an innovative low-cost SMS-based advisory service which provides localized planting and fertilization advice for farmers in two districts of northern Ghana. We will collaborate with 1,200 households, local extension officers and a regional meteorological agency to co-develop our advisory content and deliver it. We will perform a cluster randomized controlled trial to measure the effect of our approach on maize yield, inputs used, and food security. We will also conduct qualitative interviews with farmers to better understand their trust in digital advice and the barriers to adopting it, especially those specifically targeted towards women farmers. The project aims to produce a validated advisory model, open source data sets, and policy briefs for national agricultural agencies. This project should strengthen the resilience and livelihoods of smallholder farmers and offer valuable lessons that can be applied by other digital agriculture initiatives in sub-Saharan Africa.

Echte Ausgabe aus unserem Testdurchlauf. Alle sieben Sätze gelten als menschlich.

Liest man diese Ausgabe einmal, klingt sie gut. Liest man sie neben dem Entwurf, nicht mehr.

Der Prüfschritt: was verloren ging und was hinzukam

Hier sind die beiden Sätze, die die Zusagen des Projekts tragen: was gebaut wird, mit wem und wie lange.

Vorher

This project aims to address these interconnected challenges by developing and evaluating a low-cost, SMS-based advisory system that delivers localized planting and fertilization recommendations to farmers in two districts of northern Ghana. Over a three-year period, we will partner with 1,200 households, local extension officers, and a regional meteorological agency to co-design the advisory content and delivery schedule.

Nachher

To counteract this situation, this research aims to develop and evaluate an innovative low-cost SMS-based advisory service which provides localized planting and fertilization advice for farmers in two districts of northern Ghana. We will collaborate with 1,200 households, local extension officers and a regional meteorological agency to co-develop our advisory content and deliver it.

Drei Probleme in zwei Sätzen:

• Die dreijährige Laufzeit ist verschwunden. „Over a three-year period“ fiel komplett weg. In einer Antragszusammenfassung ist der Zeitrahmen eine zentrale Zusage, die Gutachter mit Budget und Arbeitsplan abgleichen. Er muss wieder hinein.
• „Innovative“ kam hinzu. Der Entwurf nannte das System nicht innovativ; die Umformulierung tat es, ohne Beleg. Unbelegte Neuheitsbehauptungen sind ein häufiger Kritikpunkt von Gutachtern, und diese stammt nicht vom Autor.
• Der Umfang der gemeinsamen Gestaltung schrumpfte. Die Partner sollten Inhalte und Versandplan gemeinsam gestalten (co-design). Jetzt entwickeln sie Inhalte mit (co-develop), und das Projekt „delivers it“ einfach. Den Zeitpunkt gemeinsam mit Landwirten festzulegen ist eine echte methodische Entscheidung, und sie ist verschwunden.

Die 1.200 Haushalte, die zwei Distrikte und Nordghana sind erhalten geblieben. Ebenso die Kernidee eines SMS-Beratungsdienstes. Der Schaden liegt in den Details, die Gutachter bewerten.

Die anderen fünf Sätze

Der Rest der Ausgabe braucht dieselbe paarweise Lektüre. Das haben wir gefunden:

• Problemstellung. Die Umformulierung beginnt mit „The climate change scenario“, einer Rahmung, die der Entwurf nie verwendete, und aus „limited access to timely agronomic information“ wurde „lack of effective information“. Gerade die Zeitnähe war der Sinn eines SMS-Dienstes.
• Ergebnisgrößen der Studie. Aus „input use efficiency“ wurde „inputs used“. Das sind verschiedene Maße: das eine ist ein Verhältnis von Ertrag zu Einsatz, das andere eine Menge. „Household food security“ verlor „household“, also die Ebene, auf der sie gemessen würde.
• Gender-Fokus. Aus „with particular attention to women farmers“ wurde „especially those specifically targeted towards women farmers“, was nun besagt, dass die Hindernisse auf Frauen zielen. Das ist eine andere und unbelegte Behauptung.
• Ergebnisse. Aus „open-access datasets“ wurde „open source data sets“. Open Access betrifft, wer die Daten lesen kann; Open Source beschreibt in der Regel Softwarelizenzen.
• Wirkung. Aus „has the potential to significantly enhance“ wurde „should strengthen“, und aus „across sub-Saharan Africa“ wurde „in sub-Saharan Africa“. Die erste Änderung ist im Ton wohl eine Verbesserung; lesen Sie sie trotzdem als Zusage, die Sie gegenüber einem Geldgeber machen.

Die Einzelheiten wiederherstellen

Keine dieser Korrekturen erfordert, den Durchlauf rückgängig zu machen. Jede ist eine Änderung auf Wortgruppenebene in einem Satz, der jetzt menschlich wirkt. Ein Autor könnte den Partnerschaftssatz zum Beispiel so wiederherstellen (unsere eigene Bearbeitung, keine Ausgabe des Humanizer):

Over three years, we will collaborate with 1,200 households, local extension officers and a regional meteorological agency to co-design our advisory content and its delivery schedule.

Dann „innovative“ streichen, „input use efficiency“ und „household food security“ wieder einsetzen, den Teilsatz zu den Landwirtinnen neu schreiben und „open source data sets“ in „open-access datasets“ ändern. Prüfen Sie den Text nach Handbearbeitungen erneut. Wiederhergestellte Formulierungen können einen Teil dessen zurückbringen, worauf Detektoren reagiert haben, und der Bericht zeigt Ihnen, ob das so ist; Sie können dann nur diese Passagen erneut humanisieren und das neue Satzpaar prüfen. Unser Leitfaden, wie Sie KI-Text von Hand menschlich machen, behandelt genau diese Art von Änderung auf Formulierungsebene.

Prüfen Sie vor der Einreichung die aktuellen Regeln Ihres Geldgebers zur KI-Nutzung in Anträgen. Mehrere Förderer veröffentlichen sie inzwischen, und sie unterscheiden sich darin, was erlaubt ist und was offengelegt werden muss.

Warum wir die Schwächen veröffentlicht haben

Es wäre einfach gewesen, das Balkendiagramm zu zeigen und aufzuhören: fünf KI-Stimmen auf null. Doch eine Antragszusammenfassung ist eine Reihe von Zusagen, und ein Humanizer, dessen Text menschlich wirkt, während er stillschweigend eine dreijährige Zusage streicht, hat seine Aufgabe allein nicht erledigt. Das Detektorergebnis und die Bedeutungsprüfung sind zwei getrennte Tests, und eine Zusammenfassung muss beide bestehen.

Academic Humanizer ist so gestaltet, dass der zweite Test schnell geht. Der AI Detection Report stellt jeden markierten Satz seiner Umformulierung gegenüber, sodass eine Prüfung wie die obige Minuten dauert und keine komplette Neulektüre erfordert. Unser Leitfaden zum Erhalt der Bedeutung beim Humanisieren listet auf, worauf Sie achten sollten, und der verantwortungsvolle Überarbeitungsablauf zeigt, wo diese Prüfung hingehört, bevor ein Antrag hinausgeht.