KI-Abstract humanisieren: Vorher-Nachher, Zeile für Zeile geprüft

Lässt sich ein KI-entworfenes Abstract humanisieren, ohne es zu beschädigen? Meist ja, wenn Sie danach jeden Befund prüfen. Wir haben ein KI-entworfenes Abstract aus dem Bereich Public Health durch Humanizer v2 laufen lassen und alles festgehalten: die Detektorstimmen, die Urteile Satz für Satz und die exakte Ausgabe. Beim Entwurf stimmten alle fünf Detektormodelle für KI. Bei der Ausgabe stimmten vier von fünf für menschlich, und das Urteil im Bericht wechselte von KI-generiert zu menschlich geschrieben.

Das ist die Schlagzeile. Nützlicher ist, was eine sorgfältige Autorin vor der Einreichung noch korrigieren muss, denn die Umformulierung behielt jede Zahl, veränderte aber die Bedeutung eines Befunds und zerbrach die Grammatik eines anderen.

Der Entwurf: sieben Sätze, sieben Markierungen

Das Abstract folgt der Schablone, die die meisten KI-Tools auf Anfrage liefern: eine Bedrohungsaussage, das Ziel, die Daten, das Hauptergebnis, ein Nebenergebnis, eine Schlussfolgerung und ein Satz zum Beitrag der Arbeit. Es liest sich flüssig. Es stützt sich aber auch auf Standardfloskeln wie „pose a significant and growing threat“, „underscore the critical importance“ und „contributes valuable insights to the growing body of literature“.

Die Detektoren waren sich einig. Jeder der sieben Sätze wurde als KI markiert, und alle fünf Modelle stimmten für den Gesamttext auf KI. Das Urteil im Bericht lautete KI-generiert.

• KI-entworfenes Abstract5 von 5
• Ausgabe von Humanizer v21 von 5

Quelle: Produktivdurchlauf mit Humanizer v2. Fünf unabhängige Detektormodelle, die jeweils eine Stimme für den Gesamttext abgeben.

Was die Pipeline tat

Humanizer v2 schreibt nur die Sätze um, die Detektoren markieren. Hier waren das alle, daher war dieser Durchlauf faktisch eine vollständige Umformulierung. Er dauerte etwa 13 Sekunden.

1. Suche nach KI-SignalenAlle sieben Sätze wurden markiert, und alle fünf Modelle stimmten für KI.
2. Umschreiben markierter SätzeSieben von sieben Sätzen wurden umgeschrieben, weil keiner als menschlich galt.
3. Erneute Prüfung mit KI-DetektorenSechs Sätze gelten jetzt als menschlich, einer ist unentschieden, und vier von fünf Modellen stimmen für menschlich.
4. Speichern des Ergebnisses1.344 Zeichen bei 500 Zeichen pro Credit, aufgerundet: 3 Credits.

Beim Hauptmaß des Berichts stieg der Anteil der als menschlich eingestuften Sätze von 0 von 7 auf 6 von 7, also etwa 86 %. Der siebte Satz ist nicht markiert, aber auch nicht entlastet. Darauf kommen wir unten zurück.

Haben die Zahlen überlebt?

Ja. Das ist das Erste, was Sie bei jedem humanisierten Abstract prüfen sollten, daher haben wir jede Angabe mit dem Entwurf verglichen:

• 214 Zählbezirke (census tracts) sind noch da.
• 38 % sind noch da und vergleichen weiterhin das unterste und oberste Quartil der Grünflächen.
• 2015 bis 2022 hat überlebt, jetzt als „2015–2022“ geschrieben.
• Drei mittelgroße Städte und die drei Adjustierungsvariablen (Einkommen, Altersstruktur, gesundheitlicher Ausgangszustand) sind intakt.

Zahlen sind der einfache Teil. Das Risiko einer Umformulierung steckt in den Wörtern um sie herum: wer was mit wem tat und wie stark.

Wo sich die Bedeutung verschoben hat

Zwei Sätze brauchen echte Aufmerksamkeit. Der erste ist das Hauptergebnis. Der zweite ist das Nebenergebnis, und dort liegt das ernstere Problem.

Vorher

Our findings reveal that tracts in the lowest quartile of green space coverage experienced 38% more heat-related emergency visits than those in the highest quartile, even after adjusting for income, age structure, and baseline health status. Furthermore, the protective association of green space was most pronounced during multi-day heat waves, suggesting a cumulative cooling effect.

Nachher

We found that tracts in the bottom quartile of green space were visited by 38% more times due to heat stress than the top quartile even after controlling for income, age structure and baseline health status. Moreover, the positive associations between green space use and heat exposure were greatest in the context of prolonged heatwaves.

Im Hauptergebnis stimmt die Zahl, aber der Satz ist kaputt. „Were visited by 38% more times“ ist ungrammatisch, und aus „heat-related emergency visits“ wurde „due to heat stress“, womit die Ergebnisgröße wegfällt, die die Studie tatsächlich gemessen hat.

Das Nebenergebnis änderte seine Bedeutung auf drei Arten zugleich:

• Aus „protective“ wurde „positive“. Ein schützender Zusammenhang bedeutet: mehr Grünflächen, weniger Notaufnahmebesuche. Ein „positiver Zusammenhang“ mit Hitzeexposition liest sich eher als das Gegenteil.
• Die Variablen änderten sich. Die Studie verknüpfte den Grünflächenanteil mit Notaufnahmebesuchen. Die Umformulierung spricht von „green space use and heat exposure“, und die Nutzung hat die Studie nie gemessen.
• Die Deutung verschwand. „Suggesting a cumulative cooling effect“ ist weg. Das kann in Ordnung sein, wenn Sie die Aussage für zu stark halten, sollte aber Ihre Entscheidung sein und kein Nebeneffekt.

Auch kleinere Verschiebungen verdienen einen Blick. Aus „relationship“ wurde „correlation“, was enger ist als ein adjustierter Quartilsvergleich. Aus „green infrastructure“ wurde „green spaces“, wodurch Straßenbäume und Gründächer herausfallen. Aus „hospital administrative records“ wurde „hospital-level administrative information“, was nach auf Krankenhausebene aggregierten Daten klingt. Und der Schlusssatz bietet nun „policy makers a source of action“, wo der Entwurf „actionable evidence“ sagte.

Der Satz, der weiterhin unentschieden ist

So hat die erneute Prüfung die Ausgabe Satz für Satz eingestuft.

Urban heat islands are an increasing public health challenge, especially to the elderly and patients with chronic diseases. In this study, we investigate the correlation between green space coverage at the neighborhood level and heat-related emergency department visits in three mid-sized cities during the years 2015–2022. We obtained a comprehensive dataset containing 214 census tracts by integrating land surface temperature derived from satellite images with municipal data on tree canopies and hospital-level administrative information. We found that tracts in the bottom quartile of green space were visited by 38% more times due to heat stress than the top quartile even after controlling for income, age structure and baseline health status. Moreover, the positive associations between green space use and heat exposure were greatest in the context of prolonged heatwaves. This study emphasizes the need for incorporating green spaces in urban planning and climate change adaptation strategies. Overall, our research provides valuable information to the expanding literature on environmental determinants of health, offering policy makers a source of action to mitigate the health impacts of increasing temperatures.

Echte Ausgabe aus unserem Testdurchlauf. Grün: als menschlich eingestuft. Bernstein: unentschieden, wobei die Stimme auf Satzebene noch zu KI tendiert.

Der Datensatz ist der Ausreißer. Er enthält noch „comprehensive dataset“, eine Wendung, die in maschinell geschriebenen Zusammenfassungen ständig auftaucht, und packt drei Datenquellen in einen langen Teilsatz. Eines von fünf Modellen stimmte für die gesamte Ausgabe außerdem weiterhin auf KI.

Der Bericht zeigt das, statt es zu verbergen, und Sie können eine Passage erneut durchlaufen lassen. Hier würde allerdings eine kurze Handbearbeitung das Detektorproblem und das „hospital-level“-Problem zugleich lösen. Eine Möglichkeit, von uns zur Veranschaulichung formuliert: „We linked satellite land surface temperature data, municipal tree canopy inventories and hospital administrative records for 214 census tracts.“ Jeden Satz, den Sie von Hand bearbeiten, sollten Sie erneut prüfen, bevor Sie sich darauf verlassen.

Was die Autorin vor der Verwendung dieses Abstracts prüfen sollte

1. Im Nebenergebnis „protective“ und die richtigen Variablen (green space coverage, heat-related emergency department visits) wiederherstellen. Bewusst entscheiden, ob „cumulative cooling effect“ bleibt.
2. Den Satz zum Hauptergebnis so umschreiben, dass er grammatisch korrekt ist und wieder die Notaufnahmebesuche nennt. Die 38 % exakt beibehalten.
3. Zwischen „relationship“ und „correlation“ danach wählen, welche Analyse Sie tatsächlich durchgeführt haben.
4. „Green infrastructure“ wieder einsetzen, wenn Ihr Artikel diesen Begriff verwendet.
5. Den Datensatz von Hand korrigieren oder erneut durchlaufen lassen, dann erneut prüfen.
6. Den Schlusssatz laut lesen. „Valuable information“ und „a source of action“ sind genau die vagen Formulierungen, die Gutachtern auffallen.
7. Die KI-Richtlinie Ihrer Zielzeitschrift prüfen, auch ob KI-Unterstützung offengelegt werden muss.

Nichts davon ist ungewöhnlich. Ein Abstract verdichtet einen ganzen Artikel auf wenige Sätze, daher trägt jedes Verb Gewicht, und ein Umschreibwerkzeug weiß nicht, welche Verben Ihre Gutachter genau prüfen werden. Eine umfassendere Checkliste finden Sie unter Bedeutung und Quellen beim Humanisieren erhalten; wie Urteile pro Satz funktionieren, lesen Sie unter KI-Erkennung auf Satzebene. Für die übrigen Abschnitte einer Arbeit lesen Sie unseren Leitfaden Abschnitt für Abschnitt zu wissenschaftlichen Arbeiten und KI-Erkennung.

Was dieser Durchlauf über das Humanisieren eines Abstracts aussagt

Das Detektorergebnis war stark: von fünf KI-Stimmen auf eine und von keinem als menschlich eingestuften Satz auf sechs von sieben. Das Bedeutungsergebnis war gemischt: Jede Zahl blieb erhalten, die meisten Sätze behielten ihren Sinn, und ein Befund wurde so stark verzerrt, dass ein Gutachter es bemerken würde. Beides gehört in jede ehrliche Beschreibung dessen, was ein Humanizer leistet.

Deshalb stellt Academic Humanizer im AI Detection Report jeden markierten Satz seiner Umformulierung gegenüber. Das Tool kümmert sich um die Formulierungen, auf die Detektoren reagieren, und Sie verwenden Ihre Prüfzeit auf die Handvoll Sätze, die sich geändert haben. Wenn Sie ein mit KI-Hilfe entworfenes Abstract haben, lassen Sie es durchlaufen und lesen Sie die Satzpaare dann mit der Sorgfalt, die Sie den Änderungen einer Koautorin widmen würden.