How to Humanize an AI Abstract: असली पहले और बाद, जाँच के साथ

क्या AI से ड्राफ़्ट किए abstract को बिगाड़े बिना humanize किया जा सकता है? ज़्यादातर हाँ, अगर बाद में आप हर नतीजा जाँचें। हमने AI से लिखा एक सार्वजनिक स्वास्थ्य abstract लिया, उसे Humanizer v2 से चलाया, और पूरा रिकॉर्ड रखा: डिटेक्टर वोट, वाक्य-दर-वाक्य फ़ैसले और सटीक आउटपुट। ड्राफ़्ट पर पाँचों डिटेक्टर models ने AI को वोट दिया। आउटपुट पर पाँच में से चार ने इंसानी को वोट दिया, और रिपोर्ट का वर्डिक्ट AI-generated से Human-written हो गया।

यह मुख्य बात है। ज़्यादा काम का हिस्सा यह है कि सावधान लेखक को जमा करने से पहले अब भी क्या सुधारना है, क्योंकि rewrite ने हर संख्या तो बचाई लेकिन एक निष्कर्ष का अर्थ बदल दिया और दूसरे का व्याकरण तोड़ दिया।

ड्राफ़्ट: सात वाक्य, सात फ़्लैग

Abstract उसी टेम्पलेट पर चलता है जो ज़्यादातर AI टूल माँगने पर बनाते हैं: ख़तरे का कथन, लक्ष्य, डेटा, मुख्य नतीजा, एक द्वितीयक नतीजा, एक निहितार्थ और योगदान की एक लाइन। यह आसानी से पढ़ा जाता है। यह "pose a significant and growing threat", "underscore the critical importance" और "contributes valuable insights to the growing body of literature" जैसे घिसे-पिटे वाक्यांशों पर भी टिका है।

डिटेक्टर सहमत थे। सातों वाक्यों में से हर एक AI के रूप में फ़्लैग हुआ, और पूरे टेक्स्ट पर पाँचों models ने AI को वोट दिया। रिपोर्ट का वर्डिक्ट AI-generated था।

• AI से लिखा abstract5 में से 5
• Humanizer v2 आउटपुट5 में से 1

स्रोत: Humanizer v2 प्रोडक्शन रन। पाँच स्वतंत्र डिटेक्टर models, हर एक पूरे टेक्स्ट पर एक वोट देता है।

Pipeline ने क्या किया

Humanizer v2 सिर्फ़ उन वाक्यों को दोबारा लिखता है जिन्हें डिटेक्टर फ़्लैग करते हैं। यहाँ इसका मतलब था सभी वाक्य, इसलिए यह रन असल में पूरा rewrite था। इसमें लगभग 13 सेकंड लगे।

1. AI संकेतों की स्कैनिंगसातों वाक्य फ़्लैग हुए, और पाँचों models ने AI को वोट दिया।
2. फ़्लैग हुए वाक्यों को दोबारा लिखनासात में से सात वाक्य दोबारा लिखे गए, क्योंकि कोई भी इंसानी नहीं माना गया था।
3. AI डिटेक्टर से दोबारा जाँचअब छह वाक्य इंसानी माने गए, एक अनिर्णायक है, और पाँच में से चार models इंसानी को वोट देते हैं।
4. आपका परिणाम सेव करना1,344 अक्षर, 500 अक्षर प्रति क्रेडिट, ऊपर राउंड: 3 क्रेडिट।

रिपोर्ट के मुख्य पैमाने पर, इंसानी माने गए वाक्यों का हिस्सा 7 में से 0 से बढ़कर 7 में से 6 हो गया, लगभग 86%। सातवाँ वाक्य फ़्लैग नहीं है, लेकिन साफ़ भी नहीं है। हम नीचे उस पर लौटेंगे।

क्या संख्याएँ बचीं?

हाँ। किसी भी humanize किए गए abstract में सबसे पहले यही जाँचना चाहिए, इसलिए हमने हर तथ्य को ड्राफ़्ट से मिलाया:

• 214 census tracts अब भी है।
• 38% अब भी है, और अब भी green space के सबसे निचले और सबसे ऊँचे quartiles की तुलना करता है।
• 2015 से 2022 बचा रहा, अब "2015–2022" के रूप में लिखा गया।
• तीन मध्यम आकार के शहर और तीनों adjustment variables (आय, आयु संरचना, baseline स्वास्थ्य स्थिति) बरकरार हैं।

संख्याएँ आसान हिस्सा हैं। Rewrite का जोखिम उनके आसपास के शब्दों में होता है: किसने क्या किया, किसके साथ, और कितनी मज़बूती से।

अर्थ कहाँ खिसका

दो वाक्यों पर असली ध्यान चाहिए। पहला मुख्य नतीजा है। दूसरा द्वितीयक नतीजा है, और वह ज़्यादा गंभीर समस्या है।

पहले

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.

बाद में

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.

मुख्य नतीजे में संख्या सही है लेकिन वाक्य टूटा हुआ है। "Were visited by 38% more times" व्याकरण की दृष्टि से गलत है, और "heat-related emergency visits" बन गया है "due to heat stress", जिससे वह outcome ही गायब हो गया जिसे अध्ययन ने असल में मापा।

द्वितीयक नतीजे का अर्थ एक साथ तीन तरह से बदला:

• "Protective" बन गया "positive"। Protective association का मतलब है ज़्यादा green space, कम visits। Heat exposure के साथ "positive association" पढ़ने में, अगर कुछ है, तो उल्टा लगता है।
• Variables बदल गए। अध्ययन ने green space coverage को emergency visits से जोड़ा था। Rewrite "green space use and heat exposure" की बात करता है, और अध्ययन ने use को कभी मापा ही नहीं।
• व्याख्या गायब हो गई। "Suggesting a cumulative cooling effect" हट गया। अगर आपको लगता है कि दावा बहुत मज़बूत था तो यह ठीक हो सकता है, लेकिन यह आपका फ़ैसला होना चाहिए, कोई साइड इफ़ेक्ट नहीं।

छोटे बदलाव भी देखने लायक हैं। "Relationship" बन गया "correlation", जो adjusted quartile तुलना से संकरा है। "Green infrastructure" बन गया "green spaces", जिससे सड़क किनारे के पेड़ और green roofs छूट जाते हैं। "Hospital administrative records" बन गया "hospital-level administrative information", जो अस्पताल के स्तर पर जोड़े गए डेटा का संकेत देता है। और आख़िरी लाइन अब "policy makers a source of action" देती है, जबकि ड्राफ़्ट में "actionable evidence" था।

वह वाक्य जो अब भी अनिर्णायक है

दोबारा जाँच ने आउटपुट को वाक्य-दर-वाक्य ऐसे पढ़ा।

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.

हमारे टेस्ट रन का असली आउटपुट। हरा: इंसानी माना गया। पीला: अनिर्णायक, वाक्य-स्तर का वोट अब भी AI की ओर झुका हुआ।

डेटा वाला वाक्य अड़ा हुआ है। इसमें अब भी "comprehensive dataset" है, एक ऐसा वाक्यांश जो मशीन से लिखे सारांशों में लगातार दिखता है, और यह तीन डेटा स्रोतों को एक लंबे उपवाक्य में ठूँस देता है। पाँच में से एक model ने भी पूरे आउटपुट पर अब भी AI को वोट दिया।

रिपोर्ट इसे छिपाने के बजाय दिखाती है, और आप किसी अंश को फिर से चला सकते हैं। यहाँ, हालाँकि, एक छोटा हाथ से किया गया संपादन डिटेक्टर वाली समस्या और "hospital-level" वाली समस्या दोनों एक साथ ठीक कर देगा। एक विकल्प, जिसे हमने उदाहरण के लिए लिखा: "We linked satellite land surface temperature data, municipal tree canopy inventories and hospital administrative records for 214 census tracts." हाथ से संपादित किसी भी वाक्य पर भरोसा करने से पहले उसे फिर से जाँचना चाहिए।

इस abstract का इस्तेमाल करने से पहले लेखक को क्या जाँचना चाहिए

1. द्वितीयक नतीजे में "protective" और सही variables (green space coverage, heat-related emergency department visits) वापस लाएँ। सोच-समझकर तय करें कि "cumulative cooling effect" रहेगा या नहीं।
2. मुख्य नतीजे वाले वाक्य को फिर से लिखें ताकि वह व्याकरण-सम्मत हो और emergency department visits का नाम फिर से ले। 38% को बिल्कुल वैसा ही रखें।
3. आपने असल में जो विश्लेषण किया, उसके आधार पर "relationship" और "correlation" में से चुनें।
4. अगर आपका पेपर "green infrastructure" शब्द इस्तेमाल करता है, तो उसे वापस लाएँ।
5. डेटा वाले वाक्य को हाथ से ठीक करें या फिर से चलाएँ, फिर दोबारा जाँचें।
6. आख़िरी वाक्य ज़ोर से पढ़ें। "Valuable information" और "a source of action" वही अस्पष्ट भाषा है जिस पर समीक्षक ध्यान देते हैं।
7. अपने लक्षित जर्नल की AI नीति जाँचें, जिसमें यह भी शामिल है कि AI सहायता की घोषणा ज़रूरी है या नहीं।

इसमें कुछ भी असामान्य नहीं है। Abstract पूरे पेपर को कुछ वाक्यों में समेटता है, इसलिए हर क्रिया का वज़न होता है, और rewriting टूल को पता नहीं होता कि आपके समीक्षक किन क्रियाओं की बारीकी से जाँच करेंगे। व्यापक चेकलिस्ट के लिए देखें humanize करते समय अर्थ और citations बचाना; वाक्य-दर-वाक्य फ़ैसले कैसे काम करते हैं, इसके लिए देखें वाक्य-स्तर पर AI डिटेक्शन। पेपर के दूसरे सेक्शन के लिए रिसर्च पेपर और AI डिटेक्शन पर हमारी सेक्शन-दर-सेक्शन गाइड देखें।

यह रन abstract को humanize करने के बारे में क्या बताता है

डिटेक्टर का नतीजा मज़बूत रहा: पाँच AI वोट से एक तक, और एक भी इंसानी वाक्य नहीं से सात में से छह तक। अर्थ का नतीजा मिला-जुला रहा: हर संख्या बची, ज़्यादातर वाक्यों ने अपना अर्थ बनाए रखा, और एक निष्कर्ष इतना बिगड़ा कि समीक्षक उसे पकड़ लेता। Humanizer क्या करता है, इसके किसी भी ईमानदार वर्णन में दोनों तथ्य शामिल होने चाहिए।

इसीलिए Academic Humanizer AI Detection Report में हर फ़्लैग हुए वाक्य को उसके rewrite के साथ जोड़ता है। टूल उस वाक्य-रचना को संभालता है जिस पर डिटेक्टर प्रतिक्रिया देते हैं, और आप अपनी समीक्षा का समय उन गिने-चुने वाक्यों पर लगाते हैं जो बदले। अगर आपके पास AI की मदद से लिखा कोई abstract है, तो उसे चलाएँ, फिर जोड़ों को उसी सावधानी से पढ़ें जो आप किसी सह-लेखक के संपादनों को देते।