AIで書いた要旨を人間らしくする方法：実例を1行ずつ検証

AIで下書きしたアブストラクトを、壊さずに人間らしくできるのでしょうか。すべての知見を後で確認すれば、おおむね可能です。AIで下書きした公衆衛生分野のアブストラクトを、Humanizer v2にかけ、検出モデルの判定、文ごとの判定、そして正確な出力まで、すべての記録を残しました。下書きでは5つの検出モデルすべてがAIと判定しました。出力では5つ中4つが人間と判定し、レポートの判定はAI生成から人間が執筆に変わりました。

これが見出しです。より役に立つのは、注意深い著者が提出前にまだ直さなければならない部分です。書き換えはすべての数値を保った一方で、1つの知見の意味を変え、別の文の文法を崩してしまったからです。

下書き：7文に7つのフラグ

このアブストラクトは、多くのAIツールが依頼に応じて生成するひな形に沿っています。脅威の提示、目的、データ、主な結果、副次的な結果、示唆、貢献の一文です。滑らかに読めます。同時に、"pose a significant and growing threat"、"underscore the critical importance"、"contributes valuable insights to the growing body of literature" のような決まり文句にも頼っています。

検出ツールの意見は一致しました。7文すべてにAIのフラグが付き、全文に対して5つのモデルすべてがAIと判定しました。レポートの判定はAI生成でした。

• AIで下書きしたアブストラクト5つ中5つ
• Humanizer v2の出力5つ中1つ

出典：Humanizer v2の本番実行結果。5つの独立した検出モデルが、それぞれ全文に対して1票を投じています。

パイプラインが行ったこと

Humanizer v2は、検出ツールがフラグを付けた文だけを書き換えます。今回はそれがすべての文だったため、実質的に全面的な書き換えになりました。所要時間は約13秒でした。

1. AIシグナルのスキャン7文すべてにフラグが付き、5つのモデルすべてがAIと判定。
2. フラグが付いた文の書き換え人間らしいと判定された文がなかったため、7文中7文を書き換え。
3. AI検出ツールで再チェック6文が人間らしいと判定、1文が判定保留、5つ中4つのモデルが人間と判定。
4. 結果の保存1,344文字を1クレジット500文字で切り上げ計算：3クレジット。

レポートの主要な指標である人間らしいと判定された文の割合は、7文中0文から7文中6文、約86%になりました。7つ目の文はフラグこそ付いていませんが、問題なしとも判定されていません。この文については後で取り上げます。

数値は残ったか

残りました。humanizeしたアブストラクトでまず確認すべき点なので、各事実を下書きと照合しました。

• 214の国勢調査区はそのまま残っています。
• 38%も残っており、緑地の最下位四分位と最上位四分位の比較のままです。
• 2015年から2022年も残り、"2015–2022" という表記になりました。
• 3つの中規模都市と、3つの調整変数（所得、年齢構成、ベースラインの健康状態）もそのままです。

数値は簡単な部分です。書き換えのリスクは、数値の周りの言葉、つまり誰が、何を、誰に対して、どれほど強く行ったかにあります。

意味が動いた箇所

本当に注意が必要な文が2つあります。1つ目は主な結果、2つ目は副次的な結果で、より深刻なのは後者です。

修正前

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.

修正後

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.

主な結果では、数値は正しいものの文が崩れています。"Were visited by 38% more times" は文法的に正しくなく、"heat-related emergency visits"（暑熱関連の救急受診）が "due to heat stress" になり、研究が実際に測定した評価項目が抜け落ちています。

副次的な結果は、3つの点で同時に意味が変わりました。

• "Protective" が "positive" になった。保護的な関連とは、緑地が多いほど受診が少ないという意味です。暑熱曝露との "positive association"（正の関連）は、むしろ逆の意味に読めます。
• 変数が変わった。研究は緑地の被覆率と救急受診を結びつけていました。書き換えでは "green space use and heat exposure"（緑地の利用と暑熱曝露）について述べていますが、研究は利用を一切測定していません。
• 解釈が消えた。"Suggesting a cumulative cooling effect"（累積的な冷却効果を示唆）がなくなりました。主張が強すぎると考えるならそれでもかまいませんが、それは副作用ではなく、あなた自身の判断であるべきです。

小さな変化にも目を向ける価値があります。"Relationship" が "correlation" になりましたが、これは調整済みの四分位比較より狭い意味です。"Green infrastructure" が "green spaces" になり、街路樹や屋上緑化が含まれなくなりました。"Hospital administrative records" が "hospital-level administrative information" になり、病院単位で集計されたデータであるかのような含みが生じています。そして結びの文は、下書きの "actionable evidence"（行動につながるエビデンス）に代わって、"policy makers a source of action" を提供するとしています。

まだ判定保留の文

再チェックが出力を文ごとにどう判定したかを示します。

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.

テスト実行による実際の出力。緑：人間らしいと判定。琥珀色：判定保留で、文単位の判定はまだAI寄り。

残っているのはデータの文です。機械が書いた要約に頻繁に登場する "comprehensive dataset" という語句をまだ含み、3つのデータソースを1つの長い節に詰め込んでいます。また、出力全体に対して5つ中1つのモデルがまだAIと判定しました。

レポートはこれを隠さずに示し、その部分をもう一度実行することもできます。ただ今回は、手で少し編集すれば、検出ツールの問題と "hospital-level" の問題を同時に解決できます。私たちが説明用に書いた一案は、"We linked satellite land surface temperature data, municipal tree canopy inventories and hospital administrative records for 214 census tracts." です。手で編集した文は、頼りにする前に必ず再チェックしてください。

このアブストラクトを使う前に著者が確認すべきこと

1. 副次的な結果で "protective" と正しい変数（緑地の被覆率、暑熱関連の救急受診）を元に戻す。"cumulative cooling effect" を残すかどうかは意識的に決める。
2. 主な結果の文を文法的に正しく書き直し、救急受診を再び明記する。38%は正確にそのまま残す。
3. 実際に行った分析に基づいて、"relationship" と "correlation" のどちらにするか選ぶ。
4. 論文で使っている用語であれば "green infrastructure" に戻す。
5. データの文を手で直すか再実行し、その後で再チェックする。
6. 最後の文を声に出して読む。"Valuable information" や "a source of action" は、査読者が気づく曖昧な表現です。
7. 投稿先ジャーナルのAIポリシーを確認する。AI支援の開示が必要かどうかも含めて。

どれも珍しいことではありません。アブストラクトは論文全体を数文に圧縮したものなので、すべての動詞が重みを持ちます。そして書き換えツールには、査読者がどの動詞を精査するかはわかりません。より幅広いチェックリストはhumanize時に意味と引用を保つ方法を、文ごとの判定の仕組みは文単位のAI検出をご覧ください。論文のほかのセクションについては、論文のAI検出をセクション別に解説したガイドをご覧ください。

この実行がアブストラクトのhumanizeについて示すこと

検出の結果は良好でした。AI判定は5票から1票に、人間らしいと判定された文は0文から7文中6文になりました。意味の結果はまちまちでした。数値はすべて維持され、大半の文は意味を保ちましたが、1つの知見は査読者が気づくほど大きく歪められました。humanizerが何をするのかを誠実に説明するなら、この両方の事実を伝える必要があります。

だからこそAcademic Humanizerは、AI検出レポートでフラグが付いたすべての文を書き換え後の文と対にして示しています。ツールは検出ツールが反応する言い回しを処理し、あなたは変更された数文の確認に時間を使えます。AIの助けを借りて下書きしたアブストラクトがあれば、実行したうえで、共著者の修正を確認するときと同じ注意深さで各ペアを読んでください。