AI写的论文摘要怎么降AI率：真实改写前后对比与核查

能不能在不改坏摘要的前提下，给 AI 起草的摘要降AI率？大体可以，前提是事后核对每一项结论。我们把一篇 AI 起草的公共卫生摘要交给 Humanizer v2 处理，并完整保留了全部记录：检测投票、逐句判定和确切的输出。草稿上，五个检测模型全部投票判为 AI；输出上，五个中有四个判为人类撰写，报告判定从“AI 生成”变为“人工撰写”。

这是头条结论。更有用的部分是，一位严谨的作者在提交前仍需要修复什么：改写保留了所有数字，却改变了一项结论的意思，还把另一句的语法弄坏了。

草稿：七个句子，七处标记

这篇摘要遵循的是大多数 AI 工具按要求生成的模板：威胁陈述、研究目标、数据、主要结果、次要结果、启示，以及一句贡献说明。它读起来很流畅，但也大量依赖套话，例如 "pose a significant and growing threat"、"underscore the critical importance" 和 "contributes valuable insights to the growing body of literature"。

检测器意见一致。七个句子全部被标记为 AI，五个模型对全文全部投票判为 AI。报告判定为“AI 生成”。

• AI 起草的摘要5 / 5
• Humanizer v2 输出1 / 5

来源：Humanizer v2 正式运行。五个独立的检测模型，各对全文投一票。

处理流程做了什么

Humanizer v2 只改写检测器标记的句子。这里所有句子都被标记了，所以这次运行实际上是全文改写，耗时约 13 秒。

1. 扫描 AI 信号七个句子全部被标记，五个模型全部判为 AI。
2. 改写被标记的句子七句中七句被改写，因为没有一句被判读为人类撰写。
3. 用 AI 检测器复检六句现在被判读为人类撰写，一句结论不明，五个模型中有四个判为人类。
4. 保存结果1,344 字符，按每 500 字符 1 积分向上取整：3 积分。

按报告的主要指标，被判读为人类撰写的句子占比从 7 句中的 0 句升至 7 句中的 6 句，约 86%。第七句没有被标记，但也没有被判定为通过。下文会再谈到它。

数字保住了吗？

保住了。这是检查任何人性化改写后的摘要时首先要看的，所以我们把每一项事实都与草稿做了对比：

• 214 个人口普查区仍在。
• 38% 仍在，比较的仍然是绿地覆盖率最低和最高的四分位组。
• 2015 至 2022 年保留了下来，现在写作 "2015–2022"。
• 三个中等规模城市以及三个校正变量（收入、年龄结构、基线健康状况）都完好无损。

数字是容易的部分。改写的风险在于数字周围的词：谁做了什么、对谁做、程度有多强。

意思在哪里发生了偏移

有两个句子需要认真处理。第一句是主要结果，第二句是次要结果，后者的问题更严重。

修改前

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.

修改后

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.

主要结果这一句，数字是对的，句子却是坏的。"Were visited by 38% more times" 不合语法，"heat-related emergency visits"（与高温相关的急诊就诊）变成了 "due to heat stress"（由于热应激），丢掉了研究实际测量的结果指标。

次要结果这一句同时在三个方面改变了意思：

• "Protective" 变成了 "positive"。保护性关联指的是绿地越多、就诊越少。而与高温暴露的“正相关”，读起来如果说有什么意思的话，恰恰相反。
• 变量变了。研究关联的是绿地覆盖率与急诊就诊。改写谈的却是 "green space use and heat exposure"（绿地使用与高温暴露），而研究从未测量过“使用”。
• 解释消失了。"Suggesting a cumulative cooling effect"（提示存在累积降温效应）不见了。如果你认为这个主张过强，删掉也许没问题，但这应该是你的决定，而不是副作用。

较小的偏移也值得一看。"Relationship" 变成了 "correlation"，比经过校正的四分位比较更窄。"Green infrastructure"（绿色基础设施）变成了 "green spaces"（绿地），漏掉了行道树和屋顶绿化。"Hospital administrative records" 变成了 "hospital-level administrative information"，暗示数据是按医院汇总的。结尾句原本说 "actionable evidence"（可据以行动的证据），现在却变成了 "offering policy makers a source of action"。

仍然结论不明的那一句

以下是复检对输出的逐句判读。

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.

我们测试运行的真实输出。绿色：判读为人类撰写。琥珀色：结论不明，句子级投票仍偏向 AI。

数据那一句是最后的钉子户。它仍然带着 "comprehensive dataset" 这个在机器写的总结里频繁出现的短语，还把三个数据来源塞进了一个长分句。五个模型中也仍有一个对整个输出投了 AI 票。

报告把这一点展示了出来，而不是隐藏它，你也可以把这段文字再处理一遍。不过在这里，手动快速修改一下就能同时解决检测问题和 "hospital-level" 的问题。下面是我们为说明而写的一种写法："We linked satellite land surface temperature data, municipal tree canopy inventories and hospital administrative records for 214 census tracts." 任何手动修改过的句子，在依赖它之前都应重新检测。

作者在使用这篇摘要前应检查什么

1. 在次要结果中恢复 "protective" 和正确的变量（绿地覆盖率、与高温相关的急诊就诊）。审慎决定是否保留 "cumulative cooling effect"。
2. 重写主要结果句，使其合乎语法，并重新写明急诊就诊。38% 保持不变。
3. 根据你实际做的分析，在 "relationship" 和 "correlation" 之间做出选择。
4. 如果论文用的是 "green infrastructure"，就把它改回来。
5. 手动修改数据句或重新运行，然后重新检测。
6. 把最后一句大声读出来。"Valuable information" 和 "a source of action" 正是审稿人会注意到的空泛措辞。
7. 查看目标期刊的 AI 政策，包括是否必须披露 AI 辅助。

这些都不罕见。摘要把整篇论文压缩成几句话，每个动词都分量十足，而改写工具并不知道审稿人会仔细推敲哪些动词。更全面的检查清单，参见人性化改写时如何保留原意与引用；逐句判定如何运作，参见逐句 AI 检测。论文的其他章节，请看我们按章节处理研究论文 AI 检测的指南。

这次运行说明了摘要人性化改写的什么

检测结果很强：AI 票数从五票降到一票，被判读为人类撰写的句子从零句增加到七句中的六句。语义结果则好坏参半：每个数字都保住了，大多数句子保持了原意，但有一项结论被扭曲到审稿人一定会发现的程度。对 humanizer 作用的任何诚实描述，都应该同时包含这两个事实。

这就是为什么 Academic Humanizer 在 AI 检测报告中把每个被标记的句子与其改写句配对显示。工具负责处理检测器会响应的措辞，你则把审阅时间花在少数几个被改动的句子上。如果你有一篇借助 AI 起草的摘要，运行之后，请像审阅合著者的修改那样认真阅读每一组句子。