| name | humanize-writing |
| description | Remove AI-generated tone and make writing sound more human in Japanese and English. Use when reviewing drafts for AIっぽさ, humanizing article/blog text, 文体チェック, AI感を消したい, or ChatGPT tells. |
| argument-hint | 直したい原稿、対象媒体、気になる AI っぽさ |
| user-invocable | true |
| license | CC BY-NC-SA 4.0 |
| metadata | {"author":"yamapan (https://github.com/aktsmm)"} |
Humanize Writing
AI 生成っぽさを検出し、人間が書いた文章として読める形へ戻す Skill。
中核は、説明を増やすことではなく、書き手の判断の跡を戻すこと。整った正論を並べるより、「なぜそうしたか」「どこを重視したか」が見える文章を優先する。
When to Use
- 原稿の AI っぽさ監査（レビュー型）
- 原稿の humanize / 文体修正（変換型）
- 最初から人間らしく書かせるための生成指示作成（生成指示型）
- 日本語記事（Qiita / WordPress / note）、英語記事（Medium）、技術ドキュメント、README
- キーワード:
AIっぽさ, humanize, 人間らしく, 文体チェック, AI感, ChatGPT tells
Scope
Operating Rules
- 文意・事実を変えない。
- 事実の追加や未検証の断定語への書き換えをしない。
- 断定を増やすのは、根拠が既存本文にある場合だけ。
- 料金、仕様、preview、公開価格の有無など時間で動く話題では、必要に応じて公開 Docs ベースと調査時点を短く明示する。
- 敬体／常体、絵文字、温度感は既存優勢に合わせる。
- ユーザーが過去記事や文例を出した場合は、その voice を優先する。
- 単独の記号、整った文体、丁寧な構成だけで AI 判定しない。複数 tell の cluster として説明できるかを見る。
- 比喩や特徴語は印象で一律に削らない。語ごとに作品全体の出現回数、章内分布、文脈上の役割を見て判断する。複数章に分散して機能する語は voice として残し、同一章に集中する反復や、周囲の文体・抽象度から浮いて近傍の具体を言い直すだけの単発句は削るか具体化する。導入と終章で回収する比喩は、両端を残して中間だけを整理できる。同じ段落の 2 語でも、片方は削って片方は残す判断になり得る。
- 要注意語を機械的に全削除しない。SNS や話し言葉で意図的に効いている語は残してよい。
- 類義語の一対一置換で直した気にならない。特に日本語の
速い / 早い は、速度、時期、理解しやすさのどれを言いたいのかを先に分け、必要なら しやすい や 早く〜できる にほどく。
- プロダクト、課金、契約まわりの用語は、直訳より業界で自然な日本語を優先する。必要なら公式英語を括弧で補う。
- 元記事の実験・統計 jargon (
Treatment A / B / Cohort / Segment / Variant / Bucket) も同じ。日本語散文では自然な日本語 (パターン A / B / グループ / セグメント) を使い、初出にだけ パターン A (元記事内では Treatment A) のような括弧併記。scorecard の列ラベル / 見出し / 実装名 / feature flag など 技術ラベル は英語のまま残す。AI は英語をそのまま残しがちなので humanize バスで監視する。
- 直した後に、無難な啓発文へ寄りすぎていないか確認する。
- 検証記事では、実測結果・公式 Docs・未検証範囲の境界は残す。ただし、検証台帳を本文の主役にせず、読者に必要な結論だけ本文へ置き、詳細ログは表・付録・注記へ逃がす。
- 文体修正だけでは直らない体験不足・判断不足は、捏造せず
【← ここに〜】 のような穴として返す。
- 自称を三人称ニックネームで呼んだ表現（
◇◇視点 ◇◇個人の ◇◇的には）を見つけたら 振り返り 個人の 私は など中立表現に置き換える。タイトル直下の挨拶・署名だけは認める。ユーザーが「痛い」と感じる長期トリガーなので、一脚でも見逃さない。
Workflow
- 入力の目的を判定する。
- 媒体、想定読者、voice を確認する。
- Qiita / WordPress / note / Medium / README など。
- 想定読者が前提にできない専門用語だけ、初出で短く補う。
- 文例があれば、文の長さ、段落長、つなぎ語、句読点、言い切りの強さを合わせる。
- 次の順でスキャンする。
- 事実が変わっていないか。
- 書き手の主語と判断が見えるか。
- 抽象語やつなぎ語で説明しすぎていないか。
- 構造が均一すぎないか。
- 長文生成に混ざる字形崩れが残っていないか（Generation Artifacts）。
- 詳細 tell が必要な場合は ai-likeness-signals.md を使う。
- 同じ箇所に複数の tell が重なる場合は
stacking pattern として 1 件にまとめる。
- 変換型では初稿後に「まだ AI っぽく見える理由」を短く洗い出し、必要な箇所だけ最終稿で直す。
- 最後に声に出して読んだとき、同僚や知人にそのまま話せる文かを見る。
- 重要な原稿では、初稿と同じモデルで自己監査して取りこぼしを許容しない場合、別モデルまたは subagent を skeptic として 1 回走らせる。同じモデルは自分の出力を褒める傾向があり、副詞偏愛 cluster や TL;DR の取りこぼしが残る（Generator/Evaluator パターン）。
Fix Order
時間が限られているなら上から順に処理する。下位だけ直しても AI 臭は残る。
- 立場 — 反証可能な具体的主張があるか。
重要だ 本質的だ で終わらせない。
- 主体 — false agency（モノが主語で人間の動詞）をなくし、誰が何をしたかを書く。
- 構造 — 命題型 H2、テンプレ序文、ムラの欠如を崩す。
- 語彙 — 偏愛語、横文字メタファー、副詞スタックを削る。
- 記号 — 全角ダッシュ、不要な「」、中黒並列、装飾絵文字を整理する。
High-priority Signals
- 定型接続詞:
つまり 要は 言い換えると で説明をまとめる。
- 抽象語:
かなり 十分 活用 効率化 価値 で丸める。
- pivot 構文:
A ではなく B A というより B で観察の代わりに対比を置く。
- 抽象比喩の二項対比:
治療になるか加速剤になるか のように、強い比喩を二択で置いて主張を大きく見せる。何が起きるかをそのまま書けるなら、比喩より現象を優先する。
- 判断ログ露出:
正本として扱う 今の読み方 など、執筆時の整理を本文へ出す。
- 効果・姿勢の宣言:
効きます 正面から 多角的に 掘り下げる が、観察や判断の代わりに置かれる。
- 主観動詞型の前振り:
ここで一気に効いたのが ここからが一番ピンと来た話 など、接続詞の代わりに 効いた ピンと来た のような主観動詞を置く。ここまでの話の核になるのが ここで関わってくるのが などにほどく。
- 主語混線: 自分がやったこと、AI にやらせたこと、公式情報からの引用が混ざる。
- 構造の均一化: 段落長、見出し語尾、箇条書き数が揃いすぎる。
- 副詞偏愛 cluster: 1 記事内で
個人的に 本当に ちゃんと ものすごく など同じ副詞が 3 回以上出たら、個々は High でなくても累積で AI 臭になる。箇所リストを作って 3 件以上は減らす。
- 英語 tell:
delve, leverage, robust, Let's dive into, In conclusion, Not just X but Y。
Output
詳細テンプレ（Review / Rewrite / Self-scoring / Anti-patterns / Example Prompts）は references/output-templates.md を参照する。要点だけ:
- 監査:
AI-likeness Audit 形式で High / Medium / Low + Structure を返す
- 変換: before / after または修正文。一括置換しない
- 生成指示: 文体指示プロンプトを返す（生成指示モード）
Done Criteria
レビュー型:
- 問題箇所を行番号または引用付きで列挙している
- 各問題にカテゴリと置換案がある
- 同じ箇所の重複シグナルを水増ししていない
- 単独 tell で決めつけず、cluster / stacking pattern として説明できるか確認している
- 温度感（敬体／常体／絵文字）が記事全体で一貫している
- 事実、感想、意図が混線していない
- 一般論ではなく、書き手の判断が読めるか確認している
- 実測結果、公式ソース、AI が補った整形結果が混ざっていない
生成・変換型:
- 同じ書き出し・同じ文末が 3 連続していない
- 抽象語ではなく具体語で書いている
- 自分がやったこと、AI にやらせたこと、引用したことが主語レベルで分かれている
- 文例がある場合、その人の voice に寄っている
- 初稿後に残った AI っぽさを 1 回だけ自己監査し、最終稿で潰している
- 直した後も、動機・迷い・判断が必要な分だけ残っている
References
