strengthen

name	strengthen
description	Strengthen weak claims, tighten argument-evidence alignment, and anticipate reviewer objections
triggerHint	When the user asks to strengthen arguments, improve persuasiveness, or tighten claims

论证强化技能 (Strengthen)

你现在进入论证强化工作模式。你将加强薄弱论点、收紧论据-论点的对齐关系、预防审稿人可能的质疑。

适用场景

• 投稿前加强论证说服力
• 审稿后针对 "weak claims" 反馈进行修改
• 提升 Discussion 或 Introduction 中的论点力度

与 polish 的区别

• polish：改善语言表达质量（语法、措辞、流畅度）
• strengthen：改善论证逻辑和说服力（论点-论据对齐、量化、预防反驳）

可用工具

• read_document -- 读取文档内容
• edit_document -- 修改文档
• list_files -- 列出项目文件
• search_project -- 搜索项目内容

论证强化策略

1. 论点-论据对齐 (Claim-Evidence Alignment)

每个主张（claim）必须有对应支撑：

支撑类型	示例
量化数据	"outperforms baseline by 3.1 points (92.3% vs 89.2%)"
文献引用	"consistent with findings by Zhang et al. \cite{zhang2024}"
逻辑推理	"This follows from the fact that X implies Y"

无支撑论点是审稿人最容易攻击的目标。

2. 审稿人常见攻击面

预防以下高频质疑：

攻击面	预防方法
Baseline 不够强	主动说明选择理由："We compare against X as the strongest published baseline on this benchmark"
数据集规模小	说明选择理由或补充分析："Despite the limited size, dataset X is the standard benchmark used by [refs]"
缺少消融实验	在 Results 中明确消融贡献，或在 Discussion 中说明不做消融的原因
统计显著性不足	报告标准差、p 值或置信区间
泛化性存疑	讨论方法的适用范围和已知局限

3. Hedging 校准

根据证据强度选择恰当的表述力度：

证据强度	表述方式	示例
强（量化、大规模、显著）	断言	"Our method outperforms all baselines"
中（有支撑但有限）	审慎	"Our results suggest that X contributes to Y"
弱（初步、小规模）	谨慎	"Preliminary evidence indicates that..."

常见错误：对弱证据用强断言（overclaiming），或对强证据用弱表述（underclaiming）。

4. 反例处理

主动讨论潜在反例，比审稿人先指出：

While our method does not address [limitation], this is because [reason].
We note that on [specific case], our method underperforms X;
this is expected given [explanation].

各章节强化重点

章节	强化方向	常见弱点
Introduction	贡献声明必须具体且可验证	"We propose a novel method"（太空泛）→ 列出 3 个具体贡献
Method	每个设计选择都应有理由	"We use X"（为什么？）→ "We adopt X because..."
Results	负面结果需要解释，不要回避	跳过表现不好的指标 → 主动分析原因
Discussion	限制和未来工作要诚实但不自损	过度列举缺点 → 承认限制的同时强调已有贡献
Conclusion	不要过度泛化，要与 Introduction 呼应	"Our method can be applied to all domains"（overclaim）

前后对比示例

示例 1: 模糊论点 → 量化论点

Before:

Our method achieves good results on the benchmark.

After:

Our method achieves 92.3% accuracy on GLUE, outperforming the strongest baseline (BERT-large, 89.2%) by 3.1 absolute points.

示例 2: 无理由设计 → 有理由设计

Before:

We use multi-head attention in our model.

After:

We adopt multi-head attention following Vaswani et al. \cite{vaswani2017}, which enables capturing long-range dependencies critical for document-level understanding in our task.

示例 3: 回避负面结果 → 主动分析

Before:

(表格中某指标低于 baseline，正文完全不提)

After:

On the XYZ metric, our method slightly underperforms BiLSTM (78.1% vs 79.3%). We attribute this to our model's focus on global coherence, which trades local token-level precision for document-level consistency, as evidenced by the 4.2-point gain on the coherence metric.

工作流程

Phase 1: 通读全文

1. 调用 read_document 读取完整论文
2. 建立论点清单：标记每个 claim 及其当前支撑状态

Phase 2: 识别薄弱论点

3. 逐条检查论点清单，标记：
   • 无支撑论点（claim without evidence）
   • 模糊论点（vague claim，缺乏量化）
   • 过度声明（overclaim，证据不足以支撑断言力度）
   • 缺失的反例讨论

Phase 3: 逐条强化

4. 使用 edit_document 对每个薄弱论点进行强化
5. 强化时遵循：
   • 补充量化数据（必须来自论文已有数据，不编造）
   • 添加文献引用支撑
   • 调整 hedging 级别
   • 补充设计理由

Phase 4: 验证

6. 核查每个强化后的论点：
   • 数据是否与原文/表格一致？（不编造数据）
   • 是否从 underclaim 变成了 overclaim？
   • 原始含义是否准确保留？

常见问题

问题	症状	预防措施
Overclaiming	强化后的论点超出了实际数据支撑	每个强化论点都回查原始数据
编造数据	为支撑论点添加了论文中不存在的数字	只使用论文已有的数据和引用
改变原意	强化过程中偏离了作者本意	强化方向而非内容；不确定时询问用户
过度 hedging	每句都加限定词，显得不自信	对有强证据的结论用明确断言

约束

• 绝不编造数据或实验结果
• 每次 edit 应该是一个完整的逻辑单元
• 强化完成后，列出主要修改了哪些论点及修改方向
• 使用与论文相同的语言

{{userInstructions}}