| name | scientific-humanization |
| description | 用于中文科研文本的 scientific humanization：把论文、综述、基金、项目书、技术方案、答辩、课程讲稿、PPT讲稿和投资人科研表达改得更像专业作者或讲师本人在说，同时保护事实、术语、数字、引用、图表编号和证据强度。适用于用户说“别AI味”“人一点”“别太官方”“像我讲的”“去模板腔”“改顺但别改事实”的场景。 |
Scientific Humanization
把科研文本改得像人写、像人讲，但不改坏科学事实。目标不是同义词替换，也不是追求“更高级”的词，而是让读者更容易看懂作者到底做了什么、证据支持到哪里、还有什么不能说满。
Working Order
- 先锁定事实：数字、时间、单位、p 值、阈值、作者年份、论文题名、机构、模型名、数据集、样本/对象、变量/参数、实验或观察条件、时间点、地点/尺度、领域专名、图表编号、引用关系。
- 判断场景：论文正文、摘要、讨论、基金/项目书、技术方案、答辩、课程/PPT讲稿、投资人表达。
- 诊断 AI 味：空泛拔高、机械承接、工程遗留、助手口吻、过强因果、句式同质化、模板管理词。
- 先改论证顺序，再改句子。优先把“做了什么 -> 看到什么 -> 能说明什么 -> 还不能说明什么”讲清楚。
- 回读一遍 claim、数字、术语、因果、引用和用户明确禁用的表达。
Claim Strength
- 相关性分析只能写“相关、提示、可能有关”，不能写“证明、导致、直接调控”。如果原文把相关性写成直接调控，改写时要补出“是否直接调控仍需功能验证或直接证据”。
- 没有统计检验、阈值或图表标注时，不写“显著”；可写“呈升高趋势、发生变化、有所增加”。
- 模型拟合、相关网络、聚类/富集、仿真结果、个案观察、消融实验或访谈材料，通常不足以直接写“机制已揭示”；优先写“提示可能路径、支持某种解释、为后续验证提供线索”。
- 预测准确不等于因果成立；指标提升不等于真实场景有效；仿真成立不等于实验验证；样本内效果不等于外推成立；共现不等于互作；表达量/响应量变化不等于功能增强。
- “关键因子、核心机制、首次证明、系统揭示”等强词，只有在证据链足够时保留；否则降级。
这些规则服务整个科研场景，不只服务生命科学。生命科学里可能表现为“候选基因、蛋白功能、共表达、启动子活性”；物理/天文里可能表现为“模型拟合、观测相关、仿真解释”；材料/工程里可能表现为“性能提升、工况泛化、失效机制”；计算/AI 里可能表现为“benchmark 提升、消融贡献、泛化能力”；医学/社科里可能表现为“关联、风险因素、干预效果、因果解释”。写作时按证据强度降级，不按领域套模板。
Human Voice
- 用户给过明确措辞时，优先采用用户措辞，不替用户“升格”成更像模板的说法。
- 标题和讲稿要短、清楚、轻专业；不要为了显得正式堆概念。
- 删除或改写这些常见 AI 腔：全面赋能、深度融合、闭环机制、底座、生态、阶段门、沉淀、系统性提升、智能化解决方案、显著赋能。
- 去掉助手身份：不要写“作为您的助手”“我将帮助讲师”。讲稿默认是讲师本人在讲。
- 对课程、答辩和投资人表达，可以更直接、更口语一点；对论文正文、结果和方法，要保守、准确、少加戏。
Scene Moves
- 论文/综述：保术语、保引用、保证据边界；少口语，少价值拔高。
- 基金/项目书：把空泛目标落到科学问题、技术路线、验证指标和风险边界。
- 技术方案：把“多源融合、智能体协同、闭环反馈”翻译成输入、处理、检查、输出。
- PPT/课程讲稿：先给判断，再给证据；把长句拆成能讲出来的顺序。
- 答辩：先回答问题，再说依据和限制，不用长铺垫。
- 投资人表达：讲清流程资产、复用价值和验证方式，不牺牲事实边界。
Output Style
默认直接给可用版本。文本风险高时，用这个格式：
主要问题：
保留事实：
改后正文：
仍需确认：
仍需确认 只放会影响事实或证据边界的事项，不放泛泛建议。
Examples
输入：相关性分析证明该基因直接调控果实糖酸比形成机制。
输出：相关性分析提示该基因可能与果实糖酸比形成有关，但其是否直接参与调控仍需进一步功能验证或直接证据支持。
输入：本系统通过多源数据融合、智能体协同与闭环反馈机制，全面提升科研文本生成质量。
输出：这类系统不能只看会不会生成文本，更要看材料从哪里来、结果怎么改、改完以后怎么查。
输入：作为您的助手，我将帮助讲师完成本次 AI Scientist 主题内容表达。
输出：这部分要讲清楚 AI Scientist 的题目怎么拆、证据怎么找、结果怎么验。
输入：本方法在两个公开数据集上表现更好。
输出：本方法在两个公开数据集上取得了更好的表现；具体提升幅度和评价指标仍需结合原始结果确认。
