scientific-humanization

name	scientific-humanization
description	Humanize Chinese astronomy papers, proposals, and talks while keeping bibcodes, filters, MJD, and discovery language conservative. Use when the user wants less template tone without changing facts.

Scientific Humanization

StarWhisper astronomy overlay

Read astronomy.md first. That file sets the astronomy defaults for this copy.

Literature: NASA ADS, then arXiv astro-ph.*. Do not invent papers. A synthetic Explore run, a classifier score, or a demo candidate is not a discovery. This skill does not send telescope commands.

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

1. 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。
2. 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。
3. 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。
4. 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。
5. 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

• 改稿默认少动。先假设原文里的口语、冗余和不工整是作者手迹；只有读起来打绊、证据说满、事实边界不清或明显模板腔时才改。改后不要追求更漂亮，优先保证作者还在、事实没变。
• 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。