Diagnostic et réécriture anti-AI
Anti-AIGC académique : diagnostic 3D et réécriture
Description
Assistant intelligent pour réduire le taux AIGC des articles académiques. Votre article a un taux AI de 80 % ? Vous modifiez jusqu'à l'épuisement mais c'est toujours détecté ? On ne vous aide pas à modifier au hasard — on vous aide d'abord à diagnostiquer, puis à localiser, puis à modifier étape par étape. Diagnostic systématique en trois dimensions (perplexité, burstiness, régularité structurelle), scan dimension par dimension pour marquer les empreintes AI. Classification précise de dix types d'empreintes, treize techniques de reformulation, vingt phrases AI fréquentes en liste noire déchiffrées une par une. Carte des risques par chapitre, traitement différencié selon les sections. Modification en une fois ou par étapes, les débutants modifient dimension par dimension, les experts modifient simultanément. Prend en charge le collage ou le téléchargement de fichiers, de toute longueur et niveau. Sortie d'un rapport complet de diagnostic et réécriture automatiquement sauvegardé. Il ne s'agit pas de tromper le détecteur — il s'agit de faire en sorte que votre article se lise comme celui d'un vrai chercheur humain avec des opinions, du jugement et un style.
Compétences associées
Tout voir
ÉcrireAIGC anti-plagiat & réécriture
📚 Expert AIGC en réduction de plagiat et réécriture fidèle pour articles académiques v7.0 Conçu pour les étudiants diplômés, chercheurs et auteurs de thèses, ce skill d'optimisation de texte académique repose sur un cycle central : 'contrôle à la source → correction en cours → vérification des résultats → auto-vérification inverse → itération de re-vérification'. Il diagnostique et optimise systématiquement les expressions stéréotypées, la logique mécanique, le contenu vague, les termes inexacts et les incohérences de style, tout en préservant le sens original, la terminologie spécialisée, les données et les conclusions essentielles. 🔍📝 🌟 Capacités clés 🔬 Diagnostic multicouche des risques Couvre 10 types d'empreintes textuelles génériques et aide à identifier les schémas d'expression courants de modèles comme ChatGPT, Claude, DeepSeek, Wenxin Yiyan, etc. 🧠 Restructuration sémantique profonde Ne se limite pas à la substitution de synonymes, mais reconstruit une argumentation académique plus naturelle et plus profonde en abordant l'expression de la proposition, l'ordre des informations, les points d'entrée de l'argumentation et l'organisation des preuves. ✍️ Réécriture fidèle de qualité Combine 13 stratégies de transformation de phrases et 20 méthodes de nettoyage d'expressions modèles fréquentes pour améliorer les phrases mécaniques, les connecteurs répétés et les structures d'expression trop rigides. 📊 Diagnostic de la structure globale À travers la grande boucle et les cinq triangles de fer, vérifie si la question de recherche, la théorie, la revue, la méthode, les résultats et l'innovation forment une boucle fermée complète. 🧩 Adaptation fine des sections Élabore des stratégies de diagnostic et de réécriture différenciées pour le résumé, l'introduction, la revue de littérature, les méthodes de recherche, les résultats, la discussion et la conclusion. 🌐 Scan des risques interlingues Aide à identifier les traductions artificielles, l'accumulation de voix passive, les longues phrases imbriquées et les anomalies de mélange chinois-anglais, rendant l'expression académique chinoise plus naturelle et précise. 🔄 Boucle d'auto-vérification inverse Après la réécriture, vérifie à nouveau sous trois aspects : la répartition des techniques, les nouvelles empreintes textuelles et l'intégrité des informations, pour éviter que la réécriture ne devienne trop stéréotypée ou que des contenus clés ne soient perdus. 🛡️ Protection des normes académiques N'invente pas de références, de données, d'études de cas ni de bases politiques ; marque séparément les informations nécessitant une vérification par l'auteur et rappelle de divulguer honnêtement l'utilisation de l'IA. 🎯 Scénarios d'application ✅ Optimisation de paragraphes uniques ou de sections locales ✅ Modification ciblée des paragraphes marqués dans les rapports de détection ✅ Affinage du résumé, de l'introduction, de la revue, de la discussion et de la conclusion ✅ Diagnostic des caractéristiques de risque AIGC sur l'ensemble du texte ✅ Adaptation linguistique et structurelle à la revue cible ✅ Examen de qualité et vérification de cohérence avant soumission 📦 Livrables finaux 📄 Texte réécrit avec fidélité de qualité 🔎 Rapport de diagnostic des risques et problèmes 🛠️ Explication des stratégies et techniques de réécriture ✅ Rapport d'auto-vérification inverse et d'intégrité des informations 💡 Éléments à vérifier par l'auteur et suggestions de modifications ultérieures 🎓 Sens original préservé · Logique intacte · Données non fabriquées · Qualité académique maintenue ⚠️ Ce skill vise à améliorer la qualité de l'expression académique et à réduire les caractéristiques de risque dans le texte, mais ne garantit pas le passage d'une plateforme de détection spécifique ni l'atteinte d'une valeur de détection particulière.
Diagnostic de thèse 5 sources
Avant d'investir des dizaines d'heures dans la rédaction de votre thèse, faites un bilan structuré en dix minutes. 【Cette compétence ne fait qu'une chose】 Diagnostic, pas de rédaction. Elle vous indique si votre sujet tient la route, si les matériaux sont suffisants, ce qui manque, où les compléter, et dans quel ordre, puis vous remet une liste de compléments exécutable et des formules de recherche. Elle ne rédigera pas votre introduction, votre revue de littérature, vos méthodes ou votre discussion. 【Quatre étapes】 1. Diagnostic disciplinaire : classez dans 1A Arts et humanités / 1B Sciences sociales / 2A Sciences et ingénierie / 2B Agriculture, médecine et sciences de la vie, et chargez les normes correspondantes ; la catégorie 2B bloque obligatoirement l'examen éthique. 2. Examen du sujet : vérifiez le sujet selon trois dimensions « potentiel·forme·mots », pour juger si l'unité de recherche est opérationnalisable, si la question de recherche peut être répondue, et si le sujet est déjà épuisé. 3. Examen des matériaux : enregistrez vos références dans une bibliothèque M1/M2…, vérifiez chaque entrée selon quatre éléments (auteur/année/titre/identifiant vérifiable), et calculez le taux de couverture réel. 4. Liste des lacunes et formules de recherche : précisez combien de références et de quels types manquent, quelle preuve fait défaut, et fournissez des formules de recherche directement collables dans les bases de données (avec combinaisons booléennes de mots-clés, plage de temps, critères de filtrage). 【Quand l'utiliser】（déclencheurs） « Aide-moi à faire un bilan de mon sujet », « Ce sujet est-il faisable ? », « Mes références sont-elles suffisantes ? », « Ma proposition a été rejetée », « Je veux vérifier avant de commencer à écrire » — pour les étudiants qui ont défini leur direction mais n'ont pas encore commencé ; ceux dont la proposition a été renvoyée sans savoir où est le problème ; ceux qui ont accumulé des références mais ne sont pas sûrs d'en avoir assez pour commencer ; ceux qui veulent confirmer si le sujet vaut la peine avant de s'investir. 【Livrables】 Un document « Rapport de bilan de proposition » + une carte de score de préparation à cinq sources (chaque niveau a des critères comportementaux, pas une note vague) + une liste priorisée des compléments + des formules de recherche + un code d'archivage. Ce code est compatible avec le « Système complet de rédaction d'articles académiques v4.0 » ; après le bilan, collez-le pour continuer sans avoir à redéfinir la discipline, le sujet ou la revue. 【Ce qui n'est pas fait】 Ne rédige pas le corps du texte, ne génère pas de bibliographie, n'invente pas d'auteurs, d'années, de volumes, de pages ou de DOI. Toute référence trouvée en ligne est marquée ⚠️ à vérifier ; vous devez la vérifier vous-même avant de l'utiliser. Cette compétence ne garantit aucune acceptation ou réussite.
Système anti-IA manuels 2.0
Mémento des principes clés pour réduire la détection IA Principes de reconnaissance des détecteurs d'IA Les détecteurs d'IA (comme CNKI AIGC, GPTZero, Originality.ai, etc.) se basent sur les caractéristiques statistiques suivantes : 1. Perplexité : les textes générés par l'IA ont une faible perplexité car ils choisissent le mot le plus probable. Les humains choisissent des mots moins courants mais plus appropriés, donc perplexité élevée. → Stratégie de réécriture : S4 - Déstandardisation lexicale. 2. Burstiness : les phrases générées par l'IA ont une longueur très uniforme, faible burstiness. Les humains ont une grande variation de longueur de phrase, parfois très courtes, parfois très longues, burstiness élevée. → Stratégie : S1 - Injection de variations de longueur de phrase. 3. Densité des mots de transition : l'IA utilise excessivement des mots de transition explicites (comme « de plus », « cependant », « donc », « en résumé »), densité anormalement élevée. Les humains utilisent davantage des connexions sémantiques implicites. → Stratégie : S2 - Élimination des mots modèles. 4. Structure stéréotypée : l'IA a tendance à utiliser une structure « introduction-développement-conclusion », des listes de longueur égale, des séquences numérotées. La structure humaine est plus flexible. → Stratégie : S3 - Briser la structure. 5. Diversité lexicale (TTR) : l'IA a un taux de répétition lexicale élevé dans les textes longs, TTR bas. Les humains ont un vocabulaire plus large. → Stratégie : S4 - Déstandardisation lexicale. 6. Linéarité de la présentation de l'information : l'IA suit un ordre logique et linéaire, densité uniforme. Les humains utilisent des techniques non linéaires comme le flash-back, l'insertion, les sauts de contraste. → Stratégie : S6 - Réorganisation de la densité de l'information. Contraintes spécifiques du style des manuels La réduction de la détection IA pour les manuels ne peut pas être rendue trop familière comme dans les articles en ligne. Elle doit respecter : - Limite de rigueur académique : ne pas utiliser d'argot Internet, d'expressions trop familières ou d'emojis. - Limite de précision terminologique : les termes spécialisés doivent être conservés, ne pas les remplacer par des synonymes inexacts. - Limite d'intégrité logique : les relations de cause à effet, les systèmes de classification et la logique des étapes opérationnelles ne doivent pas être modifiés par la réécriture. - Limite des normes de citation : les références, lois et numéros de norme cités ne doivent pas être altérés. - Limite d'adaptabilité pédagogique : le texte réécrit doit rester compréhensible pour les étudiants, la lisibilité ne doit pas être sacrifiée pour réduire la détection IA.
Diagnostic et réécriture anti-AI
Anti-AIGC académique : diagnostic 3D et réécriture
Description
Assistant intelligent pour réduire le taux AIGC des articles académiques. Votre article a un taux AI de 80 % ? Vous modifiez jusqu'à l'épuisement mais c'est toujours détecté ? On ne vous aide pas à modifier au hasard — on vous aide d'abord à diagnostiquer, puis à localiser, puis à modifier étape par étape. Diagnostic systématique en trois dimensions (perplexité, burstiness, régularité structurelle), scan dimension par dimension pour marquer les empreintes AI. Classification précise de dix types d'empreintes, treize techniques de reformulation, vingt phrases AI fréquentes en liste noire déchiffrées une par une. Carte des risques par chapitre, traitement différencié selon les sections. Modification en une fois ou par étapes, les débutants modifient dimension par dimension, les experts modifient simultanément. Prend en charge le collage ou le téléchargement de fichiers, de toute longueur et niveau. Sortie d'un rapport complet de diagnostic et réécriture automatiquement sauvegardé. Il ne s'agit pas de tromper le détecteur — il s'agit de faire en sorte que votre article se lise comme celui d'un vrai chercheur humain avec des opinions, du jugement et un style.
Compétences associées
Tout voirÉcrireAIGC anti-plagiat & réécriture
📚 Expert AIGC en réduction de plagiat et réécriture fidèle pour articles académiques v7.0 Conçu pour les étudiants diplômés, chercheurs et auteurs de thèses, ce skill d'optimisation de texte académique repose sur un cycle central : 'contrôle à la source → correction en cours → vérification des résultats → auto-vérification inverse → itération de re-vérification'. Il diagnostique et optimise systématiquement les expressions stéréotypées, la logique mécanique, le contenu vague, les termes inexacts et les incohérences de style, tout en préservant le sens original, la terminologie spécialisée, les données et les conclusions essentielles. 🔍📝 🌟 Capacités clés 🔬 Diagnostic multicouche des risques Couvre 10 types d'empreintes textuelles génériques et aide à identifier les schémas d'expression courants de modèles comme ChatGPT, Claude, DeepSeek, Wenxin Yiyan, etc. 🧠 Restructuration sémantique profonde Ne se limite pas à la substitution de synonymes, mais reconstruit une argumentation académique plus naturelle et plus profonde en abordant l'expression de la proposition, l'ordre des informations, les points d'entrée de l'argumentation et l'organisation des preuves. ✍️ Réécriture fidèle de qualité Combine 13 stratégies de transformation de phrases et 20 méthodes de nettoyage d'expressions modèles fréquentes pour améliorer les phrases mécaniques, les connecteurs répétés et les structures d'expression trop rigides. 📊 Diagnostic de la structure globale À travers la grande boucle et les cinq triangles de fer, vérifie si la question de recherche, la théorie, la revue, la méthode, les résultats et l'innovation forment une boucle fermée complète. 🧩 Adaptation fine des sections Élabore des stratégies de diagnostic et de réécriture différenciées pour le résumé, l'introduction, la revue de littérature, les méthodes de recherche, les résultats, la discussion et la conclusion. 🌐 Scan des risques interlingues Aide à identifier les traductions artificielles, l'accumulation de voix passive, les longues phrases imbriquées et les anomalies de mélange chinois-anglais, rendant l'expression académique chinoise plus naturelle et précise. 🔄 Boucle d'auto-vérification inverse Après la réécriture, vérifie à nouveau sous trois aspects : la répartition des techniques, les nouvelles empreintes textuelles et l'intégrité des informations, pour éviter que la réécriture ne devienne trop stéréotypée ou que des contenus clés ne soient perdus. 🛡️ Protection des normes académiques N'invente pas de références, de données, d'études de cas ni de bases politiques ; marque séparément les informations nécessitant une vérification par l'auteur et rappelle de divulguer honnêtement l'utilisation de l'IA. 🎯 Scénarios d'application ✅ Optimisation de paragraphes uniques ou de sections locales ✅ Modification ciblée des paragraphes marqués dans les rapports de détection ✅ Affinage du résumé, de l'introduction, de la revue, de la discussion et de la conclusion ✅ Diagnostic des caractéristiques de risque AIGC sur l'ensemble du texte ✅ Adaptation linguistique et structurelle à la revue cible ✅ Examen de qualité et vérification de cohérence avant soumission 📦 Livrables finaux 📄 Texte réécrit avec fidélité de qualité 🔎 Rapport de diagnostic des risques et problèmes 🛠️ Explication des stratégies et techniques de réécriture ✅ Rapport d'auto-vérification inverse et d'intégrité des informations 💡 Éléments à vérifier par l'auteur et suggestions de modifications ultérieures 🎓 Sens original préservé · Logique intacte · Données non fabriquées · Qualité académique maintenue ⚠️ Ce skill vise à améliorer la qualité de l'expression académique et à réduire les caractéristiques de risque dans le texte, mais ne garantit pas le passage d'une plateforme de détection spécifique ni l'atteinte d'une valeur de détection particulière.
Diagnostic de thèse 5 sources
Avant d'investir des dizaines d'heures dans la rédaction de votre thèse, faites un bilan structuré en dix minutes. 【Cette compétence ne fait qu'une chose】 Diagnostic, pas de rédaction. Elle vous indique si votre sujet tient la route, si les matériaux sont suffisants, ce qui manque, où les compléter, et dans quel ordre, puis vous remet une liste de compléments exécutable et des formules de recherche. Elle ne rédigera pas votre introduction, votre revue de littérature, vos méthodes ou votre discussion. 【Quatre étapes】 1. Diagnostic disciplinaire : classez dans 1A Arts et humanités / 1B Sciences sociales / 2A Sciences et ingénierie / 2B Agriculture, médecine et sciences de la vie, et chargez les normes correspondantes ; la catégorie 2B bloque obligatoirement l'examen éthique. 2. Examen du sujet : vérifiez le sujet selon trois dimensions « potentiel·forme·mots », pour juger si l'unité de recherche est opérationnalisable, si la question de recherche peut être répondue, et si le sujet est déjà épuisé. 3. Examen des matériaux : enregistrez vos références dans une bibliothèque M1/M2…, vérifiez chaque entrée selon quatre éléments (auteur/année/titre/identifiant vérifiable), et calculez le taux de couverture réel. 4. Liste des lacunes et formules de recherche : précisez combien de références et de quels types manquent, quelle preuve fait défaut, et fournissez des formules de recherche directement collables dans les bases de données (avec combinaisons booléennes de mots-clés, plage de temps, critères de filtrage). 【Quand l'utiliser】（déclencheurs） « Aide-moi à faire un bilan de mon sujet », « Ce sujet est-il faisable ? », « Mes références sont-elles suffisantes ? », « Ma proposition a été rejetée », « Je veux vérifier avant de commencer à écrire » — pour les étudiants qui ont défini leur direction mais n'ont pas encore commencé ; ceux dont la proposition a été renvoyée sans savoir où est le problème ; ceux qui ont accumulé des références mais ne sont pas sûrs d'en avoir assez pour commencer ; ceux qui veulent confirmer si le sujet vaut la peine avant de s'investir. 【Livrables】 Un document « Rapport de bilan de proposition » + une carte de score de préparation à cinq sources (chaque niveau a des critères comportementaux, pas une note vague) + une liste priorisée des compléments + des formules de recherche + un code d'archivage. Ce code est compatible avec le « Système complet de rédaction d'articles académiques v4.0 » ; après le bilan, collez-le pour continuer sans avoir à redéfinir la discipline, le sujet ou la revue. 【Ce qui n'est pas fait】 Ne rédige pas le corps du texte, ne génère pas de bibliographie, n'invente pas d'auteurs, d'années, de volumes, de pages ou de DOI. Toute référence trouvée en ligne est marquée ⚠️ à vérifier ; vous devez la vérifier vous-même avant de l'utiliser. Cette compétence ne garantit aucune acceptation ou réussite.
Système anti-IA manuels 2.0
Mémento des principes clés pour réduire la détection IA Principes de reconnaissance des détecteurs d'IA Les détecteurs d'IA (comme CNKI AIGC, GPTZero, Originality.ai, etc.) se basent sur les caractéristiques statistiques suivantes : 1. Perplexité : les textes générés par l'IA ont une faible perplexité car ils choisissent le mot le plus probable. Les humains choisissent des mots moins courants mais plus appropriés, donc perplexité élevée. → Stratégie de réécriture : S4 - Déstandardisation lexicale. 2. Burstiness : les phrases générées par l'IA ont une longueur très uniforme, faible burstiness. Les humains ont une grande variation de longueur de phrase, parfois très courtes, parfois très longues, burstiness élevée. → Stratégie : S1 - Injection de variations de longueur de phrase. 3. Densité des mots de transition : l'IA utilise excessivement des mots de transition explicites (comme « de plus », « cependant », « donc », « en résumé »), densité anormalement élevée. Les humains utilisent davantage des connexions sémantiques implicites. → Stratégie : S2 - Élimination des mots modèles. 4. Structure stéréotypée : l'IA a tendance à utiliser une structure « introduction-développement-conclusion », des listes de longueur égale, des séquences numérotées. La structure humaine est plus flexible. → Stratégie : S3 - Briser la structure. 5. Diversité lexicale (TTR) : l'IA a un taux de répétition lexicale élevé dans les textes longs, TTR bas. Les humains ont un vocabulaire plus large. → Stratégie : S4 - Déstandardisation lexicale. 6. Linéarité de la présentation de l'information : l'IA suit un ordre logique et linéaire, densité uniforme. Les humains utilisent des techniques non linéaires comme le flash-back, l'insertion, les sauts de contraste. → Stratégie : S6 - Réorganisation de la densité de l'information. Contraintes spécifiques du style des manuels La réduction de la détection IA pour les manuels ne peut pas être rendue trop familière comme dans les articles en ligne. Elle doit respecter : - Limite de rigueur académique : ne pas utiliser d'argot Internet, d'expressions trop familières ou d'emojis. - Limite de précision terminologique : les termes spécialisés doivent être conservés, ne pas les remplacer par des synonymes inexacts. - Limite d'intégrité logique : les relations de cause à effet, les systèmes de classification et la logique des étapes opérationnelles ne doivent pas être modifiés par la réécriture. - Limite des normes de citation : les références, lois et numéros de norme cités ne doivent pas être altérés. - Limite d'adaptabilité pédagogique : le texte réécrit doit rester compréhensible pour les étudiants, la lisibilité ne doit pas être sacrifiée pour réduire la détection IA.
Trouve ta prochaine compétence préférée
Explore d'autres compétences IA sélectionnées pour la recherche, la création et le travail quotidien.