Skip to content
프로젝트

stephenlzc/humanize-mba-text-skill

GitHub에서 보기

stephenlzc/humanize-mba-text-skill has 62 GitHub stars and 8 forks. GitHot measured 0 stars in 24 hours. Last checked 2026-11-15 18:38 UTC. Last push 2026-07-08.

이 수치를 측정하는 방법

측정된 스타 증가

in 24h
0
in 7 days
업데이트 지연
in 15 days
업데이트 지연
in 1 month
업데이트 지연

서로 겹치는 기간의 순증가량이며 일별 합계가 아닙니다. 측정값이 없으면 비워 둡니다. 스타는 관심도를 나타내며 품질을 보장하지 않습니다.

소개

去除中文MBA论文AI写作痕迹的检测与改写工具 | AI writing pattern detection and removal tool for Chinese MBA thesis

AI

README_KR.md

Original

Humanize MBA Text - AI 글쓰기 흔적 감지 및 제거

Python 3.7+ License: MIT Claude Skill Version: 1.5 Kimi CLI 中文 English 한국어 日本語

중국 MBA 졸업 논문을 위한 전문 AI 글쓰기 흔적 감지 및 제거 도구

#AI-Detection #Academic-Writing #MBA-Thesis #Claude-Skill #Text-Humanization #ChatGPT-Alternative #LLM-Writing #Research-Tools #Academic-Integrity #Chinese-NLP


🎯 프로젝트 소개

이 도구는 중국 MBA 졸업 논문을 위해 특별히 설계된 AI 글쓰기 흔적 감지 및 제거 도구입니다. MBA 논문의 학술 규범과 실무 요구사항을 기반으로 하여, 다차원 감지 방법을 통해 텍스트의 AI 생성 특징을 식별하고 구체적인 수정 제안을 제공하여 AI 생성 텍스트를 자연스럽고 인간적인 학술 글쓰기 스타일로 변환하는 데 도움을 줍니다.

✨ 버전 1.5 새로운 기능 (단락 수준 문장 길이 CV + 보고서 가독성 향상)

  • 📐 단락 수준 문장 길이 CV: AI_artifact_detection 방법을 참고하여 단락 내 문장 길이 변동 계수(CV)를 핵심 AI 신호로 사용. 중국어는 CJK 문자 수, 영어는 단어 수로 계산
  • 📊 중국어 CV 보고서: Markdown 감지 보고서 끝에 5개 섹션으로 구성된 CV 보고서를 자동 추가 — 전체 통계 / CV 분포 / Uniform 단락 상세 / 장 절 요약 / 문장 길이 분포
  • 🔁 수정 전후 비교: 새로운 scripts/detect_compare.py CLI를 추가. 수정 전후 텍스트를 입력하면 중국어 Before/After 비교 Markdown을 출력
  • 🌐 선택적 영어 감지 모드: sentence_length.analyze(text, language="en")로 영어 산문의 문장 길이 CV 감지 지원
  • 🎯 전후 맥락이 포함된 내용 조각: 상세 문제 목록의 내용 조각에 해당 위치 전후 약 20자를 표시하여 빠른 위치 파악 가능
  • 📝 수정 제안 전문 표시: 수정 제안을 생략하지 않고 모든 안내를 전문으로 표시
  • 📋 Uniform 단락 전체 테이블: CV < 0.30 인 단락을 모두 테이블로 나열. 20개 제한 폐지
  • ⏰ 실제 생성 타임스탬프: 보고서 하단에 실제 생성 시각(YYYY-MM-DD HH:MM:SS) 표시

이전 버전(1.4 / 1.3 / 1.2)의 기능은 FEATURE.md에 아카이브되어 있습니다.

핵심 기능

  • ✅ 다계층 AI 감지: 정규식 규칙 → 산문 통계(5차원) → 시맨틱 체인(10차원) 3층 구조
  • ✅ 장 특정 규칙: 서론, 이론, 분석, 제안, 결론 5개 장에 대한 최적화 전략
  • ✅ MBA 논문 규범: 중국 대학 MBA 논문의 글자 수, 구조, 형식 요구사항 준수
  • ✅ 구조화된 재작성 플랜: 각 issue에 위치 + 골격 + 추천 치환 + 목표 글자수 부여
  • ✅ 자동 수정: 중영문 혼용 공백 등 간단한 문제 자동 처리
  • ✅ 지능형 피드백: 상세한 수정 제안 및 전후 비교 예시 생성
  • ✅ Claude Skill 통합: Claude Code의 Skill로 직접 사용 가능

기술 참고

본 프로젝트는 최적화 전략 설계에 thesis-optimizer 프로젝트의 3차원 협동 최적화 개념을 참고하였습니다:

  • 🔍 AI 감지율 감소: 문장 구조 다양화, 어조 자연화, 논리 인간화
  • 📉 표절률 감소: 심층 의미 재작성, 인용 표준화, 전문 용어 처리
  • ✨ 학술 윤문: 표현 정밀화, 학술 규범화, 가독성 최적화

🎓 MBA 논문 핵심 원칙

본 도구는 중국 MBA 논문의 학술 규범을 기반으로 설계되었으며, 다음 핵심 원칙을 따릅니다:

1. 실무 지향

  • 기업 관리 실제에서 출발하여 구체적인 관리 문제 해결 필요
  • 순수 이론적 공론 지양

2. 작은 주제 심층 연구

  • 주제 선정이 명확하고 집중되어야 하며, "작은 주제 심층 탐구" 필요
  • 핵심 개념은 2-3개를 초과하지 않음
  • 주제가 너무 크거나 광범위한 것 지양

3. 데이터 추적 가능성

  • 모든 데이터는 출처를 명시해야 함
  • 정확성과 신뢰성 확보
  • "관련 데이터에 따륩니" 등 모호한 표현 삭제

4. 이론적 지원

  • 1-2개 관련 이론을 분석 프레임워크로 활용
  • 일반적 사실 나열 지양

5. 구조 규범

  • 본문 글자 수 ≥ 3만 자
  • 장당 최소 4개 절(장 요약 포함)
  • 각 절 내용이 충실하여 한 페이지 미만인 절 지양

6. 학술적 진실성

  • 복사율 < 15%
  • 데이터 조작 금지, 모든 인용은 확인 가능해야 함

🚀 빠른 시작

설치

# 저장소 클론
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git
cd humanize-mba-text-skill

# 의존성 설치 (transformers 모델 사용 시)
pip install transformers torch

기본 사용법

1. 기본 감지

# 기본 규칙 감지 사용
python scripts/detect_ai_patterns.py your_text.txt --format markdown --output report.md

2. 다차원 융합 감지 (권장)

# 다차원 감지 사용
python scripts/multi_detector.py your_text.txt --format markdown --output report.md --plan plan.json

3. 수정 제안 생성

# 감지 결과를 기반으로 피드백 생성
python scripts/feedback_generator.py detection_result.json --text your_text.txt --output feedback.md

4. 자동 수정 적용

# 공백 등 간단한 문제 자동 수정
python scripts/feedback_generator.py detection_result.json --text your_text.txt --apply

Claude Skill로 사용

  1. 본 저장소를 Claude Code의 skills 디렉토리에 클론:
cd ~/.config/opencode/skills
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git
  1. Claude Code에서 Skill 트리거:
AI 흔적 제거: [텍스트 붙여넣기]

또는

이 텍스트의 AI 글쓰기 흔적을 제거해 주세요

📊 감지 차원

1. 규칙 매칭 감지

다음 AI 글쓰기 특징을 식별:

  • AI 용어: 赋能(임파워먼트), 抓手(핵심수단), 闭环(폐쇄형루프), 痛点(고충점), 赛道(분야) 등
  • 모호한 귀속: "연구에 따르면", "전문가는 지적한다" 등
  • 과도한 강조: "핵심", "핵심", "지대한" 등
  • 거시 서술: "시대", "추세", "물결" 등
  • 표면적 분석: "부각되었다", "반영되었다" 등 -ing로 끝나는 분석
  • 형식적 결말: "종합하면", "이로 보건대" 등
  • 과도한 접속사: "첫째...둘째...마지막으로" 등
  • 중영문 혼용 공백: "MBA 논문" → "MBA논문"

2. 통계 분석 감지

  • 문장 길이 균일성: AI 텍스트는 보통 문장 길이가 더 균일함
  • 어휘 다양성: AI 텍스트는 어휘 다양성이 낮음
  • 구두점 분포: 구두점 사용 패턴 분석
  • 단락 구조: 단락 길이 분포 감지

3. 언어 특징 감지

  • 접속사 밀도: 논리적 접속사 사용 빈도 통계
  • 형식적 표현 패턴: 과도하게 형식적인 학술 표현 식별
  • 문장 구조 복잡성: 복잡한 문장 구조 사용 분석

4. 산문 구조 분석기 (v1.3)

각 분석기는 AnalyzerIssue(analyzer_id / severity / confidence / location / evidence / suggestion)와 통계 지표를 반환합니다:

차원 analyzer_id 트리거
6 uniform_sentence_length 문장 길이 분산/CV가 임계값 초과 (단락 + 전체)
9 uniform_paragraph_length 단락 간 CJK 길이 CV < 0.25
10 paragraph_edge_template_repeat 3+ 연속 단락이 동일 헤더/푸터 지문 공유
8a paragraph_structure_uniformity 3+ 연속 단락이 동일 4-튜플 구조 지문 공유
8b chapter_template_repeat 단일 장에서 3+ 절이 동일 장 절 템플릿 재사용

5. 시맨틱 체인 분석기 (v1.3)

단락이나 장을 가로지르는 AI 패턴:

차원 analyzer_id 트리거
3 chain_three_part_rule 3+ 연속 단락이 「一是…二是…三是」 또는 「먼저…다음…마지막으로」 사용
3 chain_author_listing 단일 장에서 4+ 「저자(년) 指出/认为」 나열
3 chain_method_name 단일 단락에서 2+ 방법/모델/이론명을 개별 설명 없이 적재
3 chain_abstract_template 단일 단락이 3+ 초록 템플릿 구문에 적중
3 chain_conclusion_echo 결론 장 서두와 서론 서두의 문자 Jaccard ≥ 0.30
4 chain_vague_problem_statement 2+ 막연한 문제 표현이 30자 내에 수치 근거 없음
4 chain_unsupported_quantification 2+ 백분율/순위 주장에 80자 내 「根据/来源/问卷/N=」 앵커 없음
4 chain_macro_narrative 1000자 윈도우 내 3+ 거시 서술 표현
5 evidence_chain_completeness content+evidence 횡단: 2+ 정량화/조사 주장이 방법 앵커 부재
5 cross_section_problem_trace 제3장 문제 ↔ 제5장 대책 키워드 중복률 < 30%

6. 구조화된 재작성 플랜 (v1.3)

detect_ai_patterns.AIPatternDetector.generate_report() 와 multi_detector.FusionEngine.detect() 는 modify_plan 키를 노출합니다:

{
  "analyzer_id": "chain_unsupported_quantification",
  "severity": "high",
  "location": "global",
  "evidence": "백분율/순위 주장 7건, 그 중 5건이 80자 내 근거 없음",
  "suggestion": "모든 정량 주장에 출처 부착",
  "rewrite_template": "각 정량 주장에 표본, 시간 창, 통계 범위를 부착한다.",
  "recommended_replacements": [
    "「2023년 12월 고객 설문 (N=120)에 따르면…」",
    "표본 설명: 「5점 리커트 척도」",
    "검증 불가 시: 「본 지표는 추가 검증이 필요」",
  ],
  "target_word_count_range": [60, 140],
  "before_after_example": {
    "before": "客户满意度提升20%。",
    "after": "根据2023年12月客户问卷(N=120),客户满意度从3.8分升至4.5分。"
  }
}

7. 문장 단위 고위험 통합 (v1.4)

report["high_risk_annotations"] 는 새로 추가된 세 번째 배열 — 한 문장당 한 항목 — 으로, matches[] (수백 건의 정규식 히트, 각 항목은 일반적인 suggestion 문자열만 보유) 와 modify_plan[] (4건의 집계, 행 번호 없음) 사이의 정보 단절을 메꿔 줍니다:

{
  "sentence_index": 17,
  "char_offset_start": 1287,
  "char_offset_end": 1335,
  "sentence_text": "数字化转型赋能业务创新,形成从生产到服务的完整闭环。",
  "line_number": 24,
  "severity": "high",
  "triggered_rules": [
    {
      "rule_id": "ai_buzzwords",
      "pattern_name": "AI词汇/互联网黑话",
      "pattern_type": "regex",
      "evidence": "赋能",
      "confidence": 1.0,
      "severity": "high",
      "phrase_replacements": [
        "赋能 → 促进/支持",
        "闭环 → 闭合回路/完整流程",
        "抓手 → 切入点/措施"
      ],
      "before_after_example": {
        "before": "数字化转型赋能业务创新,形成从生产到服务的完整闭环。",
        "after": "数字化改造使生产到售后的流程数据打通,订单处理时长从5天缩短至2天。"
      }
    }
  ],
  "rewrite_template": "把互联网黑话替换为传统管理学术语。",
  "recommended_replacements": [
    "赋能 → 促进/支持",
    "闭环 → 闭合回路/完整流程"
  ]
}

필드 참조:

필드 의미
sentence_text 원본 문장 그대로
char_offset_start/end 원본 텍스트 내 문자 오프셋 (종결 부호 포함)
line_number 원본 텍스트의 1-based 행 번호
severity 이 문장에서 발화한 모든 규칙 중 최고 심각도
triggered_rules[].rule_id 예: ai_buzzwords, empty_solution_verbs, chain_three_part_rule
triggered_rules[].phrase_replacements TOML phrase_replacements 에서. 복사·붙여넣기 가능한 구문 치환
triggered_rules[].before_after_example TOML [[categories.examples]] 에서. 실제 재작성 쌍
rewrite_template rewrite_planner._SKELETONS 에서. 이 문장의 최고 우선순위 규칙 골격
recommended_replacements 발화한 모든 규칙의 phrase_replacements 의 중복 제거 합집합

보장:

  • severity 고→저 → char_offset_start 오름차순 정렬 — LLM humanizer agent 에 문장 단위로 직접 투입 가능
  • 같은 문장에 다수 규칙 → 하나의 annotation, triggered_rules[] 에 집계
  • 기존 matches / modify_plan / summary / metrics 필드는 완전히 불변

🎓 분 장별 글쓰기 가이드

본 도구는 MBA 논문 5개 핵심 장에 대한 상세한 글쓰기 가이드를 제공합니다:

제1장 서론

일반적인 문제:

  • ❌ 거시 서술식 도입: "경제 발전에 따라..."
  • ❌ 연구 의의가 공허함: "중요한 이론적 의의와 실무적 가치가 있음"
  • ❌ 문헌 고찰 나열: A의견, B의견, C의견
  • ❌ 연구 방법 단순 나열

개선 전략:

  • ✅ 바로 핵심: 연구 기업, 구체적인 문제를 직접 언급
  • ✅ 의의 구체화: 어떤 문제를 해결하고 어떤 가치를 가져오는지 설명
  • ✅ 문헌 주제 중심: 주제별로 구성하고 비판적 분석 포함
  • ✅ 방법 구체화: 데이터 출처, 샘플, 분석 도구 설명

📄 상세 가이드: chapter-1-introduction.md

제2장 이론적 기초

일반적인 문제:

  • ❌ 교과서식 정의 나열
  • ❌ 이론 나열: 5-6개 이론 소개
  • ❌ 이론과 실무 괴리

개선 전략:

  • ✅ 간결한 정의: 2-3개 핵심 개념
  • ✅ 이론 엄선: 1-2개 핵심 이론, 선택 이유 설명
  • ✅ 적용 지향: 후속 분석을 위한 프레임워크 제공

📄 상세 가이드: chapter-2-theory.md

제3장 현황 및 문제 분석

일반적인 문제:

  • ❌ 기업 개황 자료 나열, 연구와의 연관성 낮음
  • ❌ 현황 서술이 정성적 위주이며 데이터 부족
  • ❌ 문제 식별이 모호함: "관리 미흡", "효율 저하"
  • ❌ 원인 분석이 표면적임: 현상 서술에 머무름

개선 전략:

  • ✅ 관련성 집중: 연구와 관련된 배경 정보만 제공
  • ✅ 데이터 중심: 구체적 지표와 시계열 데이터 사용
  • ✅ 문제 구체화: 각 문제에 측정 지표와 조사 데이터
  • ✅ 심층 분석: 이론 프레임워크로 근본 원인 분석

📄 상세 가이드: chapter-3-analysis.md

제4장 대안 제안

일반적인 문제:

  • ❌ 제안이 공허함: "관리 강화", "프로세스 최적화"
  • ❌ 실행 가능성 부족
  • ❌ 제약 조건 무시
  • ❌ 템플릿 적용: SWOT 형식적 사용

개선 전략:

  • ✅ 구체적이고 실행 가능: 무엇을, 어떻게, 누가 할지 명확히
  • ✅ 단계별 실행: 단기, 중기, 장기 구분
  • ✅ 제약 고려: 자원, 역량, 문화적 제한 분석
  • ✅ 효과 정량화: 예상 효과는 가능한 한 정량화

📄 상세 가이드: chapter-4-solutions.md

제5장 결론

일반적인 문제:

  • ❌ 초록 내용 반복
  • ❌ 각 장 내용 단순 나열
  • ❌ 혁신점이 공허함: "최초 연구", "공백 메우기"
  • ❌ 연구 한계 회피

개선 전략:

  • ✅ 연구 발견: 핵심 발견 강조, 초록과 중복 금지
  • ✅ 혁신 구체화: 이론, 방법, 응용 혁신을 객관적으로 설명
  • ✅ 한계 정직: 구체적인 한계와 영향 분석
  • ✅ 향후 전망: 구체적이고 실행 가능한 연구 방향 제시

📄 상세 가이드: chapter-5-conclusion.md


📝 형식 규범

독립적인 형식 규범 문서가 다음을 포괄:

  • 중영문/숫자 혼용 규범
  • 차트 번호 및 조판 규범
  • 인용 및 참고문헌 규범
  • 숫자 및 단위 규범
  • 구두점 규범
  • 단락 및 계층 규범

📄 상세 규범: format-standards.md


📈 감지 결과 해석

감지 보고서는 다음 차원을 포함:

  • AI 생성 확률: 0-100%, 점수가 높을수록 AI 흔적이 뚜렷함
  • 위험 등급: 🔴 고위험 / 🟡 중위험 / 🟢 저위험
  • 감지기 일관성: 세 가지 감지 방법의 결과 일치성
  • 우선 수정 항목: 심각도순으로 정렬된 수정 제안
  • 장 특정 제안: 감지된 장 유형에 따른 대응 제안

수정 전략

AI 확률 점수에 따라 다른 전략 적용:

🔴 고위험 (>70%): 심층 재작성

  • 단락 구조 전면 재구성
  • 모든 AI 특징 어휘 삭제
  • 구체적 데이터와 사례 보충
  • 예상 시간: 2-3시간

🟡 중위험 (40-70%): 대응 최적화

  • 고우선순위 AI 특징 수정
  • 형식적 표현과 템플릿화된 표현 조정
  • 핵심 데이터 지원 보충
  • 예상 시간: 1-2시간

🟢 저위험 (<40%): 세부 윤문

  • 소량의 AI 흔적 수정
  • 언어 표현 최적화
  • 최종 교정
  • 예상 시간: 30분-1시간

💡 사용 예시

예시 1: AI 용어 제거

원문:

디지털 전환은 기업의 고품질 발전을 촉진하는 핵심 수단이 되었으며,
비즈니스 혁신에 임파워먼트를 제공하여 기업에 상당한 가치를 창출합니다.

수정 후:

본 연구는 디지털 전환이 기업 성과에 미치는 영향을 탐구합니다.
XX사의 2018-2023년 재무 데이터를 분석한 결과,
디지털 투자와 영업 수익 성장 간에 정의 상관관계가 있음을 발견했습니다.

예시 2: 모호한 귀속 제거

원문:

연구에 따르면 기업 문화가 조직 성과에 중요한 영향을 미칩니다.

수정 후:

Schein(2010)의 연구에 따르면, 강력한 기업 문화와 조직 성과 간에
정의 상관관계가 존재합니다(r=0.42, p<0.05).

예시 3: MBA 논문 작은 주제 심층 연구

원문:

기업 디지털 전환 연구

수정 후:

XX사 생산 부문 디지털 전환의 프로세스 최적화 연구

예시 4: 데이터 추적 가능성

원문:

기업 매출 성장 20%, 직원 만족도 85%.

수정 후:

XX사 2023년 연례 보고서에 따르면, 기업 매출은 전년 대비 20% 성장했습니다.
2023년 12월에 실시된 설문조사(N=120)에 따르면, 직원 만족도는 85%입니다.

예시 5: 중영문 혼용 공백 수정

원문:

MBA 논문 작성에서 AI 흔적 문제에 주목해야 합니다.
2023 년의 연구에 따르면, 15 %의 기업이 이러한 문제를 겪고 있습니다.

수정 후:

MBA논문 작성에서 AI흔적 문제에 주목해야 합니다.
2023년의 연구에 따르면, 15%의 기업이 이러한 문제를 겪고 있습니다.

📁 프로젝트 구조

humanize-mba-text-skill/
├── SKILL.md                          # 주요 Claude Skill 파일
├── README.md                         # 중국어 README
├── README_EN.md                      # English README
├── README_JP.md                      # 日本語 README
├── README_KR.md                      # 한국어 README (이 파일)
├── LICENSE                           # MIT 라이선스
│
├── references/                       # 참조 문서 + AI 감지 규칙 데이터
│   ├── ai-writing-patterns.md        # AI 글쓰기 특징 상세 가이드
│   ├── chapter-1-introduction.md     # 제1장: 서론 글쓰기 가이드
│   ├── chapter-2-theory.md           # 제2장: 이론적 기초 글쓰기 가이드
│   ├── chapter-3-analysis.md         # 제3장: 현황 및 문제 분석 글쓰기 가이드
│   ├── chapter-4-solutions.md        # 제4장: 대안 제안 글쓰기 가이드
│   ├── chapter-5-conclusion.md       # 제5장: 결론 글쓰기 가이드
│   ├── format-standards.md           # 형식 규범
│   ├── strategy_ai_reduction.md      # AI 감지율 감소 전략
│   ├── strategy_plagiarism.md        # 표절률 감소 전략
│   ├── strategy_polishing.md         # 학술 윤문 전략
│   ├── chinese-paper-humanization-rules.toml   # 단일 규칙 진입점 (대체용)
│   └── rules/                        # ⭐v1.3: 점진 로드 가능한 AI 규칙
│       ├── index.toml                #   경량 매니페스트
│       ├── categories/
│       │   ├── structure.toml        #   구조 카테고리
│       │   ├── rhythm_quality.toml  #   리듬 카테고리
│       │   ├── formatting.toml       #   형식 카테고리
│       │   ├── content.toml          #   내용 (거시 서술/막연한 문제/출처 없는 정량화 포함)
│       │   ├── evidence.toml         #   증거 (방법 미기재/인과 비약 포함)
│       │   └── language.toml         #   언어 카테고리
│       ├── chapter-categories.toml  #   장 절 타입 분류기
│       └── metrics.toml              #   공통 측정 어휘
│
└── scripts/                          # 감지 스크립트
    ├── rule_loader.py                # ⭐v1.3: TOML 점진 로더
    ├── detect_ai_patterns.py         # AIPatternDetector 진입점 (modify_plan 포함)
    ├── multi_detector.py             # FusionEngine 진입점
    ├── feedback_generator.py         # 피드백 생성기
    └── analyzers/                    # ⭐v1.3: 분석기 패키지
        ├── __init__.py               #   run_prose_analyzers / run_semantic_chain_analyzers / build_modify_plan 노출
        ├── _types.py                 #   AnalyzerIssue / AnalyzerReport 데이터 계약
        ├── _segments.py              #   공통 세그멘테이션 헬퍼
        ├── _regex_categories.py      #   hit 레벨 래퍼 (체인 레이어용)
        ├── sentence_length.py        #   차원 6
        ├── paragraph_length.py       #   차원 9
        ├── paragraph_edges.py        #   차원 10
        ├── paragraph_structure.py    #   차원 8a
        ├── chapter_template.py       #   차원 8b
        ├── semantic_chain.py         #   차원 3/4/5: 10개 체인 분석기
        └── rewrite_planner.py        #   AnalyzerIssue → 구조화된 ModifyEntry

🔧 고급 사용법

대화형 수정

python scripts/multi_detector.py your_text.txt --interactive

수정 계획 내보내기

python scripts/multi_detector.py your_text.txt --plan modification_plan.json

일괄 처리

# 여러 파일 처리
for file in *.txt; do
    python scripts/multi_detector.py "$file" --output "reports/${file%.txt}_report.md"
done

⚠️ 주의사항

  1. 학술적 진실성: 재작성 시 학술적 진실성을 유지하고 데이터를 조작하지 않음; 모든 데이터는 실제 출처가 있어야 함
  2. 데이터 검증: 불확실한 인용과 데이터는 사용자가 원시 자료를 검증할 것을 권장
  3. 이론 적합성: 사용자가 구체적인 연구 문제에 적합한 이론 프레임워크를 선택할 것을 권장
  4. 기업 승인: 기업 내부 데이터가 포함된 경우 기업의 서면 승인을 받거나 비식별화 처리 권장
  5. 표절 통제: 재작성 후 표절 검사를 받아 복사율이 15% 미만인지 확인 권장
  6. 개인화 조정: 재작성된 텍스트는 사용자가 구체적인 학교와 지도 교수의 요구사항에 따라 조정해야 함
  7. 범위 제한: 본 도구는 AI 흔적 제거와 형식 규범에 집중하며, 학술적 내용의 심층 검토는 포함하지 않음
  8. 참고문헌: 재작성은 참고문헌을 자동 생성하지 않으며, 사용자가 실제 인용에 따라 완전히 보충해야 함

🤝 기여 가이드

Issue와 Pull Request를 환영합니다!

Issue 제출

  • 문제점을 명확히 설명
  • 예시 텍스트 제공(비식별화 가능)
  • 기대하는 동작 설명

Pull Request 제출

  1. 본 저장소를 Fork
  2. 특성 브랜치 생성 (git checkout -b feature/AmazingFeature)
  3. 수정사항 커밋 (git commit -m 'Add some AmazingFeature')
  4. 브랜치에 푸시 (git push origin feature/AmazingFeature)
  5. Pull Request 열기

📝 변경 로그

v1.4.0 (2026-07-05)

  • 🧭 high_risk_annotations[] 문장 단위 통합: detect_ai_patterns.generate_report JSON 출력에 최상위 키 추가. 정규식 히트와 구조/체인 이슈를 문장 단위로 병합. 각 행은 문장 단위 문자 오프셋, 원문, 발화한 모든 규칙, 규칙별 구문 치환, 실제 재작성 쌍 보유
  • 🔁 TOML phrase_replacements 필드: 4개 고빈도 규칙에 구문 단위 치환 매핑 추가 (ai_buzzwords / empty_solution_verbs / vague_attribution / unsupported_quantification). v2 LLM 폴백용 훅도 예약됨
  • 📐 ModifyEntry.before_after_example: 모든 modify_plan 행에 추가되는 additive 필드 — None 또는 {before, after} — [[categories.examples]] 를 소스로 함
  • 🆕 scripts/analyzers/high_risk_annotator.py: 신규 모듈. 문장 세분화(문자 오프셋 포함) + 이중 트랙 버킷팅(정규식은 행 번호 / 이슈는 location + evidence 부분 문자열) + 심각도 정렬. detect_ai_patterns.py 와 lazy import 로 디커플링
  • ✅ 하위 호환: 기존 matches / modify_plan / summary / metrics 의 필드 순서·타입 불변. target_word_count_range 는 2 요소 list 유지. 117개 테스트 모두 통과

v1.3.0 (2026-07-05)

메인 릴리스 — feat: rule-driven AI-trace detection with prose + semantic-chain analyzers

  • 🔬 규칙 외부화: 모든 AI 감지 규칙을 외부 TOML로 이전하여 7개 카테고리로 분할; scripts/rule_loader.py 가 점진 로딩을 제공
  • 📊 산문 구조 분석기: 5개 통계 / 지문 분석기 추가 (차원 6 / 8a / 8b / 9 / 10)
  • 🔗 시맨틱 체인 분석기: 10개 단락 / 장 절 횡단 체인 분석기 추가 (차원 3 / 4 / 5)
  • 📋 구조화된 재작성 플랜: detect_ai_patterns.generate_report 가 modify_plan 키를 반환
  • 🎯 통합 규칙 소스: AIPatternDetector / StatisticalDetector / FeedbackGenerator 가 동일한 TOML 규칙 문서를 공유
  • 🛠 신규 scripts/analyzers/ 패키지: 산문+체인 분석기의 단일 디렉터리

v1.3.0 증분

  • 📐 SKILL.md Harris 스타일 분할: 576 → 197 줄 (-66%); 식별·재작성 전략 / 3차원 최적화 + 평가 / MBA 체크리스트 / 장 절별 규칙 데이터를 references/strategy_optimization.toml / mba_rewrite_checklist.toml / chapter_rewrite_rules.toml 로 데이터화; SKILL.md 는 안내 인덱스만 유지
  • 🔁 humanizer-academic-zh 상호 참조: 감지(우리) ↔ 재작성(그들) 경로가 보완 관계; 패턴 21-25 를 점진 로드 manifest 통해 references/rules/categories/*.toml 에 통합
  • 📊 규칙 데이터 업그레이드:
    • filler_phrases (패턴 21 필러): 5 → 8 개 regex
    • chatbot_conversation_residue (패턴 23 협업 톤): 4 → 7 개 regex
    • 신규 sycophantic_praise (패턴 25 아첨): 9 개 regex + 3 개 before/after 예제, severity=medium / weight=0.5
  • 🌐 다국어 README 동기화: v1.3.0 내용을 중/영/일/한 4개국어 README 에 동기화; 감사의 글과 관련 프로젝트 절 모두 humanizer-academic-zh 와 상호 링크

v1.2.0 (2024-02-10)

  • 📊 3차원 협동 최적화 전략 문서화: AI 감지율 감소, 표절률 감소, 학술 윤문 향상을 위한 전략 문서 추가
    • strategy_ai_reduction.md: AI 감지율 감소 전략
    • strategy_plagiarism.md: 표절률 감소 전략
    • strategy_polishing.md: 학술 윤문 전략
  • 🌐 다국어 지원 개선: 한국어 README 완전 번역
  • 🎓 전략 가이드 세분화: 각 최적화 차원에 대한 상세한 실행 가이드 제공

v1.1.0 (2024-02-05)

  • 📚 장 문서 재구성: 장 규칙을 5개의 독립 파일로 분할
    • chapter-1-introduction.md: 서론 상세 가이드
    • chapter-2-theory.md: 이론적 기초 상세 가이드
    • chapter-3-analysis.md: 현황 및 문제 분석 상세 가이드
    • chapter-4-solutions.md: 대안 제안 상세 가이드
    • chapter-5-conclusion.md: 결론 상세 가이드
    • format-standards.md: 형식 규범 독립 문서
  • 🎓 MBA 규범 세분화: MBA 논문 핵심 원칙 장 신규 추가
  • 🎯 실무 지향 강화: 데이터 지원, 이론 적용 및 구체적 사례에 더욱 중점
  • 📝 형식 규범 개선: 중영문 혼용, 차트, 인용 등 형식 표준 독립 정리
  • 🏗️ 프로젝트 구조 최적화: 더 명확한 파일 구성 및 인덱스

v1.0.0 (2024-02-04)

  • ✨ 초기 버전 출시
  • 🎯 다차원 AI 특징 감지 지원
  • 📚 장 특정 규칙 추가
  • 🔧 자동 수정 기능 구현
  • 🎓 Claude Skill 통합

📄 라이선스

본 프로젝트는 MIT 라이선스를 채택합니다 - 자세한 내용은 LICENSE 파일 참조


🙏 감사의 글

  • Claude Code의 Skill 프레임워크 제공에 감사드립니다
  • 피드백과 제안을 제공한 모든 사용자에게 감사드립니다
  • 특히 Haimbeau1o/thesis-optimizer 프로젝트에 감사드립니다. 본 프로젝트의 3차원 협동 최적화 전략(AI 감지율 감소, 표절률 감소, 학술 윤문 향상)은 해당 프로젝트의 우수한 설계를 참고하였습니다
  • Kimi CLI의 서브 에이전트 개발 지원에 감사드립니다
  • 재작성 전략 참고: cangtianhuang/humanizer-academic-zh. 본 프로젝트는 '감지 + 정량 위치 지정' 경로를 따르고, 해당 프로젝트는 '재작성 + 윤문' 경로를 따릅니다. 해당 프로젝트의 25개 시맨틱 패턴(표현/언어/스타일/필러/커뮤니케이션 잔재의 5대 분류)을 본 프로젝트 SKILL.md의 '보충 참고' 절에서 상호 참조, 특히 본 프로젝트에서 다루지 않는 패턴 21-25를 명시

📮 연락처


🔗 관련 프로젝트

  • thesis-optimizer - 학술 논문 지능형 최적화 시스템(컴퓨터 딥러닝 방향)
  • cangtianhuang/humanizer-academic-zh - Humanizer 중문학술판: 본 프로젝트의 "감지 + 정량 위치 지정" 경로를 보완하는 "재작성 + 윤문" Skill. 25개 시맨틱 패턴을 표현/언어/스타일/필러/커뮤니케이션 잔재 5대 분류로 정리. 본 프로젝트 v1.3.0에서 패턴 21-25를 점진 로드 TOML(references/rules/categories/*.toml)에 통합(filler_phrases 강화, chatbot_conversation_residue 강화, sycophantic_praise 신규 추가 등).

이 프로젝트가 도움이 되었다면 ⭐ Star를 눌러주세요!