stephenlzc/humanize-mba-text-skill
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.
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
AIREADME_KR.md
OriginalHumanize MBA Text - AI 글쓰기 흔적 감지 및 제거
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_detection방법을 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.pyCLI를 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
- 본 저장소를 Claude Code의 skills 디렉토리에 클론:
cd ~/.config/opencode/skills
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git
- 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_start오름차순 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/metrics필드는 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
- 학술적 진실성: 재작성 시 학술적 진실성을 유지하고 데이터를 조작하지 않음; 모든 데이터는 실제 출처가 있어야 함
- 데이터 검증: 불확실한 인용과 데이터는 사용자가 원시 자료를 검증할 것을 권장
- 이론 적합성: 사용자가 구체적인 연구 문제에 적합한 이론 프레임워크를 선택할 것을 권장
- 기업 승인: 기업 내부 데이터가 포함된 경우 기업의 서면 승인을 받거나 비식별화 처리 권장
- 표절 통제: 재작성 후 표절 검사를 받아 복사율이 15% 미만인지 확인 권장
- 개인화 조정: 재작성된 텍스트는 사용자가 구체적인 학교와 지도 교수의 요구사항에 따라 조정해야 함
- 범위 제한: 본 도구는 AI 흔적 제거와 형식 규범에 집중하며, 학술적 내용의 심층 검토는 포함하지 않음
- 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
- 본 저장소를 Fork
- 특성 브랜치 생성 (
git checkout -b feature/AmazingFeature) - 수정사항 커밋 (
git commit -m 'Add some AmazingFeature') - 브랜치에 푸시 (
git push origin feature/AmazingFeature) - Pull Request 열기
📝 변경 로그
v1.4.0 (2026-07-05)
- 🧭
high_risk_annotations[]문장 단위 통합:detect_ai_patterns.generate_reportJSON 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_replacements필드: 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: 모든modify_plan행에 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.py와 lazy import 로 디커플링 - ✅ 하위 호환: 기존
matches/modify_plan/summary/metrics의 필드 순서·타입 불변.target_word_count_range는 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.py가 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_report가modify_plan키를 반환 - 🎯 통합 규칙 소스:
AIPatternDetector/StatisticalDetector/FeedbackGenerator가 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.toml로 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/*.toml에 통합 - 📊 규칙 데이터 업그레이드:
filler_phrases(패턴 21 필러): 5 → 8 개 regexchatbot_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-zh와 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
- GitHub Issues: https://github.com/stephenlzc/humanize-mba-text-skill/issues
- 작성자: stephenlzc
🔗 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_phrases강화,chatbot_conversation_residue강화,sycophantic_praise신규 추가 등).
이 프로젝트가 도움이 되었다면 ⭐ Star를 눌러주세요!