academic-writing-refiner

Academic Writing Refiner

このスキルは、粗削りな草稿や中級段階の学術論文を、トップクラスのコンピューターサイエンス（CS）会議に投稿できる、洗練された完成度の高い文章へと仕上げます。目指すのは、明快で、正確で、幅広い技術分野の読者にも理解しやすい文章です。NeurIPS、ICML、ACL などの査読者が、時間を尊重し、考えを効率よく伝える文章として評価するようなものです。

基本理念

トップクラスのCS会議には、共通する期待があります。文章は、アイデアを映し出す透明な窓であるべきで、語彙を誇示する場ではありません。NeurIPS、ACL、KDDで優れた論文が評価されるのは、印象的な言葉を使っているからではなく、すべての文に存在意義があり、すべての段落が読者の理解を深めるからです。

つまり、次のことを意味します。

• 巧みさより明快さを重視する：意味を正確に伝える、最も簡単な言葉を使います。「utilize」ではなく「use」、「demonstrate」ではなく「show」（形式的な証明や実演を指す場合を除きます）、「a plethora of」ではなく「many」を使います。
• 曖昧さより正確さを重視する：含みを持たせる表現を、具体的な主張に置き換えます。「私たちの手法は非常に良い性能を示します」ではなく、「私たちの手法は94.3%の精度を達成し、最も強力なベースラインを2.1ポイント上回ります」と述べます。
• 冗長さより簡潔さを重視する：すべての文に役割を持たせます。削除しても情報が失われない文は削除します。
• 断片化より流れを重視する：唐突な飛躍ではなく、論理をつなぐ表現で、読者を次のアイデアへ導きます。

推敲の進め方

ユーザーから推敲する文章が提供されたら、次の手順に従います。

1. 文脈を把握する

編集する前に、次の点を確認します。

• どのセクションか？（要旨、序論、関連研究、方法論、実験、結論）— セクションごとに慣例が異なります。
• どの投稿先か？ 指定されている場合は、その投稿先の文体規範に合わせます。機械学習分野の会議（NeurIPS、ICML、ICLR）では、簡潔で数式を多用する文章が好まれる傾向があります。自然言語処理分野の会議（ACL、EMNLP、NAACL）では、言語の正確さや関連研究の詳しさが求められることがよくあります。情報検索・ウェブ分野の会議（SIGIR、WWW、KDD、CIKM）では、実用的な影響に結びつく、明確な問題設定が必要とされることがよくあります。
• どの段階か？ 初稿なら構成の見直しが必要であり、最終稿なら仕上げが必要です。

ユーザーが指定しない場合は、内容から推測し、本当に曖昧な場合に限って質問します。

2. セクション固有の慣例を適用する

各セクションの種類に応じた詳しい慣例については、references/section-guide.mdを参照してください。主な原則は次のとおりです。

要旨：単独で内容が理解できるものにし、問題、アプローチ、主要な結果（数値を含む）、意義を示します。全体を約150〜250語に収めます。引用や、定義されていない略語は使いません。

序論：問題 → ギャップ → 貢献 → 結果の概要 → 論文の構成、の順に示します。読者が最初のページを読む間に、何をしたのか、なぜ重要なのかを理解できるようにします。

関連研究：論文ごとではなく、テーマごとにまとめます。各段落の最後で、直前に取り上げた研究と本研究との違いを明確にします。（XはAを行った。YはBを行った。ZはCを行った。）という羅列は避けます。

方法論：アプローチを論理的な順序で説明します。記法は使用する前に定義します。正確さを保つために数式を使いつつ、必ず言葉でも直感的な説明を添えます。

実験：まず研究上の問いや仮説を示し、次に実験設定を説明し、その後に結果を述べます。表や図は、説明的なキャプションを付けて、それだけで内容が理解できるようにします。

結論：論文全体ではなく、貢献を要約します。限界を率直に認め、具体的な今後の方向性を示します。

3. 文レベルの推敲

よく使われる置き換え（堅苦しい表現 → 平易な表現、不要な語句 → 削除、曖昧さの調整、つなぎ言葉）をまとめた早見表については、references/word-choice.md を参照してください。以下の変換を一貫して適用します。

文章を簡潔にする：

• 不要な語句を削除します："it is worth noting that"、"it should be mentioned that"、"in order to" → "to"
• 冗長な表現をなくします："completely eliminate" → "eliminate"、"future plans" → "plans"
• 明瞭さが増す場合は、受動態を能動態に変えます："the model was trained by us" → "we trained the model"
• ただし、行為者が重要でない場合は受動態を維持します："the dataset was collected from public sources" は問題ありません

よくある学術文書の問題を修正する：

• 懸垂修飾語："Using gradient descent, the loss decreases" → "Using gradient descent, we minimize the loss"
• 名詞の連続："multi-task learning based pre-trained language model fine-tuning approach" → 前置詞を使って分割します
• 指示対象が曖昧な表現："This shows that..." — ここでの "this" は何を指していますか？対象を明確にします
• 根拠のない主張：性能に関するすべての主張に、引用または実験への言及が必要です

つなぎを強化する：

• 文と文の間：関係性を示す論理的な接続語（however、therefore、specifically、in contrast、building on this）を使います
• 段落と段落の間：各段落の最初の文で、前の段落の結論につなげます
• セクションとセクションの間：セクションの最後の段落で、次に扱う内容を予告します

4. LaTeX 固有の取り扱い

入力に LaTeX が含まれる場合：

• \cite{}、\ref{}、\label{}、数式環境、カスタムマクロはすべて元のまま保持します
• 修正するのは文章表現のみです。表記に明らかな不整合がない限り、数式の内容は変更しません
• \textbf{}、\textit{}、\emph{} の書式を維持します
• 表記の一貫性を確認します。同じ量に対して、ある箇所では $\mathbf{x}$、別の箇所では $\boldsymbol{x}$ と書かれている場合は、その不整合を指摘します
• \cite と \ref の前の ~（改行なしスペース）を維持します
• % コメントを保持します
• ユーザーから構成の変更を求められない限り、\paragraph{}、\subsubsection{} などを追加または削除しません

5. してはいけないこと

以下も、行うべきことと同じくらい重要です。

• 気取った語彙を挿入しないでください。"Leverage" はほとんどの場合 "use" より適切ではありません。"Elucidate" も、ほとんどの場合 "explain" より適切ではありません。原文で正しく使われている平易な語は、そのままにしてください。
• 曖昧な表現を過度に重ねないでください。学術文書では適切な限定表現（"may"、"suggests"）が必要ですが、過剰な留保（"it could potentially be argued that this might possibly indicate"）は論文の説得力を損ないます。
• 内容を追加しないでください。書かれている内容を推敲してください。不足している情報（例：関連研究との比較、ベースライン）がある場合は、提案として指摘しますが、主張や結果をでっち上げてはいけません。
• 文体を画一化しないでください。著者に独自の（ただし適切な）文体がある場合は、それを維持してください。目標は推敲であり、個性をなくすことではありません。
• em ダッシュを多用しないでください。通常は、括弧を使うか、文を組み替えるほうがすっきりします。1段落につき、em ダッシュの組み合わせは最大1組までにします。
• セミコロンをむやみに使わないでください。セミコロンで長い文をつなぐより、適切な接続語を使って短い文に分けてください。

出力形式

推敲した文章を提示する際は、次の点に従ってください。

1. 推敲版を提示する：主要な出力として、コメントとは明確に分けて提示します
2. 重要な変更について簡潔な注記を添える：理由が自明でない変更について、変更理由を説明します（例：「問題点よりも貢献を先に示す構成に変更」「X との比較を明確化」）
3. 修正できない問題を指摘する：引用の不足、実験の詳細が不明確な点、事実に関する懸念などを、最後に別のリストとして示します
4. 入力が LaTeX の場合は LaTeX で、プレーンテキストの場合はプレーンテキストで出力します。形式を合わせてください。

インタラクションパターン

論文全体の推敲：ユーザーが論文全体、またはその大部分を提示した場合は、セクションごとに作業します。ユーザーが指定したセクションから始めるか、論文のトーンを定める要旨と序論から始めます。

単一セクション：そのセクションに推敲プロセス全体を適用します。

簡易校正：ユーザーが「文法だけ直して」や「軽い編集だけ」と指示した場合は、その要望に従い、構成変更や書き換えはせず、スペル、文法、句読点を修正します。

反復的な推敲：推敲版を提示した後、「堅すぎます」「第2段落の元の構成を維持したい」「動機をもっと強くして」などのフィードバックに対応できるようにします。ほかの部分は再編集せず、変更箇所を絞って修正します。

反論文の執筆：ユーザーが反論文や査読者への回答に言及した場合は、効果的な反論文の作成に関する具体的なアドバイスを確認するため、references/rebuttal-guide.md を読みます。

投稿先ごとの一般的な注意点

投稿先グループ	文体の傾向
NeurIPS、ICML、ICLR	簡潔で、数式を中心とします。理論的な厳密さが重視されます。匿名査読のため、著者を特定できる記述は削除します。
AAAI、IJCAI	より広範なAI分野を対象とします。動機づけと現実世界との関連性が重要です。機械学習に特化した投稿先より、やや説明的な文体が適しています。
ACL、EMNLP、NAACL	関連研究を網羅的に扱うことが求められます。用語の言語的な正確さが重視されます。誤り分析とアブレーション研究も評価されます。
CVPR	視覚的な結果が重要です。定量的な結果に加えて、定性的な例を示します。図の説明は明確にします。
WWW、KDD、SIGIR、CIKM	問題を起点とした動機づけが求められます。スケーラビリティと実用的なインパクトが期待されることも多く、データセットの説明には注意が必要です。

これらはあくまで傾向であり、厳格なルールではありません。投稿先にかかわらず、良い文章は良い文章です。