structural-humanizer

structural-humanizer

まずこれをお読みください。humanizer スキルは、「delve」、em ダッシュ、三項並列、否定的な並列表現といった語句を修正します。このスキルが修正するのは、その処理を経ても残るもの、つまり構造です。この2つは別々の作業で、順番に実行します。まず表層を処理し、その後に構造を処理します。

この層がより重要な理由。 StoryScope（Russell et al. 2026、arXiv:2604.03136）は、談話レベルの特徴のみを使い、文体的な特徴をすべて除外して、人間と5つのLLMによる61,608件のストーリーを分類し、93.2％の検出精度を達成しました。続いて、AIの文章をLAMPというプロ向けのスパンレベル書き換えフレームワークに通しました。これは、陳腐な表現、大げさな文章、冗長な説明を取り除くもので、実質的には表層を整えるヒューマナイザーです。検出率の低下は1.6ポイントでした。一方、表層の特徴はそれ自体で薄れつつあります。GPT 5.4はすでに em ダッシュの使用を大幅に減らしており、ファインチューニングによって文体検出率は97％から3％に下がります。長く残る特徴は構造にあり、それを修正するには単語の置き換えではなく、構造を書き換える必要があります。数値を含む調査結果の全文はこちら：references/storyscope-findings.md。

落とし穴（unslop-uiと同じ落とし穴）

ある定番を別の定番に置き換えてはいけません。どの作品も途中の場面から始まり、3つの感情を並べ、未解決のまま終わるようになれば、それ自体が新たな検出可能なクラスターになります。この研究で最も重要な発見は収束です。5つすべてのAIモデルは構造空間の狭い領域に集中していますが、人間の作品は分散しており、珍しいものも多くあります。珍しさこそが人間らしさのシグナルです。

つまり、**作品ごとに構造上の工夫を1〜2個選び、作品ごとに変化をつけ、この作品がこの構成になった理由を説明できるようにしてください。**すべての手法を一度に適用してはいけません。

6つの監査項目

一度に1項目ずつ確認してください（側面ごとに確認する方法では、この研究のパイプラインで問題の95％を発見しました。大規模な一括確認では68％でした）。数値は、この研究での人間とAIの割合です。

1. テーマの明示性（最も顕著な特徴）

AIは教訓を明言します。語り手がテーマを説明する割合は人間の52％に対して77％で、テーマは約20％強く道徳化され、すべてが一つの中心的な主張に結び付けられます。 コンテンツでの例：結論の一文、「これがあなたにとって意味すること」、各セクションの末尾で繰り返される主張、律儀に解釈が添えられたすべての例。 **修正方法：**要点は最も強く響く箇所で一度だけ述べます。繰り返しはすべて削ります。少なくとも1つの例は解釈を加えずに残します。読者を信頼してください。

2. 構成の整然さ

AIは一本道で書きます。途切れない因果関係が続き、サブプロットがなく（人間の57％に対して79％）、すべてが解決し、主人公の選択で終わります。人間は脱線し、話を戻し、筋を未完のまま残します（テーマ上ゆるやかに関連する脱線は、人間の42％に対してAIの21％。曖昧な結末もはるかによく見られます）。 **修正案：**間接的にしか関係しない脱線を1つ入れます。提起しながら、明示的に答えない問いを1つ残します。解決する前に終わらせます。

3. 感情の表し方（「説明せずに描写する」の逆）

この研究で最も大きな差が見られた項目です。AIは81％の割合で、身体や雰囲気を通して感情を表現します（「胸が締め付けられた」「息をのんだ」「ランプの光が弱まった」）。人間は感情をそのまま名指しします。明示的な感情のラベル付けは、人間の29％に対してAIは8％です。 **修正方法：**感情を率直に言葉にします（「正直、怖かった」「腹が立った」）。身体的な描写は、それがふさわしい一瞬のために取っておきます。そう、これは古典的な文章作法に反しています。古典的な文章作法は、今や機械の特徴です。

4. 具体的な言及

人間は実在するものを具体的に挙げます。特定の書籍や文章、人、ブランド、場所、価格などです（具体名を挙げた言及は、人間の47％に対してAIは24％）。AIは曖昧なほのめかしにとどまり（人間の50％に対して72％）、実在するブランドや作品名を挙げることを避けます。 修正方法：「人気の生産性向上本」を「Deep Work」に変えます。「ある専門家」には名前を添えます。「最近」には日付を加えます。価格、バージョン番号、都市名を入れます。

5. 読者との関わり

人間は読者の存在を認めます（直接呼びかける割合は28％対7％、第四の壁を越える割合は67％対39％）。「AIは誰にも見られていないかのように書きます」。コンテンツマーケティングではすでに「あなた」が頻繁に使われるため、応用できるのは、書いていること自体に言及する方法です。「こう言うとどんなふうに聞こえるか、わかっています」「すでに広告を運用しているなら、このセクションは飛ばしてください」「流し読みしているでしょうから、数字をお伝えします」。控えめに使ってください。スパイスのようなものです。

6. 形の収束

この文章は、直近の3本と同じ骨組みになっていませんか？ 同じ種類の書き出し、同じ展開、同じ締めくくりでしょうか？ それがクラスターの形成です。公開前に最近の文章と比べ、パターンを崩してください。

ワークフロー

1. まず骨組みを抽出します。 文章のアウトラインを作成します。順番に並ぶ展開、教訓を述べる箇所（その回数も）、時間構成（直線的かどうか）、解決されること、脱線の数、感情が表れる場面とその形式、具体的な言及か曖昧な言及かを記録します。文章ではなく、アウトラインを監査してください。（これはこの研究自体の手法です。構造上の特徴は、文章レベルの読み取りでは見落とされます。）
2. 6つの監査を、骨組みに対して1つずつ実施します。
3. 以下のメニューから1～2個の介入を選びます。 意図的に、ジャンルに合わせて（references/genre-calibration.mdを参照）、直前の文章とは異なるものを選びます。
4. 構造を書き直します。 セクションを移動し、後日談を削り、言い換えを削除します。文を磨くだけにしないでください。それはもう一方のスキルの役目です。
5. スキャンします。 python3 scripts/structural_scan.py <file> を実行すると、パターンマッチ可能な要素（身体感覚を伴う感情表現の決まり文句、まとめを示す表現、曖昧な言及、均一性）を検出できます。
6. 罠に戻っていないか再確認します。 修正が昨日の修正と同じように見えるなら、変化をつけてください。

介入メニュー（順番に使い、すべてを一度に使わない）

• 結末を先に出す。 先に最終状態を提示し、その後に時間を戻します。見せ場は締めくくりではなく、文章の中盤に置きます。
• 場面の途中から始める。 物語の中から始め、後で背景に戻ります。
• 明かすのを遅らせる。 文章の軸となる数字・名前・結果は、全体の3分の2まで明かさずにおきます。
• 再文脈化する呼び戻し。 以前の細部に新たな意味を持たせます。「冒頭に出てきた月額80ドルを覚えていますか？ あれは安いほうでした。」
• 斜めの脱線。 テーマと並行するものの、テーマに直接寄与しない段落を1つ入れます。明示的にテーマへ結びつけないでください。
• 未解決の糸を残す。 まだ答えられない問いを提示し、そのまま残します。
• 本当の両価性。 解決した教訓にまとめるのではなく、両方の感情を残して終わります。
• 具体名を挙げる。 曖昧な言及をすべて、実在し確認可能な具体例に置き換えます。
• 感情をそのまま表現する。 身体的な反応の描写を、明示した感情に置き換えます。
• 読者の存在を認める。 誰かがこれを読んでいることに触れる場面を1つ入れます。
• 盛り上がったところで終える。 静かな後日談ではなく、盛り上がりの頂点で止めます（Claudeの特徴を参照）。

モデルの特徴（どのモデルが文章を起草したかを把握する）

ここにある草稿の大半はClaudeによるもので、5つのモデルの中で最も特徴的な癖があります。草稿がClaudeによるものなら、出来事の盛り上がりが平坦（全体を通じて強度が均一。文章全体で重要度と勢いに変化をつけて修正します）、エピローグの癖（自然な終わりの後にまとめの後日談を加える。削って、もっと早く終わらせます）、敬虔で静かな結末（ときには盛り上がりの頂点、または未解決のまま終わらせます）に注意してください。GPTの草稿は、遠い過去を振り返る枠組み（「何年もたってから、私は気づきました」）や、社交・ゴシップの仕組みに偏りがちです。Geminiは最も整然とした結末を作ります。最後の飾りは取り除いてください。

このスキルで行わないこと

語彙や句読点は修正しません（humanizer を実行してください）。文体を指定することもありません（それには jens-blog-writer／solo-scale-writer／Nick Saraev のテンプレートを使います）。文章を検出不可能にすることもできません。そのような方法は存在しません。正直にお伝えすると、StoryScope が調査したのは約5,000語のフィクションです。短いノンフィクションへの適用は推論に基づきますが、中心的なパターン（過剰な説明、整いすぎた構成、直線的な展開、ひとつの既定の形への収束）は、ノンフィクションのAIスロップに関する独立した分析で繰り返し確認されています。また、短文にもそのまま適用できるのは監査1、3、4、6です。

参考資料

• references/storyscope-findings.md - 調査結果の要約：30の主要特徴すべての発生率、指紋、頑健性の結果、注意事項。
• references/genre-calibration.md - ジャンルごとに適用する監査と介入（LinkedIn／コースのレッスン／ブログ／メール）。
• scripts/structural_scan.py - grepで検出可能な兆候を対象とする決定論的スキャナー。後でフックとして実行できるように設計されています。