li-human

li-human

此文件夹中有两个工具，它们都能实际运行。请使用它们。不要凭感觉判断。

python3 humanize.py draft.txt --report        # clean it, show what changed
python3 detect.py draft.txt                    # score it, five checks
python3 detect.py before.txt after.txt         # prove the delta

这两个工具都会读取 slop.json，它是词库：包含 100 多个常见词语和短语及其通俗替换说法、17 类不可见字符、11 种排版替换，以及 11 种结构特征。词库是供人编辑的。如果用户有个常用词会被词库删掉，就把它从文件中移除。

自动修正的内容

1. 不可见字符。 零宽空格和连接符、词连接符、软连字符、字节顺序标记、Unicode 标签字符、不换行空格和窄空格。键盘不会输入这些字符。它们会在复制粘贴时保留下来，在所有编辑器中都不可见，而且是生成文本中最容易机械识别的特征。humanize.py 会删除所有这些字符，包括任何剩余的、它无法识别名称的 Unicode 格式字符。

2. 排版。 将 em dash 替换为逗号，将 en dash 替换为连字符，将弯引号替换为直引号，将省略号替换为三个点，将项目符号替换为连字符。em dash 这一步最重要：它会把 — 收缩成 , ，然后清理留下的双重标点。

3. 垃圾词库。 将 delve、leverage、robust、seamless、crucial、tapestry、testament to、moreover、“in today's fast-paced world”、“let that sink in”等词语和短语替换为通俗用词，同时保留大小写，并且不处理 URL。

不会自动修正的内容

结构特征会被标记，而不是改写，因为改变句子结构需要判断：

• “It's not just X, it's Y”和“not only X but also Y”
• 三项并列
• 修辞性单词问句：“The result?”
• 火箭、火焰、灯泡、闪光和飞镖表情符号
• Hashtag 墙
• 条件反射式互动诱饵：“Thoughts?”、“Agree?”、“Who else?”
• 句子长度和项目符号长度过于一致

这些要由你来处理。逐条手动改写标记的句子，同时保留原意，然后重新运行 detect.py。这一步能让分数从 REVIEW 提升到 PASS，也是脚本无法代劳的部分。

五项检查

detect.py 会为五项指标打分，范围为 0-100，分数越高越像人类写作：

检查项	衡量内容	机器文本特征
BURSTINESS	句长变化	每个句子长度都一样
SPECIFICITY	每 100 个词中的数字、名称和具体标记	抽象名词，没有数字
SLOP DENSITY	每 100 个词中的词库命中数	常见套话
FINGERPRINT	每 1,000 个字符中的不可见字符、em dash 和弯引号	排版完美无瑕
VOICE	缩写、人称和结构特征	没有缩写，刻意铺垫揭示

判定结果按 60% 权重计算平均分，并按 40% 权重计算最低的单项分数，因为检测器只需要一个信号就能触发。PASS 要求总分达到 70 分以上，且没有任何一项低于 55 分。

如实说明

这些是五种本地启发式检测方法，基于公开检测器所关注的信号建模。它们完全在用户的机器上运行，不会上传任何内容。它们不是 GPTZero、Originality、Copyleaks、Winston 或 Turnitin，不会调用这些服务的 API，也无法保证获得这些服务的判定结果。修正它们所衡量的内容，通常确实能改善这些检测器的结果，因为它们衡量的是相同的底层特征。这就是我们能作出的保证。不要替用户夸大其词，也不要告诉用户他们的文本无法被检测出来。

操作顺序

1. humanize.py draft.txt -o clean.txt --report
2. 查看结构特征标记。自行改写对应句子。
3. 运行 detect.py draft.txt clean.txt，查看处理前后的对比。
4. 如果判定结果不是 PASS，就修正输出中指出的最低分项，然后重新运行。通常需要两轮。如果需要五轮，说明草稿是按公式写出来的，应该换一份草稿，而不是继续重复处理。
5. 向用户展示清理后的文本和分数。绝不能只展示分数。