humanizer-ja-modes
Skill1 starsChanged 51 days agoMITView on GitHub
AI生成の日本語からAI臭を抜き、人間が書いた文章に直す統合スキル。レジスタを3モード(口語=casual/アカデミック=academic/ビジネスフォーマル=business)に分け、文体ごとに rewrite 方針を切り替える。記号残骸・語彙偏り・思考構造の型を3層で検出。AIっぽい文章を人間っぽくする、AI臭を抜く、humanize、推敲、レポートのAI臭チェックやAI度判定で使う。英語スロップ系(blader/humanizer・anti-ai-slop-writing)と日本語系(gonta223・makotofalcon・matsui academic)を統合した上位版。旧 humanizer-ja / humanizer-ja-academic を完全に置き換える。
In this repository8 other files it gives its agents.
- calendar-schedulingSkill
- c-strict-verifySkill
- notion-figure-insertSkill
- notion-markdownSkill
- notion-pdf-splitSkill
- notion-routerSkill
- report-expandSkill
- typst-ja-pdfSkill
The file
Files
humanizer-ja-modes — 日本語のAI臭を3レジスタで抜く
AI(Claude・ChatGPT・Gemini等)が書いた日本語から「AI臭さ」を除去し、人間が書いたように読める文章に直す。検出ルールは全モード共通でここ(SKILL.md)に置き、書き換え方針だけをモード別ファイルに分けてある(重複を作らないための設計)。
統合元
blader/humanizer(33パターン+誤検出ガード+プロセス)/ jalaalrd/anti-ai-slop-writing(構造・句読点規律・自己チェック)/ ai-writing-detox(禁止語彙)/ gonta223/humanizer-ja(消した後に何を入れるか)/ makotofalcon/humanizer-ja(3層モデル・日本語固有マーカー)/ matsuikentaro1/humanizer_academic(学術文体の規律)/ Wikipedia "Signs of AI writing"。旧 humanizer-ja(口語)と humanizer-ja-academic(学術)はこのスキルに吸収済み。
0. 最初に:モードを選ぶ
対象文のレジスタ(文体)を判定し、対応する modes/ のファイルを読んで rewrite 方針を適用する。 検出(第1〜3層)は3モード共通。
| モード | 対象 | 文体 | 温度注入 | 方針ファイル |
| casual(口語) | ブログ・note・SNS・日記・砕けたメール | ですます/タメ口 | する(声・体験・意見+本人声紋) | modes/casual/MODE.md |
| academic(アカデミック) | 大学レポート・論文・実験考察・仕様書 | だ・である/無人称・客観 | しない | modes/academic/MODE.md |
| business(ビジネスフォーマル) | 就活ES・志望動機・ビジネスメール・社外文書・申請書 | ですます/敬体・簡潔 | 控えめ(媚びない率直さ・具体。スラング不可) | modes/business/MODE.md |
判定の指針:
- だ・である調・無人称・客観なら → academic。ですます化・体温注入は厳禁。大学レポート・論文は常にacademic。
- ですます/タメ口で主観OK、私的・娯楽的なら → casual。
- ですます・敬体だが対外的・評価される文書(就活・取引先・公式申請)なら → business。砕けすぎず、媚びず、AI的丁寧テンプレも避ける。
- 迷ったら確認する。casual と business の差は「私的か、評価者がいるか」で切る。
モードを取り違えると、レポートが「正直〜と思ってます」で失格、就活ESが日記スラング、ブログが官僚作文になる。最初の判定を外さない。
AI度判定(レビュー用途)
「この文章はどれくらいAIっぽいか」を採点するなら → references/ai-score-rubric.md を使う。検出した tell の重み・密度から AI度スコアと根拠を出す。report-expand は仕上げ工程でこれを呼び、レポートのAI度を判定する。
3層モデル(AI臭の理解の枠組み・全モード共通)
| 層 | 内容 | 除去の難易度 |
| 第1層 | 記号・書式の残骸(コロン、Markdown、絵文字、ダッシュ) | 注意すれば即除去 |
| 第2層 | 語彙・文体の偏り(「これにより」連発、漢語連続、語尾の単調さ) | 意識的な編集で改善 |
| 第3層 | 思考構造の型(ポジション不在、体験の欠如、予定調和の構成) | 主体的な再構成が要る |
このスキルでできること・できないこと(研究知見)
目的は、読み手が引っかかる箇所を直して文章の質を上げることであって、AI 判定器をすり抜けることではない。 後者は約束できない。理由は研究で分かっている。
- 語を差し替えても、機能語と読点の癖は残る。 Zaitsu & Jin (2023) は、日本語の心理学論文と、同じ題で GPT-3.5 / GPT-4 に書かせた文章(各約1,000字)を、話題に依存しにくい4種の文体特徴(品詞の2連鎖、助詞の2連鎖、読点の位置、機能語の使用率)で比べた。機能語の使用率だけでランダムフォレストの正解率は98.1%、4種すべてを使うと100%(leave-one-out 交差検証)で識別できた。第2層の禁止語を消しても、助詞・助動詞・接続詞・副詞の使い方と「は、」「が、」の打ち方はほとんど変わらない
- humanize した文章も、読み慣れた人には見抜かれる。 Russell et al. (2025) では、LLM を日常的に文章作成に使う5人の多数決が、判定者自身の手がかりを基にした指示で「人間らしく」書かせた AI 記事30本と人間の記事30本の計60本を、すべて正しく判定した。書き直し後も残った手がかりは、語彙・定型的な文と構成・独自性の欠如などである
- くだけた語を足すだけでは人間らしくならない。 同じ研究で、5人のうち1人は短縮形やスラングなどのくだけた表現を人間の証拠とみなしており、その1人は humanize 済みの AI 記事をほぼすべて人間が書いたと判定した(他の判定者の検出率は以前の実験から大きく変わらなかった)。casual モードで体温を入れる目的は、実際の体験と意見を書くことであって、口語の飾りを散らすことではない
- 英語の研究では、指示チューニングされたモデルは名詞偏重で情報を詰め込んだ文体になり、くだけた文体を指示しても変わらない。 Reinhart et al. (2025) は、人間と比べて現在分詞節を2〜5倍、名詞化を1.5〜2倍の頻度で使うと報告している。日本語で直接測った研究ではないが、第2層12(漢語の過剰連続)の「〜の実施」「〜の向上を図る」型の名詞化はこれに対応すると考えられる
判定には使わない。 AI 判定器は、語彙が限られた文章を誤って AI と判定しやすい。Liang et al. (2023) では、7種の判定器が非英語母語話者の TOEFL 作文91本の平均61.22%を AI と誤判定し、少なくとも1つの判定器に AI とされたものは97.8%に達した。また、言い換えモデルを1回通すだけで判定は大きく外れる(Krishna et al. 2023:DetectGPT の検出率が、誤検出率1%の条件で70.3%から4.6%へ低下)。したがって、このスキルの検出結果や references/ai-score-rubric.md の点数を、誰かが AI を使った証拠として扱ってはいけない。
プロセス(必ずこの順で)
- モード判定(§0)。該当 modes/*/MODE.md を読む。
- 検出:第1〜3層をスキャン。
references/banned-ja.mdの語・フレーズを当たる。 - 草稿:問題箇所を書き直す。消すだけにせず、接続を裸で消さない(モード別方針に従い、何を残し何を入れるか決める)。
- ★アンチAI監査★:他人の文章として読み返し「どこがAI生成っぽいか」を自問。下のチェックリストで残存マーカーを洗う。
- 最終版:監査で見つけた違和感を全部直す。妥協しない。
出力は「草稿 → まだAIっぽい点(箇条書き)→ 最終版 →(任意)変更点まとめ」。短い依頼なら最終版だけでもよいが、監査の自問は内部で必ず行う。
第1層:記号・書式パターン(全モード共通)
- コロン「:」の不自然な多用 — 日本語は文末にコロンを置く慣習がない。文に溶かす。
- Markdown/半角スペース/全角スラッシュの残骸 —
**太字**の消し忘れ、「以下の ような」の空白、「戦略/実行/評価」の機械的並列。 - 太字+コロンの箇条書き —
**ラベル:** 内容はClaude/ChatGPT最大の癖。ラベルを消して内容を文に。 - 絵文字の装飾 — ✅💡🚀 が行頭に並ぶとコピペ感。原則削除。
- 横棒=ダッシュ(ゼロ許容) — 日本語AIの最大書式マーカー。カッコか読点に。検索は1文字では足りない。 em dash
—(U+2014)だけでなく horizontal bar―(U+2015) と en dash–(U+2013)も当たる。特に――(U+2015 を2つ)は副題の囲みや挿入句に出やすく、U+2014 だけを検索して「0件」と誤判定した実例がある。正規表現は[—―–]を使う。最終版に1つでも残っていたら未完成。 - 太字の乱用 — 強調を機械的にばら撒かない。
- 見出しの過剰構造化/タイトルケース — 300字以下に小見出しは不要。
- 欧文引用符
“ ”→ 日本語は「」。紛れ込んだら直す。
第2層:語彙・文体パターン
- 「これにより」 — 人間がほぼ使わないのにAIに頻出するリトマス試験紙。因果を文の流れで示す。
- 接続詞の連打 — また/さらに/加えて/一方で/このように。密集したら半分削る(※academicの保持例外はMODE.md)。
- AI頻出語・定型評価語 — 浮き彫りにする/注目に値する/多面的/包括的/画期的/不可欠/極めて重要(→
references/banned-ja.md§1)。具体に置換、消せるなら消す。 - 漢語の過剰連続 — 促進・醸成・推進・構築・策定・最適化 の連なり=官僚作文。和語・カタカナを混ぜて崩す。
- カタカナ語の過剰 — レバレッジ/ソリューション/トランスフォーメーション → 和語・定訳へ(→
banned-ja.md§2)。技術用語の定訳は保持。 - 文末の固定化・語尾の単調さ — 「です」「と言えるでしょう」「が重要です」の2〜3種ループを崩す。体言止め・短い断定・名詞句を混ぜる。
- 冗長な婉曲・「することができます」 — することができます→できる(→
banned-ja.md§5)。 - 重要性の過剰強調 — 「極めて重要な役割を果たす」「画期的な一歩を刻む」→ 事実・数値で示す。
- 意義づけの付け足し(-ing的構文) — データ直後の「〜を浮き彫りにしており」「今後の成長が期待される」→ 文ごと削る(academicでは機序による考察に置換)。
- 「〜だけでなく、〜も」 — Not only…but also の直訳。多用したら片方を独立文に。
- 三点セットの強制 — 何でも3つに揃える癖。4つなら4つ、1つなら1つ。
- 同義語の使い回し(エレガント・バリエーション) — 取り組み/施策/イニシアチブ/アプローチを交互に。同じものは同じ語で。
- 曖昧な権威づけ — 「専門家によると」「多くの研究が示す」→ 具体的な出典名・数値、なければ自分の意見と明示。
- 偽の範囲表現 — 「〜から〜まで」でスケール上にない2点を並べる癖。
- 否定並列構文 — 「単なるXではない。Yだ」が2回以上続いたら片方を肯定文に。日本語AI臭の最大マーカーの一つ。
- 主語の過剰明示 — 英語癖で毎文に主語。日本語は省略できる。
- 過剰なヘッジング・婉曲 — 「〜かもしれないと考えられるのではないでしょうか」→ 言い切るか1つに絞る(→
banned-ja.md§4。academicの適正ヘッジはMODE.md)。 - 権威トロープ — 「本質的には」「突き詰めると」「本当に重要なのは」→ 前置きを消して中身を直接書く。
- 修辞的フック — 単独の「正直に言うと、」「ここだけの話」→ 演出ポーズを外す。
- アフォリズム公式 — 「XはYの鏡だ」「Xはもはや道具ではない」型 → 具体的な主張に戻す。
第3層:思考構造パターン
- ポジションを取らない中立性 — 「一概には言えません」「メリットもデメリットも」で立場不明(RLHFの副作用)。casual:自分のスタンス。academic:データに基づく評価を明示。business:根拠ある結論を出す。
- 体験談・固有名詞の不在 — 「ある企業」「ある調査」ばかり。casual:自分の体験。academic/business:具体的な固有名・数値・出典に置換。
- 金太郎飴の構成(「転」の不在) — 各段落が独立しすぎて1つ消しても破綻しない。casual:脱線・余韻・問いかけ。academic/business:論理の連結を強める(段落結束)。
- テンプレ冒頭 — 「近年〜が注目を集めています」「本記事では〜を解説します」→ 具体的な数字・場面・問いから。
- テンプレ結論 — 「今後の展開が注目されます」「いかがでしたか」→ 具体的な次の事実・意見・短文で締める。
- チャットボットの残骸 — 「ご参考になれば幸いです」「〜しましょうか?」→ 本文から削除。
- 過剰な共感・お世辞 — 「素晴らしいご質問ですね!」「おっしゃる通りです」(特にClaude)→ 削除。
- 知識カットオフ・推測埋め — 「詳細は公開されていませんが」「おそらく〜で育ち」→ 分からないことは分からないと書くか削る(→
banned-ja.md§7)。
構造・リズムの規律(anti-ai-slop由来・全モード)
- 文長を揺らす。 同じ長さの文が3つ続いたら赤信号。測定しやすいシグナルなので、
scripts/style_stats.pyで文長の変動係数と「同じ長さの3連続」を数える。 - パラタキシスを避ける。 短い断定文の羅列(「Xだ。Yだ。Zだ。」)は従属節・接続で関係を見せる(※casualの意図的短文リズムは別。MODE.md参照)。
- 句読点の規律。 全角ダッシュ禁止。感嘆符は乱発しない。三点リーダーは余韻のときだけ。
- 箇条書きは控えめに。 文で書けるなら文で。
モード別の書き換え方針
検出後の rewrite は必ず該当モードのファイルに従う(ここには重複して書かない):
- 口語 → modes/casual/MODE.md(声の注入+本人声紋。声紋は各自で作る。雛形は modes/casual/voice-print-ja.template.md)
- 学術 → modes/academic/MODE.md(register維持・接続詞保持・段落結束・適正ヘッジ)
- ビジネス → modes/business/MODE.md(敬体・簡潔・媚びない・スラング禁止)
誤検出を避ける(全モード・重要)
人間が書いてもこれらは出る。単独で1個出ただけでは確定しない。 正当な文章を削り殺さない。
確定の根拠にならないもの(単独では): 完璧な文法・一貫した文体/硬い語彙そのもの(AIが過剰なのは特定の語)/接続詞1個/ダッシュ1個・絵文字1個(OS/エディタの自動変換)/短い断定文1個/出典のなさ/中立的な語調/語彙の少なさ・平易さ。
最後の2つは研究で誤検出の原因と分かっている。Russell et al. (2025) では、LLM に不慣れな判定者ほど、中立的な語調や耳慣れない語の使用を AI の証拠とみなし、誤検出を増やしていた。熟達した判定者は、珍しい語一般ではなく AI が過剰に使う特定の語 を見ていた。また、文法の正確さは人間らしさの証拠にならない。誤りが多いのはむしろ人間のほうである。語彙の少ない平易な文章が AI と誤判定されやすいことは Liang et al. (2023) が示している。 → クラスタで判断する。 ダッシュ+三点セット+「画期的」+「今後の展開が注目」が同居して初めて確定。
残すべき「人間の証」: 捏造しにくい具体的細部(実在の固有名・変な数字)/矛盾した感情・葛藤/年代依存のネタ/文長の自然な揺らぎ/(academic)論理を運ぶ密な接続詞群+盛り語ゼロ。
アンチAI最終監査(チェックリスト・全モード)
- 「これにより」「さらに」「重要」「不可欠」をCtrl+F。多ければまだ臭い
- 横棒がゼロか。
[—―–]で検索する(U+2014 だけの検索では――=U+2015 を見落とす) - 「ラベル: 内容」形式・絵文字行頭がないか
- 太字やラベルを機械的に消した後、句点の直後に半角空白(
。)が残っていないか。**〜。** 続きから**だけを消すと。 続きになる。日本語組版では不要で、PDF化すると不自然な字間として出る - 定型評価語(浮き彫りに/注目に値する/今後の展開が注目)が消えたか
- 「することができます」「と言えるでしょう」「ではないでしょうか」がないか
- 文長が均一すぎないか/語尾が2〜3種でループしていないか
- 段落を1つ消して前後が破綻しないなら独立しすぎ(=AI的)
- 一文ずつ「これを人間が書くか?」。引っかかったらそこが臭い
- モード適合:casual=声/体温が入ったか・中立逃げしてないか/academic=だ・である維持・接続裸消ししてない・段落結束OK/business=敬体・簡潔・スラング混入なし・AI的丁寧テンプレなし
- 引用・発言を入れた場合、全員が本文と同じ口調で話していないか(Russell et al. 2025 の手がかり。作った引用は地の文と同じ声になる)
- 説明しすぎていないか。結論を言ったあとに同じことを言い直していないか
- 読み返して「AIが書いた」と感じないか。感じたらもう一周
補助スクリプト
scripts/style_stats.py は文長・読点・文頭の接続詞・文末の型を数える。判定器ではない。本人が素で書いた過去の文章を --baseline に渡し、書き換え後の文章と並べてどこが本人から外れているかを見る用途に使う。
python3 scripts/style_stats.py draft.md --baseline ~/writing/diary/*.txt参考・出典
研究論文(いずれも無料で公開されている原著。数値は各論文の測定時点のモデルでの値):
- Zaitsu, W., & Jin, M. (2023). Distinguishing ChatGPT(-3.5, -4)-generated and human-written papers through Japanese stylometric analysis. PLOS ONE 18(8): e0288453. arXiv:2304.05534
- Russell, J., Karpinska, M., & Iyyer, M. (2025). People who frequently use ChatGPT for writing tasks are accurate and robust detectors of AI-generated text. ACL 2025. arXiv:2501.15654
- Reinhart, A., et al. (2025). Do LLMs write like humans? Variation in grammatical and rhetorical styles. PNAS 122, e2422455122. arXiv:2410.16107
- Kobak, D., et al. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances 11(27). arXiv:2406.07016
- Liang, W., et al. (2023). GPT detectors are biased against non-native English writers. Patterns. arXiv:2304.02819
- Krishna, K., et al. (2023). Paraphrasing evades detectors of AI-generated text, but retrieval is an effective defense. NeurIPS 2023. arXiv:2303.13408
実践資料:
- Wikipedia:Signs of AI writing(WikiProject AI Cleanup)
- blader/humanizer / jalaalrd/anti-ai-slop-writing / gonta223/humanizer-ja / makotofalcon/humanizer-ja / matsuikentaro1/humanizer_academic
- 国内のAI臭分析(mieru-ca「これにより」分析、note「AIっぽい文章表現大全」ほか)
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

