چگونه کاغذ خود را بدون برش مطالب مهم کوتاه کنید
راهکارهای عملی برای کاهش تعداد کلمات در نوشتار دانشگاهی با استفاده از هوش مصنوعی پرکننده را قطع کنید، نثر را محکم کنید، و محدودیت های کلمات مجله را بدون از دست دادن محتوای خود رعایت کنید.
مقاله شما 9200 کلمه است. محدودیت مجله 7500 است. شما باید 1700 کلمه را برش دهید - و هر جمله ضروری به نظر می رسد.
ما دقیقا در این موقعیت بوده ایم. بنابراین اکثر محققانی که ما با آنها کار می کنیم. محدودیت کلمه یک پیشنهاد نیست. ویراستاران مقالهای را که بیش از آن است، رد میکنند، مهم نیست چقدر علم قوی باشد. و بریدن 18 درصد از نسخه خطی شما مانند قطع عضو است.
اما در اینجا چیزی است که ما از کمک به محققان برای متراکم کردن متن با هوش مصنوعی در هزاران مقاله آموختهایم: اکثر دست نوشتههای دانشگاهی حاوی ۱۵ تا ۲۵ درصد کلمات غیر ضروری هستند. نه ایده های غیر ضروری حرف های غیر ضروری محتوا می تواند بماند. پرکننده باید برود.
جایی که مقالات دانشگاهی کلمات غیر ضروری را پنهان می کنند
قبل از شروع به بریدن پاراگراف ها، به جملات خود نگاه کنید. اینجاست که نفخ زندگی می کند.
** اسمی سازی ها. ** "ما تجزیه و تحلیل داده ها را انجام دادیم" 8 کلمه است. "ما داده ها را تجزیه و تحلیل کردیم" 5 است. این کاهش 37 درصدی با از دست دادن اطلاعات صفر است. نوشتار آکادمیک پر از این موارد است - اسم هایی که از افعالی ساخته شده اند که هجاها را بدون اضافه کردن معنی اضافه می کنند. "معاینه انجام داد" به "معاینه" تبدیل می شود. «تعیین شده» به «معین» تبدیل می شود. "به نتیجه رسید" تبدیل به "نتیجه شده" می شود.
ما یک شمارش نامزدی روی 50 مقاله دانشگاهی انجام دادیم. میانگین؟ 34 در هر مقاله تبدیل همه آنها تقریباً 100 تا 150 کلمه را ذخیره می کند. زمانی که باید 1700 را کاهش دهید، این چیز بی اهمیت نیست.
جملات پاک کننده گلو. "جالب است توجه داشته باشید که..." 6 کلمه قبل از نکته واقعی شما اضافه می کند. "به طور گسترده ای پذیرفته شده است که..." - 6 مورد دیگر. "مجموعه رو به رشدی از شواهد وجود دارد که نشان می دهد ..." - 9 کلمه که می تواند با خود شواهد جایگزین شود. اینها تیکهای کلامی هستند، عاداتی که از سالها مطالعه سایر دانشگاهیان که عادات مشابهی داشتند به ارث رسیدهاند.
عبارت زائد. "تاریخ گذشته." "برنامه های آینده." "مبانی اساسی." "به طور کامل حذف کنید." هر یک از اینها حاوی کلمه ای است که چیزی اضافه نمی کند. نوشتار آکادمیک نسخههای خاص خود را دارد: «رویکرد جدید جدید»، «اجماع متقابل»، «فعلاً در حال انجام».
** پوشش بیش از حد. ** "به طور بالقوه می توان استدلال کرد که ممکن است یک ارتباط احتمالی وجود داشته باشد" چهار بار در یک جمله پوشش داده می شود. یکبار کافی است «دادهها نشان میدهند که ارتباط احتمالی وجود دارد» همان چیزی را در هفت کلمه کمتر میگوید.
اینها کاهش محتوا نیستند. خانه داری می کنند و هوش مصنوعی در شناسایی آنها بسیار خوب است.
استفاده از هوش مصنوعی برای متراکم کردن متن بدون از دست دادن معنی
اینجا جایی است که یک ابزار متراکم جایگاه خود را در گردش کار شما به دست می آورد. ما چندین رویکرد را آزمایش کردیم و متوجه شدیم که مؤثرترین روش، درخواست نکردن از هوش مصنوعی برای «کوتاه کردن آن» است – این درخواست از هوش مصنوعی برای شناسایی انواع خاصی از نفخ است.
رویکرد 1: سفت کردن در سطح جمله. بخشی را به هوش مصنوعی تغذیه کنید و از آن بخواهید که تعداد کلمات را تا 20٪ کاهش دهد و در عین حال همه ادعاها و نقاط داده را حفظ کند. هر تغییری را مرور کنید هوش مصنوعی نامگذاریها، افزونگیها و ساختارهای پرمعنا را پیدا میکند که شما نسبت به آنها نابینا شدهاید. سفت شدن مکانیکی را بپذیرید. هر تغییری که معنای شما را تغییر می دهد را رد کنید.
رویکرد 2: فشرده سازی در سطح پاراگراف. برخی از پاراگراف ها شامل سه جمله هستند که یک نکته را بیان می کنند. هوش مصنوعی میتواند تشخیص دهد که کدام جمله حاوی ادعای اصلی است و کدام دو جزئی هستند. شما تصمیم می گیرید که آیا توضیح برای مخاطبان شما ضروری است یا اینکه ادعای اصلی به تنهایی باقی می ماند.
رویکرد 3: بازسازی در سطح بخش. وقتی به برش های بزرگتر نیاز دارید - 500 کلمه یا بیشتر از یک بخش - هوش مصنوعی می تواند محتوای همپوشانی بین پاراگراف ها را شناسایی کند. ما دریافتیم که مقالات آکادمیک اغلب در مقدمه، نتایج و بحث به زبانی متفاوت به یک نکته اشاره میکنند. تلفیق این تکرارها می تواند صدها کلمه را ذخیره کند.
AI summarizer برای این رویکرد سوم به خوبی کار می کند. آن را یک بخش تغذیه کنید و ادعاهای منحصر به فرد را بخواهید. هر چیزی که در خلاصه ظاهر می شود احتمالاً باید بماند. هر چیزی که نباشد ممکن است کاندیدای برش باشد.
یک قانون مهم: هرگز اجازه ندهید هوش مصنوعی بدون اینکه به شما نشان دهد چه چیزی تغییر کرده است، نسخه "تمیز" را قطع کرده و ارائه دهد. برای اطمینان از اینکه هیچ محتوای مهمی گم نشده است، باید هر حذفی را ببینید. از ابزارهایی استفاده کنید که تغییرات ردیابی شده یا مقایسه قبل و بعد را نشان می دهند.
بخش به بخش: چه چیزی را برش دهید و چه چیزی را نگه دارید
وقتی صحبت از پتانسیل کاهش کلمات می شود، همه بخش ها برابر نیستند.
مقدمه: پتانسیل برش بالا. مقدمه ها معمولاً بیش از حد نوشته می شوند. بخش پسزمینه اغلب بیش از حد لازم را پوشش میدهد - زمینهای را ایجاد میکند که خوانندگان شما، که متخصصان حوزه شما هستند، از قبل میدانند. ما معمولاً کاهش 20 تا 30 درصدی را در معرفی بدون از دست دادن محتوای مورد نیاز یک خواننده آگاه مییابیم.
زمینه کلی را که هر خواننده ژورنال مورد نظر شما قبلاً می دانسته را برش دهید. شکاف خاص آدرس های مقاله و منطق رویکرد خود را حفظ کنید.
بررسی ادبیات: پتانسیل برش متوسط به بالا. اگر مقاله شما دارای بخش نقد مستقل است، به دنبال مقالاتی باشید که مورد استناد قرار گرفته اند اما مستقیماً استدلال شما را تأیید نمی کنند. هر مطالعه ذکر شده نیازی به توصیف چند جمله ای ندارد - گاهی اوقات یک استناد پرانتزی در یک ادعای گسترده تر کافی است. «مطالعات متعدد X (نویسنده 2020؛ نویسنده 2021؛ نویسنده 2022) را پیدا کرده است» جایگزین سه جمله توصیف جداگانه می شود.
**روشها: پتانسیل برش پایین - با احتیاط ادامه دهید. ** بخش روشهای شما باید قابلیت تکرارپذیری را پشتیبانی کند. برش در اینجا باعث تضعیف اعتبار علمی مقاله می شود. با این حال، اغلب میتوانید توصیفات رویهای را با حذف مراحل بدیهی و ترکیب رویههای مرتبط در جملات واحد فشرده کنید. «شرکتکنندگان جذب شدند، رضایت آگاهانه دادند و باتری پیشآزمون را در یک جلسه تکمیل کردند» جایگزین سه جمله جداگانه میشود.
نتایج: پتانسیل برش بسیار کم. نتایج را کاهش ندهید. اگر نتایج زیادی برای محدودیت کلمه دارید، به جای متراکم کردن آنها، آنالیزهای ثانویه را به مواد تکمیلی منتقل کنید. یک نتیجه کوتاه شده اغلب یک نتیجه اشتباه ارائه شده است.
بحث: پتانسیل برش متوسط. بحث ها اغلب نتایج را قبل از تفسیر مجدد بیان می کنند. اگر بخش نتایج شما واضح است، لازم نیست همه یافتههای بحث را دوباره بیان کنید. پاراگراف های تفسیر را با تفسیر شروع کنید، نه با خلاصه.
Tighten Your Manuscript
Upload your paper and get AI-powered suggestions for reducing word count while preserving your findings and argument structure.
Try It Freeمحدودیت های کلمات مجله را بدون استدلال خود ملاقات کنید
هنگامی که سفت کردن جملات و کوتاه کردن بخش ها کافی نیست، به یک استراتژی برای برش های ساختاری نیاز دارید. رویکرد ما اینجاست.
محتوای تفصیلی را به مواد تکمیلی منتقل کنید. اکثر مجلات اجازه فایل های تکمیلی را می دهند. جزئیات روششناسی گسترده، تحلیلهای اضافی، ابزارهای نظرسنجی کامل، و جداول دقیق، همگی میتوانند در مواد تکمیلی زندگی کنند. این محتوا را پنهان نمی کند - آن را سازماندهی می کند. محتوای تکمیلی را به وضوح در متن اصلی خود علامت بزنید: "موارد نظرسنجی کامل در جدول تکمیلی S1 موجود است."
نتایج و بحث خود را ادغام کنید. برخی از مجلات اجازه می دهند و یا حتی ترجیح می دهند یک بخش ترکیبی نتایج و بحث. این مسئله مشکل بیان مجدد نتایج را به طور کامل حذف می کند. هر یافته ارائه شده و بلافاصله تفسیر می شود، که به هر حال اغلب قابل خواندن است.
از paraphrasing tool برای متنهای متراکم استفاده کنید. گاهی اوقات یک پاراگراف به دلیل اینکه حاوی filler است پرکلام نیست، بلکه به این دلیل که عبارتنویسی ناکارآمد است. ترجمه یک جمله 60 کلمه ای به یک جمله 35 کلمه ای در حالی که همان معنی را حفظ می کند یک مهارت است - و یکی از مهارت هایی است که در آن کمک هوش مصنوعی بسیار موثر است.
متن را به جداول یا شکل تبدیل کنید. مقایسه ای که در 200 کلمه نثر توصیف شده است اغلب می تواند واضح تر - و مختصرتر - در یک جدول ارائه شود. داوران از این قدردانی می کنند. "برای مقایسه کامل به جدول 2 مراجعه کنید" دو پاراگراف را جایگزین می کند در حالی که در واقع خوانایی را بهبود می بخشد.
قبل از ایجاد تغییرات ساختاری، از یک همکار بخواهید که هر دو نسخه را بخواند. آنچه برای شما ضروری به نظر می رسد - چون شما آن را نوشته اید - ممکن است برای خواننده ای که با اثر تازه مواجه می شود واقعاً قابل مصرف باشد.
برای رویکردهایی به [خلاصه کردن مقالات تحقیقاتی با هوش مصنوعی] (/blog/summarize-research-paper-ai) که تکمیل کننده فرآیند فشردهسازی هستند، گردش کار خلاصهسازی گستردهتر را جداگانه پوشش دادیم.
Reduce word count while preserving meaning. Sentence-level tightening and section-level restructuring for academic manuscripts.
ادامه مطلب
- [ابزارهای هوش مصنوعی برای مرورهای سیستماتیک] (/blog/ai-tools-for-systematic-review)
- نکات بررسی ادبیات: نحوه ترکیب منابع
- خلاصهنویس مرور ادبیات هوش مصنوعی
سوالات متداول
سؤال: آیا هوش مصنوعی می تواند مقاله من را بدون تغییر معنی کوتاه کند؟
در سطح جمله، بله - هوش مصنوعی در حذف کلمات غیر ضروری، تبدیل اسمی به افعال، و حذف عبارات اضافی با حفظ معنای دقیق بسیار خوب است. در سطح پاراگراف و بخش، مقداری از دست دادن معنی ممکن است، به همین دلیل است که ما همیشه بررسی تغییرات ردیابی شده را توصیه می کنیم. ابزار مشخص می کند که چه چیزی را می توان برش داد. شما تایید می کنید که برش ها ایمن هستند. کاهش 15 تا 20 درصدی تعداد کلمات از طریق تشدید جملات تقریباً هرگز بر معنی تأثیر نمی گذارد. برش های بزرگتر مستلزم قضاوت سرمقاله شما در مورد اینکه چه چیزی را به مکمل ها منتقل کنید و چه چیزی را به طور کامل حذف کنید، نیاز دارد.
سؤال: چگونه می توانم تعداد کلمات را بدون قطع محتوا کاهش دهم؟
روی سه حوزه تمرکز کنید: نفخ در سطح جمله (اسمسازی، عبارات پاککننده گلو، اصلاحکنندههای اضافی)، تکرار ساختاری (همان نکتهای که هم در نتایج و هم در بحث ذکر شده است)، و پسزمینه بیش از حد توضیح داده شده (زمینهای که مخاطب هدف شما قبلاً میداند). این سه دسته به تنهایی معمولاً 15 تا 25 درصد از تعداد کلمات را در مقالات دانشگاهی تشکیل می دهند. اگر به برشهای عمیقتری نیاز دارید، به جای فشردهسازی متن اصلی، تحلیلهای تکمیلی و روششناسی دقیق را به مواد تکمیلی منتقل کنید.
** س: تفاوت بین خلاصه کردن و فشرده کردن چیست؟**
خلاصه کردن یک متن کوتاهتر تولید میکند که نکات اصلی متن طولانیتر را نشان میدهد - این یک سند جدید و جداگانه است. فشرده سازی تعداد کلمات خود متن اصلی را کاهش می دهد در حالی که آن را از نظر عملکرد کامل نگه می دارد. وقتی متن را با هوش مصنوعی متراکم می کنید، کاغذ خود را محکم می کنید: همان ساختار، همان آرگومان ها، همان صدا، کلمات کمتر. وقتی خلاصه می کنید، یک متن جدید ایجاد می کنید - مانند چکیده یا یادداشت مرور ادبیات - که نشان دهنده متن اصلی در سطح بالاتری از فشرده سازی است. هر دو مفید هستند، اما اهداف متفاوتی را در گردش کار نوشتن دانشگاهی انجام می دهند.
Ema is a senior academic editor at ProofreaderPro.ai with a PhD in Computational Linguistics. She specializes in text analysis technology and language models, and is passionate about making AI-powered tools that truly understand academic writing. When she's not refining proofreading algorithms, she's reviewing papers on NLP and discourse analysis.
