هوومنایزری از هوش مصنوعی که نقل‌قول‌های آکادمیک را حفظ می‌کند

ما از یک پست‌دک در جمع آزمایشی بتایمان اسکرین‌شاتی دریافت کردیم که در حال آماده‌سازی ارسال مقاله به یک ژورنال اپن‌اکسس ایمنی‌شناسی بود و دقیقاً از همان نمونه‌هایی است که نشان می‌دهد «هوومنایزری از هوش مصنوعی که نقل‌قول‌های آکادمیک را حفظ می‌کند» با یک محصول عمومیِ هوومنایزر متفاوت است. او ایمیلی از ریجکت دریافت کرده بود که در آن این دلیل ذکر شده بود: «فرمت‌بندی ارجاع‌ها مطابق الزامات نیست». فهرست منابع او را بررسی کردیم و همه‌چیز درست بود. فقط کافی بود متن چکیده را باز کند تا ببیند مشکل دقیقاً چیست؛ اما همان‌جا معلوم شد.

در متن چکیده، قبل از هوومنایز شدن، یک ارجاع درون‌متنی APA آمده بود که به شکل «(Nakamura et al., 2024)» نوشته شده بود؛ اما هوومنایزر رایج واریز شده‌ای که او امتحان کرده بود آن را به «as Nakamura and colleagues showed in their 2024 study» تغییر داده بود. این جمله‌بندی، نثر زیبایی دارد، ولی دیگر همان «ارجاع» نیست. ابزار غربال‌گری سردبیر تشخیص داد که ارجاعِ روایت‌محور داخل چکیده با ارجاعات داخل پرانتز در بخش‌های دیگر مقاله همخوانی ندارد. اینکه این اتفاق باعث تأخیر دو هفته‌ای در ارسال چکیده به دلیل یک جایگزینی صرفاً سبکی شده باشد، یا نه، هنوز پرسشی بی‌پاسخ است.

ما این مسئله را از اوایل ۲۰۲۵ رصد کرده‌ایم. در یک آزمون کنترل‌شده که روی ۲۰۰ پاراگراف آکادمیک هوومنایز شده حاوی ارجاعات درون‌متنی انجام دادیم، «Phrasly» در ۴۷ درصد موارد فرمت ارجاعات را تغییر داد، «Undetectable.ai» در ۵۳ درصد موارد، و هوومنایزر «Quillbot» در ۳۸ درصد موارد. حتی بیشتر از این، ابزارها به عناصری دست می‌زنند که، در ظاهر بحث‌برانگیز نبودن یا نبودنشان، به‌راستی از مهم‌ترین بخش‌های یک مقاله آکادمیک‌اند: ورودی‌های فهرست منابع با حروف کج و DOIها؛ چیزهایی که بسیاری از نویسندگان حتی زحمت بررسی‌شان را هم به خود نمی‌دهند.

بیشتر هوومنایزرها برای تولیدکنندگان محتوا ساخته شده‌اند؛ برای نوشتن پست‌های وبلاگی و توصیف‌های محصول در سئو. اما نثر آکادمیک یک الزام ساختاری دارد که هیچ ابزارِ تمرکز بر بازاریابی برای پاسداشتش طراحی نشده است: ارجاع باید در فرایند بازنویسی «به همان شکل» باقی بماند.

این پست توضیح می‌دهد چرا «هوومنایزری از هوش مصنوعی که نقل‌قول‌های آکادمیک را حفظ می‌کند» محصولی به‌طور معنادار متفاوت از یک هوومنایزر عمومی است، اینکه «حفظِ آگاهانه از ارجاع» در عمل پشت صحنه دقیقاً چه شکلی دارد، پیامدهای چهارگانه برای پژوهشگران وقتی این موضوع درست انجام نشود، و یک آزمون پنج‌دقیقه‌ای که می‌توان پیش از اعتماد به هر هوومنایزر برای یک نسخه خطی انجام داد.

یک هوومنایزر از هوش مصنوعی که نقل‌قول‌های آکادمیک را حفظ می‌کند چیست؟

هوومنایزری از هوش مصنوعی که نقل‌قول‌های آکادمیک را حفظ می‌کند، ارجاعات درون‌متنی، ورودی‌های فهرست منابع، عبارات آماری و برچسب‌های معادله را پیش از بازنویسی استخراج می‌کند و سپس بلافاصله بعد از بازنویسی، آن‌ها را عیناً (verbatim) دوباره درج می‌کند؛ بنابراین ارجاعات در قالب‌های APA، MLA و IEEE دست‌نخورده باقی می‌مانند. هوومنایزرهای عمومی این مرحله را نادیده می‌گیرند و ارجاعات را مانند توکن‌های عادی در نظر می‌گیرند؛ به همین دلیل ابزارهایی مانند Phrasly، Undetectable.ai و Quillbot در ۳۸ تا ۵۳ درصد از پاراگراف‌های آکادمیکی که ما آزمایش کردیم، فرمت ارجاعات را تغییر دادند. می‌توانید با یک آزمون پنج‌دقیقه‌ای روی پلن رایگان هر ابزار، تأیید کنید آیا آن واقعاً «آگاهانه نسبت به ارجاع» عمل می‌کند یا نه.

یک هوومنایزرِ آگاه به ارجاع از هوش مصنوعی چه می‌کند تا ارجاعاتتان دست‌نخورده بمانند؟

هوومنایزر عمومی متن را به‌صورت مجموعه‌ای از توکن‌ها در نظر می‌گیرد که آن‌ها را به شیوه‌های مختلف بازنویسی می‌کند تا روی سطح چیزی متفاوت تولید شود. این یعنی هر چیزی داخل متن، even اگر درون‌پرانتزی باشد (مثلاً ارجاع)، کج/Italic شده باشد (مثلاً عنوان ژورنال)، یک مخفف باشد (مثلاً DOI)، یا یک برچسب معادله یا یک عبارت آماری، برای بازنویسی «مجاز» است.

اما هوومنایزر آگاه به ارجاع برخی چیزها را دست نمی‌زند. دور آن‌ها «کار می‌کند». برای بیان کاملاً روشن، آن‌ها را تشخیص می‌دهد:

• ارجاعات درون‌متنیِ داخل پرانتز. "(Smith, 2024)"، "(Smith & Jones, 2024)"، "(Smith et al., 2024, p. 47)"، "[12]" و ده‌ها گونهٔ دیگر از همین فرمت در میان APA، MLA، Chicago، IEEE، Harvard، Vancouver، Turabian و AMA.
• ورودی‌های فهرست منابع. عنوان‌های ژورنالیِ کج، نشانه‌گذاری بین شمارهٔ جلد و شمارهٔ شماره (issue)، ampersand در برابر "and"، تیپ جمله‌ای (sentence-case) در برابر تیپ عنوانی (title-case) برای عنوان مقالات، و هر خطی که با یک DOI پایان می‌یابد.
• عبارات آماری. "p < 0.01,"، "95% CI [0.34, 0.58],"، "n = 1,247," و قراردادهای گزارش‌دهی برای فاصله‌های اطمینان، نسبت‌های شانس (odds ratios) و اندازه‌های اثر (effect sizes).
• نوشته‌فنی. برچسب‌های معادله (Eq. 3)، ارجاعات به شکل (Fig. 2a)، ارجاعات به جدول (Table 1)، و نشانگرهای ارجاع متقاطع که نسخهٔ شما برای حرکت میان آن‌ها استفاده می‌کند.
• واژگان تخصصی. نام روش‌ها ("PRISMA")، نام ابزارها ("CRISPR-Cas9")، ثبت‌نام کارآزمایی‌ها ("ClinicalTrials.gov NCT03945383") و اسم‌های خاصی که بازنویسی نباید دست‌خوردگی ایجاد کند.

این‌ها «مواردِ حاشیه‌ای» نیستند. در مجموعه‌دادهٔ تحریری ما، میانگینِ یک نسخه خطی ۶۰۰۰ کلمه‌ای شامل ۴۷ ارجاع درون‌متنی، ۱۱ عبارت آماری و ۶ ارجاع به معادله یا شکل است. هوومنایزری که حتی ۱۰ درصد از این‌ها را لمس کند، ۶ تا ۷ خطا در هر مقاله تولید می‌کند که باید پیش از ارسال، دستی پیدا و اصلاح شوند.

هوومنایزرهای مبتنی بر هوش مصنوعی چگونه ارجاعات APA، MLA و IEEE را خراب می‌کنند؟

در آزمون‌های ما، هوومنایزرهای «کور نسبت به ارجاع» هر بار در سه مسیر از کار می‌افتند.

حالت شکست ۱: ارجاعات درون‌متنی به قالب روایی بازنویسی می‌شوند. نمونهٔ Nakamura در ابتدای این مقاله. "(Smith, 2024)" تبدیل می‌شود به "as Smith demonstrated in 2024" یا "Smith's 2024 study suggested." نثر جدید، بیشتر با توزیع دادهٔ آموزشی یک هوومنایزر «هم‌جنس» است. این کار نوع ارجاع را عوض می‌کند (از درون‌پرانتزی به روایی)، و بنابراین باید در تمام پاراگراف یا بخش، طبق دستورالعمل بیشتر ژورنال‌ها، به شکل یکپارچه استفاده شود. همچنین لحنِ ضمنیِ «صاحب‌صدا» (authorial voice) را تغییر می‌دهد. سردبیرها متوجه می‌شوند.

حالت شکست ۲: بازفرمت‌دهیِ فهرست منابع. ورودی ارجاع "Smith, J. (2024). The structure of Cell, 187(5), 945-961. Https://doi.org/10.1016/j.cell.2024.05.012" بازنویسی می‌شود: عنوان ژورنال از حالت italic خارج می‌شود، شمارهٔ جلد (volume) اهمیت/تأکیدش را از دست می‌دهد، پیشوند DOI تغییر می‌کند، یا نشانه‌گذاری بین حروف اول نویسنده و سال به یک سبک دیگر نرمال می‌شود. از نظر فنی، ارجاع همچنان «حل می‌شود» (resolve می‌شود)، اما دیگر با قالب APA 7 همخوان نیست. ویراستاران کپی آن را پرچم می‌زنند.

حالت شکست ۳: عبارت‌سازیِ کج‌ومعوج پیرامون محتوای محافظت‌شده. Cabanac Problematic Paper Screener روی بیش از ۱۹هزار مقاله‌ای که الگوهای جایگزینیِ هم‌معنی را دارند (همان‌هایی که هوومنایزرهای مبتنی بر بازنویسی تولید می‌کنند) علامت گذاشته است. Joined Together States for United States. Bosom peril for breast cancer. Renal disappointment for kidney failure. این جمله‌های کج‌ومعوج پیرامون ارجاع، داده‌های آزمایشی ما را احاطه می‌کنند و همین باعث می‌شود برای ویراستاران، اعتماد به ارجاع دشوارتر شود، حتی وقتی خودِ ارجاع دقیقاً دست‌نخورده باقی مانده باشد. Problematic Paper Screener (Cabanac, Labbe, and Magazinov) اکنون توسط چند ناشر برای علامت‌گذاری مقالات جهت بررسی تحریری پیش از داوری همتا استفاده می‌شود.

این سه شکست با هم ترکیب می‌شوند. مقاله‌ای که یک هوومنایزر عمومی تحویل می‌دهد، پر از ارجاعات درون‌متنیِ بازنویسی‌شده به قالب روایی است (حالت ۱)، ورودی‌های فهرست منابع بازفرمت شده (حالت ۲) و نثر پیرامونیِ کج‌ومعوج (حالت ۳). و برای بازگرداندن همه‌چیز به وضعیت پیش از هوومنایز شدن، ۹۰ دقیقه زمان لازم است. اینکه این کار ارزشش را دارد یا نه، همچنان پرسش باز است.

چرا حفظ ارجاعات برای یک هوومنایزرِ هوش مصنوعی سخت است؟

بیشتر هوومنایزرها ارجاعات را درست مدیریت نمی‌کنند، چون مدل زبانی زیربنایی نمی‌داند یک «ارجاع» چیست. فقط آن را مانند هر توالی دیگری از توکن‌ها در نظر می‌گیرد (یعنی "(Smith, 2024)"). اگر از tokenizer خواسته شود «ارجاعات حفظ شوند»، تا حدی این کار را انجام می‌دهد. اما مدل زیربنایی برای تولید نثر روان آموزش دیده است. وقتی میان این دو هدف تعارض ایجاد شود، مدل معمولاً نثر روان را ترجیح می‌دهد.

این مسئله را می‌توان با یک هوومنایزر آگاه به ارجاع حل کرد. پیش از بازنویسی، ما یک فاز استخراج اجرا می‌کنیم: در آن، بخش‌های ارجاع، عبارات آماری، برچسب‌های معادله و ورودی‌های فهرست منابع را شناسایی می‌کنیم، سپس آن‌ها را در مرحلهٔ هوومنایز کردن با placeholder جایگزین می‌کنیم و بعد از آن، بخش‌های اصلی را عیناً دوباره درج می‌کنیم. به این ترتیب، مدل ما هرگز ارجاع را به شکلی که بتواند بازنویسی‌اش کند، «نمی‌بیند».

این همان معماری‌ای است که به ما اجازه می‌دهد در ترجمهٔ ماشینی، پاسخ درست را بگیریم وقتی در جمله نام یک فرد، یک نام برند یا یک عدد وجود دارد. همین منطق در هوومنایز کردن هم صدق می‌کند: اگر چیزی را از مرحلهٔ مولد محافظت کنیم، بهتر از آن است که بخواهیم مرحلهٔ مولد «دقیق» عمل کند.

چهار پیامد پژوهشگر وقتی ماجرا خراب می‌شود

هزینهٔ یک هوومنایزرِ کور نسبت به ارجاع برای پژوهشگر در چهار شکل ظاهر می‌شود. ما هر کدام از آن‌ها را در ۱۸ ماه گذشته دیده‌ایم.

پیامد ۱: ریجکت فنی از مسیر غربال‌گری. غربال‌گری خودکار یک ژورنال عدم‌همخوانی میان ارجاعات داخل چکیدهٔ بازفرمت‌شده و فهرست منابع را پیدا می‌کند. مقاله پیش از داوری همتا به نویسندگان بازگردانده می‌شود. بهترین حالت: دو هفته تأخیر. بدترین حالت: مسئله با بازنگری‌های دیگر تشدید می‌شود و نسخه از پنجرهٔ انتشار خارج می‌ماند.

پیامد ۲: شکِ داور نسبت به ساختگی بودن. داور ارجاع درون‌متنی‌ای را می‌بیند که با ورودی فهرست منابع متفاوت است، یا یک ارجاع درون‌پرانتزی که به بخشی از متن بازنویسی شده است. او/او به‌طور طبیعی فرض می‌کند نویسنده منبع را مطالعه نکرده است. همین حالا رایج‌ترین راه برای رسیدن به تصمیم «major revisions» یا «reject» در نسخه‌هایی است که ما در ممیزی‌هایمان بررسی کرده‌ایم.

پیامد ۳: پرچمِ یکپارچگی از سوی اسکرینرِ عبارت‌های کج‌ومعوج. الگوهای جایگزینیِ هم‌معنی پیرامون ارجاع توسط Cabanac screener یا نسخهٔ داخلیِ یک ناشر شناسایی می‌شود. مقاله برای بررسی یکپارچگی پژوهش ارسال می‌شود. حتی اگر خودِ مقاله پایه‌اش خوب باشد، این کار چند هفته تأخیر اضافه می‌کند. همچنین روی نام نویسنده اثر می‌گذارد.

پیامد ۴: ریترکشن (بازپس‌گیری) پس از انتشار. نادر است، اما صرفاً «نظری» نیست. ممیزی‌های پس از انتشار، مقالاتی را دیده‌اند که عبارت‌های کج‌ومعوج یا بازنویسی‌های ارجاع که توسط هوومنایزرها ایجاد شده بودند، در فرآیند تحریری تشخیص داده نشده‌اند و همین به ریترکشن انجامیده است. تا امروز، Problematic Paper Screener در بیش از ۱۰۰۰ مورد ریترکشن کمک کرده است، بخشی از آن‌ها شامل الگوهای ایجادشده توسط هوومنایزرها بوده.

تعادل نامتقارن است. سودِ بازنویسی روان پایین است: فقط باعث کاهش کمی در تشخیص هوش مصنوعی می‌شود که در بسیاری از موارد بی‌ضرر خواهد بود. اما زیانی که با «شکست ارجاع» همراه است بالاست: تأخیر، شک، پرچم یکپارچگی، یا حتی، بدتر از همه، ریترکشن. هوومنایزر آگاه به ارجاع، این زیان را حذف می‌کند و در عین حال آن سود را هم نگه می‌دارد.

چطور هر هوومنایزری را برای حفظ ارجاع در ۵ دقیقه آزمایش کنیم

این آزمونی است که ما روی هر هوومنایزر جدیدی که وارد بازار می‌شود اجرا می‌کنیم. پنج دقیقه زمان می‌برد و می‌توان آن را رایگان روی تقریباً هر ابزار در پلن رایگانش انجام داد.

مرحله ۱. پاراگراف زیر را در هوومنایزر دلخواهتان کپی کنید. این پاراگراف چهار رایج‌ترین قالب ارجاع و یک عبارت آماری را در خود دارد.

The intervention reduced symptoms in 64% of participants
(Smith, 2024). Other studies (Jones & Lee, 2023; Patel et al.,
2024, p. 47) reported comparable effects. A recent meta-analysis
[12] confirmed the pattern across populations (n = 1,247,
p < 0.01). The mechanism remains debated; see Reference 14 for
a competing interpretation.

مرحله ۲. خروجی هوومنایز شده را بخوانید. بررسی کنید آیا هرکدام از این موارد دقیقاً باقی مانده‌اند یا نه:

• ارجاع داخل پرانتز «(Smith, 2024)» دقیقاً به همان شکل.
• ارجاع چندنویسنده‌ای «(Jones & Lee, 2023; Patel et al., 2024, p. 47)» دقیقاً به همان شکل، شامل ampersand، سمی‌کالن، و شمارهٔ صفحه.
• ارجاع شماره‌گذاری‌شده «[12]» دقیقاً.
• عبارت آماری «n = 1,247, p < 0.01» دقیقاً.
• ارجاع متقاطع «Reference 14» بدون اینکه به «the fourteenth reference» یا چیزی مشابه بازنویسی شده باشد.

مرحله ۳. اگر هرکدام از این پنج عنصر تغییر کرده باشد، هوومنایزر در معنایی که برای نگارش آکادمیک مهم است «آگاه به ارجاع» نیست. آن را برای متن‌های بازاریابی به کار ببرید، نه برای یک نسخهٔ خطی.

مرحله ۴. یک پاراگراف دوم اجرا کنید که در آن یک ورودی فهرست منابع با حروف کج و یک DOI وجود دارد:

Smith, J., & Jones, K. (2024). The structure of cellular
respiration in mitochondrial disease. Nature Reviews Molecular
Cell Biology, 25(3), 187-203. https://doi.org/10.1038/s41580-024-00712-3

بررسی کنید آیا حروف کج، ampersand، قالب جلد-شماره (volume-issue) و URL DOI همگی سالم مانده‌اند یا نه. هوومنایزری که می‌تواند ارجاعات درون‌متنی را مدیریت کند اما ورودی‌های فهرست منابع را نه، «نیمه‌امن» است. نسخهٔ خطی شما به تضمین کامل نیاز دارد.

مرحله ۵. یک آزمون نهایی روی یک پاراگراف از نسخهٔ خطی خودتان اجرا کنید. ابزارهایی که روی ورودی مصنوعی خوب کار می‌کنند ممکن است روی نثر واقعی با الگوهای ارجاع متراکم‌تر شکست بخورند. برای یک ضرب‌الاجل، به هیچ هوومنایزری اعتماد نکنید مگر اینکه آن را در برابر متن خودتان اعتبارسنجی کنید.

ما هوومنایزر خودمان را طبق این آزمون، در مقایسه با صفحه رتبه‌بندی هوومنایزرها، و نیز در برابر رقبای نام‌برده در مقایسه «Phrasly vs Undetectable.ai» مستند می‌کنیم. اعداد ما بین ابزارها قابل مقایسه است چون هر دو پست از همان روش آزمون که در بالا شرح داده شد استفاده می‌کنند. اگر بخواهید ببینید ابزارهای بازنویسی (دسته‌ای متفاوت) در مدیریتِ همان چالشِ حفظ ارجاع چگونه عمل می‌کنند، به یادداشت ما دربارهٔ بازنویسی که ارجاعات را حفظ می‌کند مراجعه کنید؛ این یادداشت بخش «بازنویسی» از همان الگوی معماری را پوشش می‌دهد.

پرسش‌های متداول

سؤال: چرا بیشتر هوومنایزرهای هوش مصنوعی ارجاعات آکادمیک را خراب می‌کنند؟

آن‌ها برای بازاریاب‌های محتوا طراحی شده‌اند، نه برای پژوهشگران. هوومنایزرهای عمومی همهٔ توکن‌ها را کاندید بالقوهٔ بازنویسی در نظر می‌گیرند؛ بنابراین ارجاعات درون‌متنی به متن روایی تبدیل می‌شوند، ورودی‌های فهرست منابع حروف کج خود را از دست می‌دهند و نشانه‌گذاری‌شان نرمال می‌شود، و عبارت‌های هم‌معنی برای جمله‌های کج‌ومعوج کنار ارجاع جمع می‌شوند. این مشکل با یک هوومنایزر آگاه به ارجاع حل می‌شود: ارجاعات را پیش از بازنویسی استخراج می‌کند و بعداً آن‌ها را دوباره درج می‌کند.

سؤال: آیا یک هوومنایزر آگاه به ارجاع کافی است تا مقاله‌ام غیرقابل تشخیص شود؟

حفظ ارجاع و دور زدنِ تشخیص، دو مسئلهٔ متفاوت‌اند. هدفِ یک هوومنایزر آگاه به ارجاع این است که ارجاعات شما را حفظ کند، اما همچنان انواع تغییراتِ سطحی‌ای را ایجاد کند که آشکارسازها به دنبال آن هستند. سطحِ میزان تهاجمی‌ای که هوومنایزر متن اطراف را بازنویسی می‌کند تعیین می‌کند امتیاز تشخیص چه باشد، اما روی نرخِ «مدیریت ارجاعات» تأثیر نمی‌گذارد. بیشتر هوومنایزرهای آگاه به ارجاع عملکرد خوبی در دور زدنِ تشخیص دارند. امتیازهای تشخیصِ معیار (benchmark) ابزار مورد استفاده را جست‌وجو کنید (که باید منتشر شده باشند) و آن را با نرخ مدیریت ارجاعات مقایسه کنید.

سؤال: آیا می‌توانم فقط ارجاعاتم را دستی پیش از هوومنایز کردن استخراج کنم؟

بله، بعضی پژوهشگران این کار را انجام می‌دهند. فرایند این است: متن نسخهٔ موردنظر را در یک سند کپی کنید و هر ارجاع را دستی با یک placeholder جایگزین کنید ("[CITE_001]")، هوومنایز کنید، سپس ارجاعات اصلی را دوباره درج نمایید. این روش برای مقدار کم متن جواب می‌دهد. اما در مورد یک نسخهٔ کامل، کار دستی ممکن است بیش از خودِ مرحلهٔ هوومنایز زمان ببرد. هنگام هوومنایز کردن، بسیار آسان است که placeholderها جا بیفتند. اگر کار بیش از چند دقیقه طول بکشد، آن را با یک ابزار اتومات کنید. هر سندی با بیش از ۱,۵۰۰ کلمه می‌تواند با استفاده از ابزاری برای اتومات‌کردن پایپ‌لاین توصیف‌شده در اینجا بهره‌مند شود.

سؤال: چگونه بفهمم یک هوومنایزر واقعاً آگاه به ارجاع است یا فقط ادعا می‌کند؟

آزمون پنج‌دقیقه‌ایِ بخش بالا را انجام دهید. یک پاراگراف حاوی ترکیبی از ارجاعات APA، شماره‌گذاری‌شده و آماری بردارید و آن را در ابزار اجرا کنید. اگر همهٔ عناصر دقیقاً همان‌طور که در ورودی بودند ظاهر شوند، هوومنایزر آگاه به ارجاع است. اگر در هر چیزی تغییری ایجاد شده باشد، برچسب «آگاه به ارجاع» صرفاً بازاریابی است. بیشتر ابزارهایی که در متن بازاریابی‌شان ادعا می‌کنند «حفظ ارجاع» را انجام می‌دهند، در واقع بخش استخراجِ پایپ‌لاین را پیاده‌سازی نکرده‌اند؛ اجرای همین آزمون به شما کمک می‌کند بفهمید کدام‌ها واقعاً این کار را کرده‌اند.

سؤال: آیا این موضوع برای فصل‌های پایان‌نامه که به استاد/هماهنگ‌کننده‌ام می‌دهم هم مهم است، یا فقط برای نسخه‌های ژورنالی؟

برای هر دو مهم است، اما به دلایل متفاوت. در نسخه‌های ژورنالی، ارجاعات ناسازگار می‌تواند به ریجکت فنی از مسیر غربال‌گری منجر شود. در فصل‌های پایان‌نامه، پیامد این است که استاد یا کمیته، لغزش ارجاعات را می‌بیند، آن را نشانه‌ای از استفاده از هوش مصنوعی یا بی‌دقتی تلقی می‌کند و نگرانی دربارهٔ یکپارچگی ایجاد می‌کند یا از شما می‌خواهد فصل را دوباره کار کنید. این لغزش آن‌قدر جزئی است که ممکن است شبیه یک اتفاق به نظر برسد، اما برای یک خوانندهٔ دقیق آن‌قدر ثابت و منظم هست که قابل مشاهده باشد. یک هوومنایزر آگاه به ارجاع، حالت شکست را در هر دو زمینه حذف می‌کند.