직접 수정할 수 있는 부분, 즉 단어 변이를 통해 글의 perplexity를 추정하세요. 이 checker는 길이 변화에 강한 이동 창 기반 지표(MATTR)로 어휘를 채점하고, type-token ratio를 보고하며, 초안이 가장 많이 의존하는 단어를 나열합니다. 반복적이고 다양성이 낮은 표현은 글이 평면적으로 읽히는 가장 분명한 이유 중 하나입니다. 이 페이지는 그것을 눈에 보이고 셀 수 있게 만듭니다.
Trusted by researchers publishing in
한 문단만 있어도 시작할 수 있고, 섹션이나 장 단위가 가장 신뢰할 만한 점수를 제공합니다. 단어 제한은 없습니다.
0-100 척도의 예상 단어 변이와 판정 범위, 그리고 type-token ratio와 고유 단어 수를 제공합니다.
반복 단어 목록은 초안이 가장 크게 기대고 있는 부분을 보여줍니다. 핵심 용어 주변의 동사와 연결어를 다양하게 바꾸고, 용어 자체는 그대로 두세요.
원시 TTR은 텍스트가 길어질수록 떨어지므로, 대부분의 온라인 checker는 긴 문서를 불리하게 봅니다. 여기서의 핵심 점수는 50단어 창 기준의 MATTR입니다. 장과 문단을 같은 기준으로 평가합니다.
점수만으로는 실행 가능한 조치를 얻기 어렵습니다. 가장 많이 반복된 단어 목록은 어떤 단어가 텍스트를 과도하게 차지하는지 정확히 보여주며, 불용어는 제외해 계산합니다.
인간화기 dashboard의 In-Text Perplexity 타일에 표시되는 것과 같은 단어 변이 추정치로, 사용자의 기기에서 실행됩니다.
이 tool은 어휘 데이터만 보고합니다. 저자성 판단도, 탐지 약속도 없습니다. 손으로 확인할 수 있는 수치만 제공합니다.
Perplexity는 엔지니어링 지표로 시작했습니다. 언어 모델이 텍스트의 다음 단어를 얼마나 잘 예측하는가 하는 문제였습니다. 상투적 표현으로 이루어진 문장은 예측하기 쉬워 점수가 낮고, 구체적이고 다양한 선택을 하는 문장은 모델에 더 많은 의외성을 줍니다. 이 지표가 글쓰기 문화로 넘어온 것은 독자들이 그 연결이 양방향이라는 점을 알아차렸기 때문입니다. 모델이 예측 가능하다고 여기는 텍스트는 사람에게도 예측 가능하게 느껴지는 경우가 많습니다. 같은 작은 어휘가 정해진 순서대로 계속 등장하기 때문입니다.
웹 페이지가 모델의 perplexity를 정직하게 계산할 수는 없지만, 작성자가 직접 통제할 수 있는 그 구성 요소, 즉 어휘 다양성은 측정할 수 있습니다. 표준 척도는 type-token ratio, 즉 전체 단어 수에 대한 고유 단어 수이며, 그 길이 변화에 강한 개선형이 MATTR입니다. MATTR은 고정된 창을 텍스트 전체에 슬라이드하며 그 안의 비율을 평균냅니다. 낮은 점수에는 일관된 원인이 있습니다. 소수의 단어가 텍스트를 지나치게 많이 떠맡는 것입니다. 빠른 초안 작성도, 제2언어로 쓰는 것도, AI assistance도 각자 방식으로 이를 만들어냅니다. 좋아하는 동사와 연결어를 모든 문단에 고르게 재사용하는 식입니다.
수정의 기술은 어떤 반복을 남기고 어떤 반복을 고칠지 아는 데 있습니다. 학술 글쓰기는 용어의 일관성을 요구합니다. 정의된 개념은 등장할 때마다 정확히 같은 이름을 유지해야 하며, 리뷰어가 핵심 개념에 대해 동의어를 바꿔 쓰는 원고를 신뢰하지 않는 것은 당연합니다. 다양성을 더할 가치가 있는 곳은 그 밖의 모든 부분, 즉 고정된 용어를 둘러싼 동사, 연결어, 설명입니다. "The results show"는 결과가 실제로 무엇을 하는지로 바뀔 수 있습니다. demonstrate, contradict, narrow, confirm. 각 치환은 더 정확하게 말한 결과로서 다양성을 높이며, 이것이 원인과 결과의 올바른 순서입니다.
단어 변이는 자연스럽게 읽히는 문장의 한 층위입니다. 문장 수준의 리듬은 burstiness checker 를 참고하세요. AI 모델이 과도하게 사용하는 특정 단어는 AI word cleaner 를, 전체적인 작성 기술은 AI writing sound human 가이드에서 확인하세요.
단어 변이는 어떤 부분에서는 편집에 보상을 주고, 다른 부분에서는 편집을 벌합니다. 그 경계를 가르는 것이 학술적 수정의 기술을 만듭니다.
한 문단에 "The results show"가 세 번 나오면 변이 문제입니다. 결과는 demonstrate, confirm, narrow, contradict, qualify 할 수 있으며, 각 동사는 "show"보다 더 정확한 의미를 담습니다. 연결어도 마찬가지입니다. however, although, whereas, despite는 반복되는 "but"이 평평하게 만들어버리는 차이를 지닙니다.
연구가 "working memory capacity"를 정의한다면, 모든 페이지에서 반드시 "working memory capacity"여야 합니다. 다양성을 위해 "cognitive load"나 "mental bandwidth"로 바꾸면 주장 자체가 달라집니다. 리뷰어는 동의어로 바꿔 쓴 용어를 문체가 아니라 부정확성으로 읽습니다. 반복 단어 목록에는 핵심 용어가 포함될 것이며, 그 반복은 올바른 것입니다.
평범한 단어를 희귀한 단어로 바꿔 점수를 올리려 하면 변이는 늘어날지 몰라도 문장은 망가집니다. "use"는 "utilize"가 된다고 더 좋아지지 않습니다. 진짜 다양성은 같은 것을 꾸미는 데서 오지 않고, 더 구체적인 것을 말하는 데서 옵니다. 바꾼 말이 정확성을 더하지 못한다면, 평범한 단어를 그대로 두세요.
빠른 초안 작성과 AI assistance가 반복하는 상투적 표현을, 검토자가 같은 동사를 열한 번 보기 전에 찾아내세요.
에세이가 어떤 단어에 기대는지 확인하고, 논지의 틀을 반복하기보다 그 주변의 언어를 다양하게 바꾸는 법을 배우세요.
제2언어는 능동 어휘가 더 좁기 마련이며, 반복은 그 사실을 드러냅니다. 작업 범위가 넓어질수록 향상도 함께 확인하세요.
문법과 구조는 괜찮은데 글이 왜 평면적으로 읽히는지 진단하세요. 대개는 서른 개 남짓한 단어가 모든 역할을 하고 있기 때문입니다.
ProofreaderPro의 humanizer는 전체 초안에서 AI 느낌이 나는 어휘, 표현, 리듬을 다시 써서 의미는 유지하면서, 사용자가 한 줄씩 검토할 수 있는 결과를 제공합니다. 연구자를 위해 만들어졌고, 무료로 사용해 볼 수 있습니다.
내 글을 무료로 humanize하기