Ước tính perplexity của bài viết tiếng Anh của bạn thông qua phần mà bạn thực sự có thể chỉnh sửa: độ biến đổi từ. Công cụ chấm điểm vốn từ của bạn bằng một thước đo cửa sổ trượt bền vững với độ dài (MATTR), báo cáo tỷ lệ type-token, và liệt kê những từ mà bản nháp của bạn dựa vào nhiều nhất. Cách diễn đạt lặp lại, ít đa dạng là một trong những lý do rõ ràng nhất khiến văn xuôi đọc lên bị phẳng; trang này giúp điều đó trở nên nhìn thấy được và đếm được.
Trusted by researchers publishing in
Chỉ cần một đoạn văn là đủ để bắt đầu, một phần hoặc một chương sẽ cho điểm đáng tin cậy nhất. Không có giới hạn từ.
Độ biến đổi từ ước tính trên thang 0-100 kèm một dải đánh giá, cùng với tỷ lệ type-token và số lượng từ duy nhất của bạn.
Danh sách từ lặp lại cho thấy chính xác chỗ nào bản nháp của bạn phụ thuộc nặng nhất. Hãy biến đổi các động từ và từ nối quanh các thuật ngữ chính, và giữ nguyên bản thân các thuật ngữ đó.
TTR thô giảm khi văn bản dài hơn, vì vậy hầu hết các công cụ kiểm tra trực tuyến đều bất lợi cho tài liệu dài. Điểm chính ở đây là MATTR trên cửa sổ 50 từ, nên một chương và một đoạn văn được đánh giá bằng cùng một thước đo.
Một điểm số đơn lẻ thì chưa thể hành động được. Danh sách các từ lặp lại nhiều nhất cho thấy chính xác những từ nào đang gánh quá nhiều nội dung trong văn bản của bạn, được đếm sau khi loại bỏ các stopwords.
Cùng một ước tính độ biến đổi từ mà dashboard humanizer của chúng tôi hiển thị trong ô In-Text Perplexity, chạy trên chính thiết bị của bạn.
Công cụ báo cáo dữ liệu từ vựng và không gì khác. Không có tuyên bố về tác giả, không có lời hứa phát hiện: chỉ là những con số bạn có thể kiểm tra bằng tay.
Perplexity ban đầu là một thước đo trong kỹ thuật: một mô hình ngôn ngữ dự đoán từ tiếp theo của một văn bản tốt đến mức nào? Văn xuôi được tạo từ các cụm từ khuôn mẫu thì dễ dự đoán và có điểm thấp, còn văn xuôi đưa ra các lựa chọn cụ thể, đa dạng hơn thì khiến mô hình bất ngờ hơn. Thước đo này đi vào văn hóa viết khi người đọc nhận ra mối liên hệ đó theo hai chiều. Văn bản mà một mô hình thấy dễ đoán thường cũng tạo cảm giác dễ đoán với con người, vì cùng một vốn từ nhỏ cứ xuất hiện đúng nhịp.
Một trang web không thể thật sự tính perplexity của mô hình, nhưng có thể đo thành phần mà người viết kiểm soát trực tiếp, đó là độ đa dạng từ vựng. Thước đo chuẩn là tỷ lệ type-token, số từ duy nhất chia cho tổng số từ, và biến thể bền vững với độ dài của nó là MATTR, vốn trượt một cửa sổ cố định qua văn bản và lấy trung bình tỷ lệ bên trong cửa sổ đó. Điểm thấp luôn có nguyên nhân nhất quán, chỉ một số ít từ đang gánh quá nhiều nội dung của văn bản. Viết nháp nhanh tạo ra điều đó, viết bằng ngôn ngữ thứ hai cũng tạo ra điều đó, và hỗ trợ AI cũng tạo ra theo cách riêng của nó, lặp lại đều đặn các động từ và từ nối ưa dùng trên mọi đoạn văn.
Kỹ năng chỉnh sửa là biết nên giữ sự lặp lại nào. Viết học thuật đòi hỏi tính nhất quán thuật ngữ: một khái niệm đã được định nghĩa phải giữ nguyên tên gọi của nó mỗi khi xuất hiện, và phản biện hoàn toàn có lý khi không tin những bản thảo thay đổi từ đồng nghĩa cho các khái niệm then chốt. Phần đa dạng đáng bổ sung nằm ở mọi chỗ khác, trong các động từ, từ nối và mô tả xung quanh những thuật ngữ cố định đó. "The results show" có thể trở thành điều mà kết quả thực sự làm: demonstrate, contradict, narrow, confirm. Mỗi lần thay đổi như vậy làm tăng độ đa dạng như một hệ quả của việc diễn đạt chính xác hơn, và đó mới là thứ tự đúng của nguyên nhân và kết quả.
Độ biến đổi từ là một lớp của văn xuôi nghe tự nhiên. Để xem nhịp ở cấp câu, hãy xem burstiness checker ; còn với các từ cụ thể mà các mô hình AI lạm dụng, hãy xem AI word cleaner ; và để có đầy đủ kỹ thuật, xem hướng dẫn của chúng tôi về making AI writing sound human .
Độ biến đổi từ có lợi cho việc chỉnh sửa ở một số chỗ và gây bất lợi ở những chỗ khác. Ranh giới giữa hai phía đó chính là điều làm cho việc biên tập học thuật trở thành một kỹ năng.
"The results show" xuất hiện 3 lần trong một đoạn văn là một vấn đề về độ biến đổi. Kết quả có thể demonstrate, confirm, narrow, contradict hoặc qualify, mỗi động từ cũng nói điều gì đó chính xác hơn so với "show". Điều tương tự cũng đúng với từ nối: however, although, whereas và despite mang các sắc thái mà việc lặp đi lặp lại "but" làm phẳng đi.
Nếu nghiên cứu của bạn định nghĩa "working memory capacity", thì nó phải là "working memory capacity" trên mọi trang. Thay bằng "cognitive load" hoặc "mental bandwidth" để tạo sự đa dạng sẽ làm thay đổi tuyên bố. Phản biện đọc thuật ngữ bị xáo trộn bằng từ đồng nghĩa như sự thiếu chính xác, không phải phong cách. Danh sách từ lặp lại của bạn sẽ chứa các thuật ngữ chính, sự lặp lại đó là đúng.
Đuổi theo điểm số bằng cách thay các từ đơn giản bằng các từ hiếm sẽ làm tăng độ đa dạng nhưng phá hỏng văn xuôi: "use" không trở nên tốt hơn khi thành "utilize". Sự đa dạng thực sự đến từ việc nói những điều cụ thể hơn, không phải trang trí cùng một điều theo cách khác. Nếu một lần thay thế không làm tăng độ chính xác, hãy giữ từ đơn giản.
Phát hiện các cụm từ khuôn mẫu mà việc viết nháp nhanh và hỗ trợ AI thường lặp lại, trước khi một phản biện đọc cùng một động từ đến 11 lần.
Xem những từ nào mà một bài luận đang dựa vào và học cách biến đổi ngôn ngữ quanh một lập luận thay vì lặp lại khung của nó.
Ngôn ngữ thứ hai thường có vốn từ vựng chủ động nhỏ hơn, và sự lặp lại sẽ bộc lộ điều đó. Hãy đo tiến bộ khi phạm vi sử dụng của bạn mở rộng.
Chẩn đoán vì sao một bài viết nghe phẳng dù ngữ pháp và cấu trúc đều ổn, câu trả lời thường là có 30 từ đang làm tất cả công việc.
Công cụ humanizer của ProofreaderPro viết lại vốn từ, cách diễn đạt và nhịp điệu mang màu AI trên toàn bộ bản nháp của bạn trong khi vẫn giữ nguyên ý nghĩa, với đầu ra để bạn xem lại từng dòng. Được xây dựng cho nhà nghiên cứu, miễn phí để thử.
Humanize my writing freeChỉnh sửa, làm cho tự nhiên hơn, diễn đạt lại và dịch bài viết học thuật của bạn ở một nơi. Miễn phí để bắt đầu, không cần thẻ tín dụng.
Bắt đầu dùng thử miễn phí