synthesis-content-quality

Synthesis Content Quality — это методика редакторской оценки текста и поиска признаков slop, то есть пустого или недостаточно содержательного материала, независимо от того, участвовал ли в его создании человек или модель. Источник прямо разделяет качество и происхождение: сам факт AI-помощи не доказывает плохой текст, а человеческий текст тоже может быть стилистически пустым. Навык применяет многосигнальный анализ и не предлагает считать один маркер окончательным доказательством генерации. В версии 4.0 описаны отпечатки семейств Claude, GPT, Gemini, Llama, Grok, DeepSeek, Mistral и Qwen, а также отдельные критерии substance and depth. Среди проверок есть deletion test, specificity test, load-bearing claim count, novelty signal, insight-to-word ratio, any-company test, hedging as substance evasion, survey-without-claim, generic insight, both-sides-without-position, pseudo-profundity, conclusion-shaped paragraphs и frictionless-transition padding. Эти критерии нужны для ответа на редакторский вопрос: что именно утверждает текст, какие сведения несут доказательную нагрузку и что исчезнет, если убрать предложение или абзац. Навык различает два режима проверки. Artifact mode предназначен для опубликованного материала без разговорной рамки; в нём применяются устойчивые телесные и срединные сигналы, а wrapper-opener и wrapper-closer пропускаются. Full-response mode нужен для анализа полного ответа модели вместе с conversational framing и включает все зоны. Такое разделение важно, потому что в начале ответа могут встречаться вежливые или согласительные формулы, а в основной части — другой набор признаков. Для этого источник описывает три зоны: wrapper-opener в первых предложениях, body-persistent в содержательной части и wrapper-closer в финале; отдельные маркеры могут быть hybrid или mid-body-insert. В каталоге порядка 180 паттернов, часть из них помечена как Active, Declining, Historical или Deprecated. Это позволяет не удалять старые признаки при изменении поведения моделей, а сохранять их для анализа архивных текстов. Практически навык подходит для проверки AI-assisted draft перед публикацией, редакторской работы с необработанным выводом, калибровки детектора, обучения авторов и forensic-анализа старых материалов. Важное ограничение сформулировано самим источником: инструмент оценивает паттерны качества и substance, но не может по одному признаку установить происхождение текста; человеческая редактура и контекст остаются необходимыми. Нельзя также смешивать artifact mode с анализом чата: conversational opener и closer могут исказить оценку готовой статьи. Для полезной проверки нужно заранее выбрать режим, пройти несколько независимых сигналов, сверить конкретные тезисы и отдельно оценить глубину, новизну и доказательность. Методика не является универсальным процентом «AI-generated» и не заменяет фактчекинг, авторскую ответственность или редакторское решение о публикации. Её ценность — дать воспроизводимый набор вопросов и понятий, с помощью которых можно убрать пустые переходы, проверить нагрузку утверждений и отличить явный стилистический паттерн от доказательства происхождения.