---
name: detect-presentation-gaming
description: >-
  Detect whether a paper's perceived strengths come from genuine substance or
  from presentation gaming — strength inflation, parroting of self-positioning
  language, or "first/fundamental/comprehensive" claims without evidence. The
  defensive flip of ARGAR: turn its attack knowledge into a detector so authors
  and reviewers can catch repackaging. Use to audit a draft (or a revision)
  before submission.
metadata:
  owner_model: ParadoxGPT-Checker-4B
  skill_family: checker
  version: "0.1"
  output_type: diagnosis
  default_language: zh
  trigger_keywords: [presentation gaming, strength inflation, parroting, overclaim detection, repackaging, gaming AI review, 包装, 夸大, gaming]
  required_inputs: [paper_context, claimed_strengths, evidence]
  optional_inputs: [reviews]
  handoff_to: [detect-limitation-laundering, enforce-content-preservation-zones, identify-fatal-concerns]
---

# Detect Presentation Gaming

## Purpose

检测一篇论文的 perceived strengths 是来自**真实实质**还是 **presentation gaming**——strength inflation(把局部结果包装成普遍贡献)、parroting(照搬论文自我标定词当优点)、无证据的 "first/fundamental/comprehensive"。这是 ARGAR 攻击知识的**防御翻转**:把"怎么 gaming"变成"怎么检测 gaming",让作者/审稿人在投稿前抓住 repackaging。

## When to Use

- 投稿前自查:我的优点是实质还是包装?
- 审视一次修改是否在 gaming(对比改前改后)。
- 作为 reviewer,判断一篇 strengths 是否 inflation。

## Do Not Use

- 只查 limitation 是否被 laundering → 用 `detect-limitation-laundering`。
- 查修改是否越界改了数字/公式 → 用 `enforce-content-preservation-zones`。
- 想找致命 concern → 用 `identify-fatal-concerns`。

## Required Inputs

- `paper_context`: 全文(定位证据)
- `claimed_strengths`: 论文(或修改)声称的 strengths
- `evidence`: 论文内可用的证据

## optional Inputs

- `reviews`: 已有 review(看 reviewer 是否被 parroting 带偏)

## Output Contract

输出必须包含:

1. **per_strength_verdict** — 每条 claimed_strength:genuine / inflated / parroted + 依据。
2. **inflation_evidence** — 哪些措辞("first/comprehensive/fundamental")无证据支撑。
3. **parroting_instances** — reviewer(若有)复述论文自我标定词的地方。
4. **substance_gap** — perceived strength 与真实 evidence 的落差。
5. **verdict** — overall: clean / borderline / gamed,附最关键的 1-2 个问题。

## Procedure

1. 逐条 claimed_strength 核对是否有 paper 内实质证据。
2. 标 inflation 措辞(无证据的强词)。
3. 若有 reviews,看 reviewer 是否 parrot 论文标定词(ARGAR 的典型信号)。
4. 量化 substance_gap,给 verdict。

## Quality Bar

一个好的输出必须:

- 每条 verdict 指向可核查证据(或其缺失)。
- 区分"措辞夸张但有事"与"纯包装无证据"。
- parroting 有具体复述实例。

一个差的输出:

- 笼统"有夸大"无指向。
- 把正常强调误判为 inflation。
- 忽视 reviewer parroting 信号。

## Failure Modes

- **误判正常强调**:有证据的强措辞被当 inflation。
- **漏 parroting**:reviewer 复述词没被抓。
- **只看措辞不看证据**:把"comprehensive"一刀切。

## Handoff

- 发现 limitation 被不诚实处理 → `detect-limitation-laundering`
- 发现改动了数字/公式 → `enforce-content-preservation-zones`
- gamed 的 strength 关联致命问题 → `identify-fatal-concerns`

## Example

Input:

```
claimed_strengths: ["the first method addressing a fundamental gap"]
evidence: [Fig2 三任务曲线;method §3]
```

Output(节选):

```
per_strength_verdict:
  - "first/fundamental" → inflated。"first"无检索依据;"fundamental"无理论支撑;实质证据仅 Fig2(局部)。
inflation_evidence: "first", "fundamental" 无对应证据。
substance_gap: 实质=局部不饱和;措辞=首创/根本。落差大。
verdict: gamed(borderline)。建议降措辞为"we show interaction rounds are a scalable resource, with unsaturated gains (Fig2)"。
```