減少往返對話：結構化提示的比較研究
arXiv - Human-Computer InteractionSaurav Ghosh, Gabriella Polach, Abdou Sow
結構化提示（清單式）能提升LLM回覆質量並減少用戶互動
AI 幫你先抓重點
AI 重點 1
結構化提示可顯著提升LLM回覆質量，減少用戶互動成本
滑鼠懸停看 AI 判斷理由
此洞察顯示提示設計不僅影響內容深度，還能節省時間與算力，對教育工作者在設計 AI 工具時提供實際可行的節能策略。
AI 重點 2
清單式提示在多任務、多模型環境下均有效，證明其通用性
滑鼠懸停看 AI 判斷理由
這表明教育者可採用單一簡易模板，適用於不同學科與 AI 平台，降低提示工程門檻，促進跨領域協作與一致性評估。
核心研究發現
- 1
在四種任務（摘要、規劃、解釋、編碼）中，清單式提示平均得分 7.50/8，顯著高於原始提示 5.67/8 及澄清式提示 6.67/8。
- 2
清單式提示在質量與用戶努力的平衡上表現最佳，平均使用的 token 數量比原始提示和澄清式提示更少。
- 3
研究涵蓋三個 LLM 系統（ChatGPT、Claude、Grok），結果在不同模型間保持一致，說明結構化提示的普遍有效性。
對教育工作者的啟發
實務教育工作者可先將提示拆解為清單式結構，列出任務目標、關鍵步驟與檢查項，並以簡短語句呈現，避免冗長敘述。此方法不僅能提升LLM回覆的完整度與準確度，還能減少用戶輸入 token 數量，節省時間與算力。對於課程設計者而言，可將清單模板嵌入教材或作業說明，讓學習者在使用 AI 工具時更易掌握需求，促進自主學習與元認知發展。
原始文獻資訊
- 英文標題：
- Less Back-and-Forth: A Comparative Study of Structured Prompting
- 作者：
- Saurav Ghosh, Gabriella Polach, Abdou Sow
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。