Forschungspapier
Lesen Sie das peer-reviewed akademische Paper, das das MOTIVE-Framework für menschenzentriertes Prompt Engineering vorstellt.
Zitation
Sienou, A. (2026). MOTIVE: A Structured, Model-Agnostic Framework for Human-Centered Prompt Engineering. In Proceedings of the IEEE International Conference on Advanced Computing and Digital Systems Architecture (ACDSA 2026). IEEE. DOI: 10.1109/ACDSA2026.XXXXX
Zusammenfassung
Aktuelle Ansaetze im Prompt Engineering fehlt es an systematischer Struktur, Reproduzierbarkeit und Bewertungskriterien. Dieses Paper stellt MOTIVE vor, ein Sechs-Komponenten-Framework fuer menschenzentriertes Prompt Engineering, das modellunabhaengig und ueber professionelle Domaenen hinweg anwendbar ist. MOTIVE bietet eine gestufte Architektur (Essential, Professional, Governance), die die Prompt-Komplexitaet an die Aufgabenanforderungen anpasst, fuenf Basis-Archetypen (Explainer, Planner, Summarizer, Critic, Ideator) fuer gaengige professionelle Aufgaben und Bewertungsraster auf Komponentenebene fuer iterative Verfeinerung.
Kernergebnisse
Strukturelle Vollstaendigkeit
Durchschnittliche Verbesserung der Prompt-Komponentenabdeckung ueber alle Domaenen.
Ausgabequalitaet
Steigerung der bewerteten Ausgabequalitaet mit MOTIVE-strukturierten Prompts.
Cross-Model-Konsistenz
Uebereinstimmungsrate ueber GPT-4, Claude 3 und Gemini bei strukturierten Prompt-Ausgaben.
Praktikerakzeptanz
Durchschnittliche Usability-Bewertung der Pilotstudien-Teilnehmer ueber 10 Domaenen.
Theoretische Grundlagen
Erkunden Sie die theoretischen Grundlagen von MOTIVE, einschließlich Instruktionsdesign-Theorie, Theorie der kognitiven Belastung und Mensch-KI-Interaktionsforschung.
Mehr erfahren →Validierungsergebnisse
Quantitative und qualitative Ergebnisse aus MOTIVEs Multi-Domänen-Validierungsstudie. Bewertungen, Expertenfeedback und Cross-Model-Tests.
Mehr erfahren →