Cara Kami Menguji Respons AI dengan CLEAR

Konteks. Batasan. Jawaban & Hasil yang Diharapkan. CLEAR: Context. Limits. Expected Answer & Result.

CLEAR adalah framework ringkas di balik Tes Kualitas Respons kami. Tiga elemen yang sama membantu mendefinisikan prompt, lalu menilai seberapa baik jawaban pertama memenuhinya.

Satu framework, dua fungsi

CLEAR sengaja dibuat ringkas. Framework ini menggunakan tiga pertanyaan yang sama saat menulis prompt dan saat menilai respons. Dengan begitu, kriteria tes sudah terlihat sebelum model menjawab, bukan dibuat setelah melihat hasilnya.

C — Konteks (Context)

Saat membuat prompt: Apa yang perlu diketahui AI? Saat menilai: Apakah jawaban memahami dan menggunakan konteks yang relevan dengan benar?

L — Batasan (Limits)

Saat membuat prompt: Aturan apa yang berlaku? Saat menilai: Apakah jawaban mematuhi aturan, batasan, dan constraint yang diminta?

EAR

Saat membuat prompt: Apa tepatnya yang harus dihasilkan AI? Saat menilai: Apakah jawaban benar-benar memberikan jawaban dan hasil yang diharapkan?

Mengapa dibuat ringkas? Penilaian hanya berguna jika pembaca dapat melihat alasan di baliknya. CLEAR menjaga dimensinya cukup sederhana untuk diingat, sementara setiap skor tetap memerlukan penjelasan yang konkret dan terlihat.

C — Konteks (Context)

Context menilai apakah respons memahami situasi yang diberikan. Ini dapat mencakup tujuan pengguna, audiens, materi sumber, tingkat pengetahuan, fakta yang harus tetap sama, atau informasi lain yang dibutuhkan untuk menjawab tugas dengan benar.

Contoh: Jika prompt meminta penjelasan untuk anak berusia 15 tahun yang belum pernah mempelajari statistik, jawaban yang kuat harus menyederhanakan konsep untuk audiens tersebut tanpa mengganti konsepnya dengan sesuatu yang tidak akurat.

Skor Context yang tinggi tidak berarti setiap klaim faktual dalam jawaban sudah diverifikasi secara independen. Artinya, jawaban menggunakan konteks yang diberikan untuk tugas tersebut dengan benar.

L — Batasan (Limits)

Limits adalah aturan eksplisit yang membentuk jawaban. Bila memungkinkan, kami membuatnya dapat diperiksa secara objektif: jumlah kata, jumlah bullet point, jumlah paragraf, label wajib, kalimat penutup wajib, atau constraint seperti hanya menggunakan sumber gratis.

Ukur terlebih dahulu

Pemeriksaan mekanis seperti jumlah kata dan jumlah item wajib dicatat sebagai fakta, bukan ditebak dari tampilan.

Lalu tinjau

Constraint yang memerlukan penilaian — misalnya mempertahankan makna atau menjaga nada yang diminta — dijelaskan dalam tinjauan yang terlihat.

Penting: Kepatuhan format yang sempurna tidak otomatis berarti hasil berkualitas tinggi. Respons dapat mendapat 10/10 untuk Limits tetapi tetap kehilangan poin pada Expected Answer & Result jika mengubah makna atau gagal memenuhi tugas sebenarnya.

EAR — Jawaban & Hasil yang Diharapkan

EAR mengajukan pertanyaan paling praktis: apakah respons benar-benar memberikan yang dibutuhkan pengguna? Di sini kami menilai kelengkapan, kegunaan, pemeliharaan makna, dan apakah hasil cocok untuk tujuan yang diminta.

Format bagus, hasil lemah

Jawaban dapat tetap berada di bawah batas kata dan menggunakan label yang benar, tetapi masih menghilangkan dependensi penting, mengubah tingkat kepastian, atau menghasilkan sesuatu yang belum siap untuk tujuan penggunaan.

Hasil kuat

Respons memenuhi tugas secara keseluruhan: menggunakan konteks yang relevan, mematuhi aturan, dan mempertahankan makna serta hasil praktis yang diminta pengguna.

Contoh email: Dalam tes penulisan ulang email, email profesional dapat mempertahankan semua fakta wajib tetapi tetap terasa belum lengkap jika tidak memiliki penutup yang lazim. Itu tidak selalu merupakan kegagalan Limits ketika prompt tidak secara eksplisit mewajibkannya, tetapi dapat memengaruhi EAR.

Bagaimana skor CLEAR dihasilkan

Setiap Tes Kualitas Respons mengikuti urutan dasar yang sama. Tujuannya adalah repeatability dan transparansi, bukan mengklaim bahwa satu pengujian manual merupakan benchmark ilmiah.

1
Bekukan prompt yang tepat
Teks prompt yang sama digunakan untuk setiap asisten dalam tes tersebut.
2
Rekam jawaban lengkap pertama
Chat baru, tanpa regenerate dan tanpa follow-up. Screenshot asli disimpan sebagai bukti.
3
Catat kondisi yang terlihat
Tanggal, model yang ditampilkan, akun, status web/search, dan pengaturan relevan lain didokumentasikan.
4
Periksa batas yang dapat diukur
Jumlah kata, jumlah bullet, label, dan constraint objektif lain diperiksa secara langsung. Agar konsisten, jumlah kata menggunakan token yang dipisahkan whitespace dari jawaban yang terlihat. Heading, label, salam pembuka, penutup, dan catatan tambahan model ikut dihitung; format Markdown itu sendiri tidak.
5
Nilai C, L, dan EAR secara terpisah
Setiap skor memiliki alasan yang terlihat. Sebelum memberikan 10/10, kami secara aktif memeriksa ulang tanggal, angka, dependensi, tingkat kepastian, dan makna yang relevan, bukan menganggap “tidak ada masalah yang terlihat” sebagai bukti hasil sempurna.

Skala 1–10

1–3

Buruk: sebagian besar persyaratan tidak terpenuhi.

4–6

Sebagian: masih ada kekurangan penting.

7–8

Baik: persyaratan sebagian besar terpenuhi, tetapi masalah yang tersisa cukup berarti untuk diperhitungkan.

9

Sangat baik: hampir sepenuhnya terpenuhi, hanya ada masalah kecil.

10

Sepenuhnya terpenuhi dalam tes ini: tidak ditemukan masalah bermakna untuk dimensi tersebut.

N/A

Digunakan ketika suatu dimensi benar-benar tidak relevan. Kami tidak mengubah “tidak berlaku” menjadi 10/10 secara artifisial.

Mengapa tidak ada skor pemenang keseluruhan? Memisahkan C, L, dan EAR membuat kegagalan lebih mudah terlihat. Skor format sempurna tidak boleh menutupi perubahan makna yang material melalui rata-rata.

Contoh nyata: format sempurna, makna berubah

Dalam Tes 2, empat asisten diminta meringkas catatan proyek untuk seorang manajer. Sumber menyatakan bahwa redesign website “direncanakan untuk diluncurkan pada 12 September.” ChatGPT meringkasnya menjadi “Redesign website diluncurkan 12 September.”

Mengapa ini penting: tanggalnya tetap ada, tetapi statusnya berubah. “Direncanakan untuk diluncurkan” adalah informasi proyek yang bersifat kondisional; “diluncurkan” menyajikan peristiwa sebagai sesuatu yang pasti. Dalam ringkasan untuk manajemen, perubahan ini dapat secara material mengubah keputusan, deadline, dan ekspektasi berdasarkan status proyek.

Context 10/10

Respons memahami bahwa tugasnya adalah ringkasan manajemen yang ringkas dan mempertahankan topik proyek yang relevan.

Limits 10/10

Jawaban tetap dalam 75 kata, menggunakan tepat tiga bullet point, serta memakai Status:, Risk:, dan Next action: sesuai permintaan.

EAR 5/10

Hasilnya ringkas dan diformat dengan benar, tetapi mengubah peluncuran yang masih direncanakan menjadi peluncuran yang pasti. Dalam ringkasan untuk manajer, hal itu mengubah status proyek yang relevan bagi keputusan dan dapat secara material menyesatkan perencanaan.

Inilah alasan CLEAR memisahkan Limits dari EAR: jawaban dapat mengikuti setiap aturan format yang terlihat tetapi tetap memiliki masalah kualitas yang substantif.

Apa yang dilakukan CLEAR — dan apa yang tidak diklaimnya

CLEAR dirancang untuk menunjukkan

Apakah respons memahami tugas, mengikuti batas yang diminta, dan memberikan hasil yang diharapkan — dengan alasan yang terlihat untuk setiap skor.

CLEAR tidak dirancang untuk membuktikan

Bahwa setiap klaim faktual benar, bahwa satu asisten secara umum adalah yang “terbaik”, atau bahwa satu pengujian manual merupakan benchmark ilmiah sebuah model.

Ketika verifikasi faktual penting, sumber atau klaim dapat diperiksa secara terpisah dan didokumentasikan sebagai bukti. CLEAR sendiri tetap berfokus pada kualitas respons relatif terhadap prompt yang benar-benar diuji.

Lihat CLEAR diterapkan pada respons nyata

Buka Tes Kualitas Respons untuk membandingkan 28 jawaban yang direview manual dengan CLEAR pada lima prompt praktis dan dua tes bonus, ditambah 4 jawaban yang dinilai komunitas dalam Fun Prompt terpisah.

Bagikan panduan CLEAR ini

Tambahkan PromptingEasy ke layar Anda

Gunakan menu browser Anda dan pilih opsi untuk menginstal situs ini atau menambahkannya ke layar utama.