热门角色不仅是灵感来源,更是你的效率助手。通过精挑细选的角色提示词,你可以快速生成高质量内容、提升创作灵感,并找到最契合你需求的解决方案。让创作更轻松,让价值更直接!
我们根据不同用户需求,持续更新角色库,让你总能找到合适的灵感入口。
生成针对教育技术工具用户的反馈表问题,注重精准性与学术风格。
问题设计(用于在线学习平台用户反馈表) - 问题:请基于您最近一次使用体验,评价在本平台上完成典型学习任务(如浏览课程内容、提交作业、参与讨论或完成测验)的总体难易程度。 - 量表:7 点单题易用性量表(Single Ease Question, SEQ) 1 = 非常困难 2 = 困难 3 = 略困难 4 = 一般 5 = 略容易 6 = 容易 7 = 非常容易 - 额外选项:不适用/我未进行上述任务 理论依据与证据 - 选择单题易用性量表(SEQ)作为反馈表中的核心问题具有方法学依据。SEQ 在人机交互与可用性研究中被广泛验证,可作为对完成任务主观难易度的敏感、低负担指标,能与任务成功率、完成时间及主观满意度等关键指标呈中到高强度相关,从而有效反映平台的可用性水平(Sauro & Lewis, 2012)。 - 在技术增强学习情境中,感知易用性是技术接受的重要前因,显著预测使用意向与持续使用行为;因此,以易用性为单题核心指标具有较强的外部效度与决策价值(Davis, 1989)。该问题可作为平台层面的常模化监测指标,并支持与其他体验维度(如内容质量、互动性)进行后续关联分析。 参考文献(APA 第7版) - Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008 - Sauro, J., & Lewis, J. R. (2012). Quantifying the user experience: Practical statistics for user research. Morgan Kaufmann.
Proposed feedback item Overall, how effectively did the course resource repository help you find high-quality resources aligned with your learning objectives? Response scale 1 = Not at all effective; 2 = Slightly effective; 3 = Somewhat effective; 4 = Moderately effective; 5 = Very effective; 6 = Highly effective; 7 = Extremely effective; Not applicable Rationale This single, global item targets perceived effectiveness in locating relevant learning resources, a core outcome for a repository’s pedagogical value. It operationalizes the “effectiveness” dimension of usability as defined in ISO 9241-11:2018, while focusing respondents on relevance to learning objectives rather than generic satisfaction. The phrasing avoids double-barreled constructs (for example, not conflating relevance with aesthetics or navigation) and uses a seven-point response scale, which has demonstrated favorable reliability, validity, and discriminating power in psychometric evaluations. Furthermore, aligning the evaluative focus with relevance to learning objectives draws on the Technology Acceptance Model’s emphasis on perceived usefulness as a predictor of user acceptance and continued use in educational technologies. References Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. International Organization for Standardization. (2018). ISO 9241-11:2018 Ergonomics of human-system interaction—Usability: Definitions and concepts. Preston, C. C., & Colman, A. M. (2000). Optimal number of response categories in rating scales: Reliability, validity, discriminating power, and respondent preferences. Acta Psychologica, 104(1), 1–15.
反馈表问题(单题,认知负荷测量) 请评价您在刚才使用互动答题器完成作答时所感受到的总体心理努力程度: 1 2 3 4 5 6 7 8 9 1 = 非常低的心理努力;9 = 非常高的心理努力 作答指引:请在完成每一轮答题后立即选择最能代表您整体体验的数字。 方法学依据与用途 该单题基于Paas提出的单维度心理努力量表,已在认知负荷研究与教学设计评估中广泛使用,能敏感地反映学习者在完成任务时的主观负荷水平(Paas, 1992;Paas et al., 2003)。在互动答题器情境中,心理努力作为认知负荷的主观指标,可用于识别由界面可用性、题干表述、时间限制或反馈呈现方式引发的非本质(外在)负荷,从而为迭代优化题目设计与交互流程提供证据(Sweller et al., 2011)。基于该指标的纵向监测亦可与成绩、答题时长等客观数据联动,形成对教学效率的综合评估。 参考文献(APA第7版) - Paas, F. (1992). Training strategies for attaining transfer of problem-solving skill in statistics: A cognitive-load approach. Journal of Educational Psychology, 84(4), 429–434. https://doi.org/10.1037/0022-0663.84.4.429 - Paas, F., Tuovinen, J. E., Tabbers, H. K., & Van Gerven, P. W. M. (2003). Cognitive load measurement as a means to advance cognitive load theory. Educational Psychologist, 38(1), 63–71. https://doi.org/10.1207/S15326985EP3801_8 - Sweller, J., Ayres, P., & Kalyuga, S. (2011). Cognitive load theory. Springer.
快速搭建试点与上线后的用户反馈表,区分新老用户与场景,收集可操作改进点,支撑功能迭代与路线决策。
为课程工具、资源库或互动活动生成严谨问项,评估学习成效、参与度与支持需求,用于课程优化与教学反思。
制定标准化问卷模板,覆盖教师与学生两端,定期追踪工具落地质量与满意度,为采购续约与培训提供依据。
快速形成可量化与可比较的题项组合,提升回收与完答率,减少偏差,支撑画像细分、痛点识别与优先级排序。
按学术写作风格产出问项与说明,附参考来源,便于伦理审查与发表所需的测量描述,提升研究复现性。
在工具导入与续费周期,生成场景化回访问题,用于满意度与推荐度评估,降低流失,挖掘续约与扩展机会。
为产品经理、教研负责人、教学设计师与用户研究员,一键生成面向特定教育技术产品的高质量用户反馈问题。输出以学术风格呈现、逻辑严谨、可直接用于问卷平台,覆盖学习成效、可用性、参与度、技术稳定性与可访问性等关键维度;支持多语言表达,避免引导性与含混措辞,帮助团队在内测、公测与上线复盘阶段快速收集高价值反馈,缩短调研周期,提升数据可靠性,驱动产品迭代与对外背书。
将模板生成的提示词复制粘贴到您常用的 Chat 应用(如 ChatGPT、Claude 等),即可直接对话使用,无需额外开发。适合个人快速体验和轻量使用场景。
把提示词模板转化为 API,您的程序可任意修改模板参数,通过接口直接调用,轻松实现自动化与批量处理。适合开发者集成与业务系统嵌入。
在 MCP client 中配置对应的 server 地址,让您的 AI 应用自动调用提示词模板。适合高级用户和团队协作,让提示词在不同 AI 工具间无缝衔接。
免费获取高级提示词-优惠即将到期