AI 素养课可以教怎样检验提示词

摘要

Wharton 的重复测试提醒：一次好答案不足以证明某个提示词可靠。

团队用同一批难题反复测试 GPT-4o 系列，比较表达方式与判定标准。单题上的显著变化，可能在总体上相互抵消；平均分也可能掩盖不稳定。

策展建议：把这篇当作 AI 素养的实验设计材料，让学习者先定义可靠性，再比较多次输出。论文测试的是模型表现，没有测试这项课堂活动。

特定模型与 GPQA 题库的研究；课堂用途是策展推论，不是已验证的学习干预。