대규모 언어 모델 (LLMs)은 개방형 작업 (open-ended tasks)에 널리 사용되지만, 명확하게 규정되지 않은 프롬프트 (underspecified prompts)는 저품질의 답변과 추가적인 상호작용을 초래할 수 있습니다. 본 논문은 구조화된 프롬프트 설계 (structured prompt design)가 사용자의 노력을 줄이면서 응답 품질을 향상시키는지 연구합니다. 우리는 세 가지 프롬프트 조건인 원시 프롬프트 (raw prompt), 체크리스트 개선 프롬프트 (checklist-improved prompt), 그리고 명확화 질문 프롬프트 (clarifying-question prompt)를 비교합니다. 우리는 ChatGPT, Claude, Grok의 세 가지 LLM 시스템을 사용하여 요약 (summarization), 계획 (planning), 설명 (explanation), 코딩 (coding)의 네 가지 작업 유형에 대해 이 조건들을 평가합니다. 각 출력물은 작업 완료 (task completion), 정확성 (correctness), 준수 (compliance), 명확성 (clarity)을 다루는 통합 루브릭 (unified rubric)으로 점수가 매겨집니다. 체크리스트 개선 프롬프트는 원시 프롬프트의 5.67점, 명확화 질문 프롬프트의 6.67점과 비교하여 8점 만점에 평균 7.50점으로 가장 높은 루브릭 점수를 달성했습니다. 또한 체크리스트 프롬프트는 원시 프롬프트와 명확화 프롬프트 모두보다 평균 토큰 (tokens)을 적게 사용함으로써 최상의 품질-노력 트레이드오프 (quality-effort tradeoff)를 보여주었습니다. 이러한 결과는 간단한 프롬프트 체크리스트가 불필요한 상호작용을 줄이면서 LLM 응답을 개선할 수 있음을 시사합니다.