Semua contoh use case di bawah ini bersifat ilustratif — bukan hasil riset asli yang benar-benar dijalankan. Tujuannya biar kamu paham pola output yang bakal keluar sebelum kamu pakai ke topik risetmu sendiri.
Cara Pakai (Berlaku buat Semua Prompt)
- Copy prompt yang sesuai kebutuhan risetmu.
- Ganti bagian dalam tanda kurung siku [ ] dengan topik atau data risetmu sendiri.
- Paste ke Claude, biarkan dia proses sampai selesai.
- Kalau hasilnya masih terlalu general, follow-up dengan "coba lebih spesifik ke [variabel tertentu]" atau lampirkan 1-2 sumber acuan biar Claude bisa cross-check langsung ke datanya.
🎓 Riset Akademis / Peneliti
Buat kamu yang lagi ngerjain skripsi, tesis, atau riset akademik lain.
01. Scout Celah Riset
Kapan dipakai: Di awal, sebelum kamu mulai riset — buat cari celah yang belum banyak dibahas orang.
Prompt:
Jadilah Metodolog Riset Elite. Aku mau memetakan struktur dasar [Topik Risetku] dari nol. Lakukan structural sprint cepat untuk mengisolasi 3 blind spot akademik paling menonjol, cacat sistemik dalam pengumpulan data, atau sudut investigasi yang belum banyak digarap — tempat literatur mainstream masih bergantung pada konsensus usang. Berikan kerangka text verification framework yang ketat.
Contoh Use Case:
Topik: Dampak remote work ke produktivitas tim 3 celah yang ditemukan: (1) Riset mainstream mayoritas ambil sampel perusahaan teknologi besar, jarang ada data dari sektor manufaktur atau retail yang WFH-nya dipaksa pandemi. (2) Metode pengumpulan data kebanyakan self-report survey, minim data objektif seperti log jam kerja aktual. (3) Sudut pandang manajer menengah nyaris tidak diteliti — kebanyakan riset fokus ke karyawan atau eksekutif. Topik: Adopsi AI di UMKM Indonesia 3 celah: (1) Studi tentang adopsi AI UMKM banyak fokus ke kota besar (Jakarta, Surabaya), minim data dari kota tier-2. (2) Definisi "adopsi AI" di literatur sering dicampur dengan sekadar pakai chatbot customer service, padahal beda level dengan otomasi produksi. (3) Belum ada riset yang membandingkan UMKM yang gagal adopsi vs berhasil — kebanyakan cuma laporan sukses.
02. Matrix Ekstraksi Inti
Kapan dipakai: Waktu kamu punya banyak sumber (jurnal, artikel) dan butuh ringkasan terstruktur, bukan cuma rangkuman biasa.
Prompt:
Jadilah Arsitek Informasi Akademik Premium. Ambil daftar padat sumber materi, lalu ubah jadi conceptual matrix yang bermanfaat tinggi. Susun hierarki pengetahuan pakai kerangka ketat 'Primary Definitional Axiom + High-Contrast Methodological Discrepancy + Quantifiable Metric Anchor' supaya bisa langsung mengisolasi data-data high-signal dan melewati basa-basi tesis kualitatif.
Contoh Use Case:
Topik: 5 jurnal tentang burnout karyawan Axiom Definisi: burnout didefinisikan konsisten sebagai exhaustion + cynicism + reduced efficacy (Maslach). Discrepancy Metodologis: 2 dari 5 jurnal ukur pakai self-report skala satu kali, 3 lainnya pakai studi longitudinal — hasil longitudinal menunjukkan burnout lebih fluktuatif dari yang diklaim self-report. Metric Anchor: jurnal yang paling sering dikutip pakai skala MBI-GS dengan cutoff score 3.2. Topik: Kumpulan artikel tentang efektivitas prompt engineering Axiom Definisi: efektivitas prompt diukur dari task completion rate. Discrepancy: sebagian artikel ukur di GPT-4, sebagian di Claude — hasilnya nggak apple-to-apple tapi sering dibandingkan seolah setara. Metric Anchor: teknik chain-of-thought konsisten menaikkan akurasi 15-30% di seluruh sumber yang direview.
03. SOP Review Cepat
Kapan dipakai: Waktu kamu harus review banyak paper sekaligus dan butuh format yang konsisten biar nggak bolak-balik bingung.
Prompt:
Jadilah Master Direct-Response Information Engineer. Buat SOP (Standard Operating Procedure) yang bisa dipakai berulang untuk mengevaluasi 10 paper sekaligus. Template review-nya wajib pakai hierarki heading pattern-interrupt yang tajam dan kontras tinggi (huruf kapital semua untuk DOMAIN atau dataset), dirancang khusus supaya cognitive fatigue nggak muncul dan tren data bisa diekstrak cepat.
Contoh Use Case:
Topik: Review 10 paper tentang machine learning di diagnosis medis DOMAIN: MODEL ARCHITECTURE — 6 dari 10 paper pakai CNN, 4 pakai transformer, tren bergeser ke transformer sejak 2024. DOMAIN: DATASET SIZE — rentang 500 sampai 50.000 sampel, paper dengan sampel kecil (di bawah 2.000) semua klaim akurasi di atas 95%, red flag overfitting. DOMAIN: VALIDASI KLINIS — cuma 2 dari 10 yang diuji di rumah sakit asli, sisanya cuma validasi internal dataset. Topik: Review 10 paper tentang strategi retensi pelanggan SaaS DOMAIN: METODE PENGUKURAN — mayoritas pakai churn rate bulanan, minoritas pakai cohort retention curve yang lebih akurat. DOMAIN: SEGMENTASI — cuma 3 paper yang breakdown retensi per segmen pricing tier. DOMAIN: TIMEFRAME — kebanyakan riset cuma tracking 3-6 bulan, jarang ada yang lihat retensi 12 bulan ke atas.
04. Mesin Analogi Manusiawi
Kapan dipakai: Waktu kamu harus jelasin konsep teknis/akademik ke audiens awam — buat konten, presentasi, atau caption.
Prompt:
Jadilah Edukator Cognitive Science Inbound. Rancang template conceptual breakdown berbasis teks yang bisa menjelaskan jargon akademik padat secara manusiawi, tanpa basa-basi. Tunjukkan persis cara menyusun narasi yang organik dan tidak terasa robotik, yang mengubah rumus abstrak mentah jadi analogi ngobrol biasa — biar cepat paham dan nempel lama di logika.
Contoh Use Case:
Topik: Menjelaskan regresi linear Bayangin kamu nebak harga rumah cuma dari luas tanahnya. Regresi linear itu kayak menarik garis lurus di antara titik-titik harga rumah yang udah ada, terus garis itu dipakai buat menebak harga rumah baru. Semakin rapi titik-titiknya berkumpul dekat garis, semakin bisa dipercaya tebakannya. Topik: Menjelaskan confidence interval Confidence interval itu kayak kamu menebak berat badan temen cuma dari jauh. Daripada bilang "beratnya 60kg" (berani banget, gampang salah), kamu bilang "kemungkinan besar beratnya antara 55-65kg". Rentang itu confidence interval-nya — makin sempit rentangnya, makin yakin kamu, tapi juga makin besar risiko salah tebak.
05. Parser Hipotesis Multi-Variabel
Kapan dipakai: Waktu kamu nemu beberapa studi yang hasilnya saling bertentangan dan butuh cara sistematis buat nyari akar bedanya.
Prompt:
Jadilah Optimizer Token Epistemik tingkat lanjut. Tulis 3 layout script parsing input yang berbeda dan berdampak tinggi, dirancang untuk memproses banyak variabel ilmiah atau studi data yang saling bertentangan tanpa kehilangan validitas konteks. Setiap layout wajib pakai kerangka pattern-interrupt tajam yang memaksa sistem cross-examine anomali data sebelum memberikan output.
Contoh Use Case:
Topik: 3 studi yang beda pendapat soal pengaruh screen time ke kualitas tidur remaja Script 1 (Isolasi Variabel Perancu): pisahkan dulu screen time buat belajar vs hiburan — 2 dari 3 studi nggak bedain ini. Script 2 (Cross-Check Metodologi): bandingkan cara ukur kualitas tidur — 1 studi pakai self-report, 2 studi pakai actigraphy, hasil actigraphy lebih konsisten menunjukkan efek negatif signifikan. Script 3 (Deteksi Anomali): studi yang paling tidak menemukan efek negatif ternyata sampelnya cuma 40 orang — flag sebagai underpowered. Topik: Riset yang bertentangan soal efektivitas kerja 4 hari seminggu Script 1: pisahkan berdasarkan industri — hasil positif banyak dari sektor knowledge work, hasil netral dari manufaktur. Script 2: cross-check ukuran perusahaan — startup kecil hasilnya lebih positif dibanding korporasi besar. Script 3: studi yang paling bombastis klaim produktivitas naik 40% ternyata cuma berjalan 6 minggu, belum cukup panjang untuk kesimpulan jangka panjang.
06. Sintesis Dialektis Dua Langkah
Kapan dipakai: Waktu kamu punya tesis atau klaim yang mau kamu pakai di konten/laporan, tapi mau dites dulu ketahanannya sebelum publish.
Prompt:
Jadilah Peer Reviewer Akademik Elite. Buat blueprint structural synthesis yang dirancang untuk pressure-test klaim teknis apa pun secara otomatis. Susun kerangka 'Two-Step' yang ketat: pertama, suruh sistem membangun counter-argument yang agresif dan tanpa basa-basi terhadap tesisku; kedua, tutup dengan script untuk mengisolasi sintesis logis, biar validation gap yang tersembunyi ketahuan cepat.
Contoh Use Case:
Tesis: Gen Z lebih loyal ke brand yang punya purpose sosial dibanding harga murah Counter-argument: data survei sering bias sosial-desirability — orang ngaku peduli purpose pas disurvei, tapi behavior checkout tetap pilih yang murah (lihat data cart abandonment brand purpose-driven yang harganya lebih tinggi). Sintesis: loyalitas ke purpose cuma kuat di kategori non-esensial (fashion, skincare), begitu masuk kategori esensial (groceries, transportasi) harga tetap jadi faktor dominan — validation gap-nya ada di generalisasi lintas kategori produk. Tesis: Remote work menurunkan kolaborasi tim Counter-argument: penurunan kolaborasi sering diukur dari jumlah meeting, padahal itu proxy yang lemah — tim remote bisa kolaborasi lewat dokumen asinkron tanpa meeting. Sintesis: yang menurun bukan kolaborasinya, tapi jenis kolaborasi spontan/informal — validation gap-nya ada di alat ukur yang tidak menangkap kolaborasi asinkron.
07. Audit Validitas Sumber
Kapan dipakai: Waktu kamu nemu klaim atau statistik yang sering diulang-ulang di internet dan mau ngecek beneran valid atau cuma dikutip berulang tanpa verifikasi.
Prompt:
Jadilah Master Investigative Research Auditor. Buat kerangka prompt verifikasi berbasis teks yang bisa dipakai berulang, berfungsi sebagai filter adversarial untuk kredibilitas data. Tunjukkan persis cara memetakan evaluation matrix yang jelas dan kontras tinggi, yang membongkar habis confirmation bias, menegakkan cross-check sitasi secara ketat, dan mempercepat akurasi faktual dari sintesismu.
Contoh Use Case:
Klaim: 80% startup gagal karena kehabisan uang Evaluation matrix: sumber asli klaim ini ternyata dari 1 laporan lama yang terus dikutip ulang tanpa update data baru — cross-check ke laporan lebih baru menunjukkan angkanya lebih variatif (38-90% tergantung definisi "gagal"). Confirmation bias terdeteksi: artikel-artikel yang mengutip klaim ini semua ditulis dengan tone "menakuti", jarang yang mengutip data sebaliknya. Klaim: Meditasi 10 menit sehari terbukti mengurangi stres kerja 30% Cross-check sitasi: angka 30% ternyata dari 1 studi dengan sampel karyawan kantor tertentu, bukan generalisasi luas — banyak artikel populer menulis ulang angka ini tanpa menyebut konteks sampelnya. Studi lain dengan metodologi lebih ketat (randomized control) menunjukkan efeknya ada tapi jauh lebih kecil (sekitar 10-15%).
08. Audit Kecepatan 20 Menit
Kapan dipakai: Setelah kamu selesai sesi riset cepat — buat diagnosis di mana proses ristmu masih bolong atau kurang tajam.
Prompt:
Jadilah Auditor Operasional Knowledge Pipeline berbasis data. Metrik performa domain mapping-ku selama sprint 20 menit ini: volume [Jumlah Paper Sumber yang Disaring], velocity [Aksioma Inti yang Diisolasi], persentase [Selisih Logis yang Terdeteksi], dan net metrics [Keselarasan Sintesis]. Diagnosis dengan tepat: di mana flaw format instruksi, delimiter yang tidak nyambung, atau context friction loop yang bikin scale-ku macet.
Contoh Use Case:
Metrik: 20 paper disaring, 8 axiom inti terisolasi, 15% logical discrepancy ketemu, keselarasan sintesis medium Diagnosis: rasio 8 axiom dari 20 paper itu wajar, tapi discrepancy 15% tergolong rendah untuk topik yang kontroversial — kemungkinan besar kamu kurang tegas menyuruh sistem cari sumber yang saling bertentangan, bukan cuma yang sejalan. Fix: tambahkan instruksi eksplisit "cari minimal 2 sumber yang berlawanan pendapat" di prompt awal.
📊 Riset Pasar / Market Research
Buat kamu yang riset kompetitor, industri, atau validasi ide bisnis.
01. Scout Celah Pasar
Kapan dipakai: Di awal, sebelum kamu mulai riset pasar — buat cari celah yang belum banyak digarap kompetitor.
Prompt:
Jadilah Analis Riset Pasar Elite. Aku mau memetakan lanskap dasar [Pasar/Industri yang Kuriset] dari nol. Lakukan structural sprint cepat untuk mengisolasi 3 blind spot paling menonjol di analisis kompetitor yang beredar, celah kebutuhan pelanggan yang belum terpenuhi, atau sudut pasar yang belum banyak digarap — tempat laporan industri mainstream masih mengandalkan asumsi usang. Berikan kerangka verifikasi data yang ketat.
Contoh Use Case:
Topik: Pasar skincare lokal Indonesia 3 celah: (1) Laporan yang beredar mayoritas fokus ke brand besar (Somethinc, Scarlett), minim data soal brand skincare lokal skala kecil yang jual lewat live shopping. (2) Data segmentasi umur sering campur Gen Z dan milenial jadi satu kategori, padahal preferensi ingredient-nya beda jauh. (3) Belum ada data soal alasan konsumen switch dari brand lokal ke brand luar — kebanyakan laporan cuma potret market share, bukan alasan perpindahannya.
02. Matrix Ekstraksi Insight Pasar
Kapan dipakai: Waktu kamu punya banyak sumber (laporan industri, review pelanggan, data kompetitor) dan butuh ringkasan terstruktur.
Prompt:
Jadilah Arsitek Insight Pasar Premium. Ambil daftar padat sumber (laporan industri, review pelanggan, data kompetitor), lalu ubah jadi conceptual matrix yang bermanfaat tinggi. Susun hierarki insight pakai kerangka ketat 'Insight Inti + Perbedaan Metodologis Kontras Tinggi + Metrik Kuantitatif' supaya bisa langsung mengisolasi data high-signal dan melewati basa-basi laporan yang cuma naratif.
Contoh Use Case:
Topik: 5 laporan tren F&B kekinian Insight Inti: minuman fermentasi (kombucha, kefir) konsisten disebut tren naik di semua laporan. Perbedaan Metodologis: 2 laporan ambil data dari transaksi POS, 3 lainnya dari survei preferensi — hasil survei melebih-lebihkan minat dibanding data transaksi asli. Metrik Kuantitatif: laporan yang paling kredibel menunjukkan pertumbuhan kategori ini 18% year-over-year, bukan angka 50%+ yang sering dipakai di judul artikel clickbait.
03. SOP Review Kompetitor Cepat
Kapan dipakai: Waktu kamu harus benchmark banyak kompetitor sekaligus dan butuh format yang konsisten.
Prompt:
Jadilah Master Direct-Response Market Intelligence Engineer. Buat SOP (Standard Operating Procedure) yang bisa dipakai berulang untuk mengevaluasi 10 kompetitor sekaligus. Template review-nya wajib pakai hierarki heading pattern-interrupt yang tajam dan kontras tinggi (huruf kapital semua untuk KATEGORI atau aspek kompetitif), dirancang khusus supaya cognitive fatigue nggak muncul dan tren kompetitif bisa diekstrak cepat.
Contoh Use Case:
Topik: Review 10 aplikasi fintech lending KATEGORI BUNGA — rentang bunga tahunan antar kompetitor 8-36%, 3 kompetitor tidak transparan soal komponen biaya admin. KATEGORI ONBOARDING — rata-rata proses approval 2-5 hari, cuma 2 kompetitor yang bisa approval di bawah 24 jam. KATEGORI RETENSI — kompetitor dengan fitur cicilan fleksibel punya rating app store lebih tinggi secara konsisten.
04. Mesin Analogi buat Pitch
Kapan dipakai: Waktu kamu harus jelasin data pasar yang kompleks ke investor atau tim non-teknis.
Prompt:
Jadilah Storyteller Data Pasar Inbound. Rancang template conceptual breakdown berbasis teks yang bisa menjelaskan data pasar yang kompleks secara manusiawi, tanpa basa-basi. Tunjukkan persis cara menyusun narasi yang organik dan tidak terasa robotik, yang mengubah angka dan tren mentah jadi analogi ngobrol biasa — biar investor atau timmu cepat paham dan nempel lama di logika.
Contoh Use Case:
Topik: Jelasin CAC vs LTV ke calon investor non-teknis CAC itu kayak ongkos ngundang tamu ke pesta kamu, LTV itu total uang yang tamu itu belanjain selama dia masih mau datang ke pesta-pestamu berikutnya. Kalau ongkos ngundang lebih mahal dari total belanja tamunya, pestamu bakal bangkrut cepat atau lambat — sesimpel itu logikanya.
05. Parser Data Pasar yang Kontradiktif
Kapan dipakai: Waktu kamu nemu beberapa laporan pasar yang angkanya beda-beda dan butuh cara sistematis buat nyari akar bedanya.
Prompt:
Jadilah Advanced Market Signal Optimizer. Tulis 3 layout script parsing input yang berbeda dan berdampak tinggi, dirancang untuk memproses banyak sumber data pasar yang saling bertentangan tanpa kehilangan validitas konteks. Setiap layout wajib pakai kerangka pattern-interrupt tajam yang memaksa sistem cross-examine anomali data sebelum memberikan output.
Contoh Use Case:
Topik: 3 laporan beda soal ukuran pasar coworking space Indonesia Script 1: pisahkan dulu definisi "coworking space" — 1 laporan memasukkan co-living, 2 lainnya tidak. Script 2: cross-check metodologi — laporan dengan angka paling besar ternyata proyeksi 5 tahun ke depan, bukan angka pasar saat ini. Script 3: laporan yang paling konservatif ternyata sponsornya operator coworking pesaing besar — potensi bias kepentingan.
06. Sintesis Dialektis Validasi Ide Bisnis
Kapan dipakai: Sebelum kamu eksekusi ide bisnis atau fitur baru — buat dites dulu ketahanan asumsinya.
Prompt:
Jadilah Elite Business Validator. Buat blueprint structural synthesis yang dirancang untuk pressure-test ide bisnis atau asumsi produk apa pun secara otomatis. Susun kerangka 'Two-Step' yang ketat: pertama, suruh sistem membangun counter-argument yang agresif dan tanpa basa-basi terhadap asumsi bisnisku; kedua, tutup dengan script untuk mengisolasi sintesis logis, biar validation gap yang tersembunyi ketahuan cepat sebelum aku eksekusi.
Contoh Use Case:
Ide: Jasa langganan makanan sehat harian buat pekerja kantoran Counter-argument: pekerja kantoran Jakarta sudah punya banyak opsi katering diet yang mirip, diferensiasimu belum jelas — risiko masuk red ocean. Sintesis: peluangnya bukan di "makanan sehat"-nya, tapi di titik masalah spesifik yang belum digarap kompetitor, misalnya jadwal pengiriman yang fleksibel mengikuti jam meeting — validation gap-nya ada di riset kamu belum menunjukkan kenapa orang bakal pindah dari langganan yang udah mereka pakai.
07. Audit Validitas Data Pasar
Kapan dipakai: Waktu kamu nemu statistik pasar yang sering dikutip ulang dan mau ngecek beneran valid atau nggak.
Prompt:
Jadilah Master Investigative Market Auditor. Buat kerangka prompt verifikasi berbasis teks yang bisa dipakai berulang, berfungsi sebagai filter adversarial untuk kredibilitas data pasar. Tunjukkan persis cara memetakan evaluation matrix yang jelas dan kontras tinggi, yang membongkar habis confirmation bias, menegakkan cross-check sumber secara ketat, dan mempercepat akurasi faktual dari sintesis pasarmu.
Contoh Use Case:
Klaim: 70% UMKM Indonesia belum go digital Evaluation matrix: angka ini ternyata dari 1 survei tahun lama dengan sampel terbatas di Jawa, terus dikutip ulang seolah representasi nasional. Cross-check ke data lebih baru menunjukkan angkanya udah turun signifikan karena adopsi e-commerce pasca-pandemi. Confirmation bias terdeteksi: artikel yang mengutip angka ini kebanyakan dari vendor yang jual produk digitalisasi UMKM — ada kepentingan buat bikin masalahnya kelihatan besar.
08. Audit Kecepatan Riset Pasar 20 Menit
Kapan dipakai: Setelah sesi riset pasar cepat — buat diagnosis di mana prosesmu masih bolong.
Prompt:
Jadilah Auditor Operasional Market Intelligence berbasis data. Metrik performa riset pasarku selama sprint 20 menit ini: volume [Jumlah Sumber yang Disaring], velocity [Insight Inti yang Diisolasi], persentase [Kontradiksi Data yang Terdeteksi], dan net metrics [Keselarasan Kesimpulan]. Diagnosis dengan tepat: di mana flaw format instruksi, delimiter yang tidak nyambung, atau context friction loop yang bikin scale riset pasarku macet.
Contoh Use Case:
Metrik: 15 sumber disaring, 6 insight inti terisolasi, 10% kontradiksi data ketemu, keselarasan medium Diagnosis: rasio 6 insight dari 15 sumber wajar, tapi kontradiksi cuma 10% tergolong rendah buat riset pasar yang biasanya penuh angka simpang siur dari vendor berkepentingan. Kemungkinan kamu kurang tegas menyuruh sistem membandingkan sumber independen vs sumber yang disponsori. Fix: tambahkan instruksi "pisahkan sumber independen dari sumber yang punya kepentingan komersial" di prompt awal.
🧠 Behavioural Research
Buat kamu yang riset perilaku pengguna, psikologi konsumen, atau UX research.
01. Scout Celah Riset Perilaku
Kapan dipakai: Di awal, sebelum kamu mulai riset perilaku — buat cari sudut yang belum banyak dibahas studi lain.
Prompt:
Jadilah Behavioral Scientist Elite. Aku mau memetakan struktur dasar [Perilaku/Fenomena yang Kuriset] dari nol. Lakukan structural sprint cepat untuk mengisolasi 3 blind spot paling menonjol di studi perilaku yang beredar, bias populasi dalam pengumpulan data, atau sudut investigasi yang belum banyak digarap — tempat studi mainstream masih bergantung pada asumsi lama soal motivasi manusia. Berikan kerangka verifikasi yang ketat.
Contoh Use Case:
Topik: Kebiasaan menabung anak muda Indonesia 3 celah: (1) Studi yang ada kebanyakan sampelnya anak muda urban kelas menengah ke atas, minim data dari kota kecil atau kelompok berpenghasilan rendah. (2) Definisi "menabung" di banyak studi dicampur dengan investasi, padahal perilaku psikologisnya beda. (3) Belum ada studi yang melihat pengaruh konten finansial di media sosial ke perilaku menabung — kebanyakan masih fokus ke faktor keluarga/pendidikan.
02. Matrix Ekstraksi Insight Perilaku
Kapan dipakai: Waktu kamu punya banyak sumber (studi, hasil interview, data observasi) dan butuh ringkasan terstruktur.
Prompt:
Jadilah Arsitek Insight Perilaku Premium. Ambil daftar padat sumber (studi, hasil interview, data observasi), lalu ubah jadi conceptual matrix yang bermanfaat tinggi. Susun hierarki insight pakai kerangka ketat 'Pola Perilaku Inti + Perbedaan Metodologis Kontras Tinggi + Metrik Kuantitatif' supaya bisa langsung mengisolasi data high-signal dan melewati basa-basi interpretasi yang cuma spekulatif.
Contoh Use Case:
Topik: 5 studi tentang prokrastinasi kerja Pola Perilaku Inti: prokrastinasi konsisten dikaitkan dengan regulasi emosi, bukan manajemen waktu semata. Perbedaan Metodologis: 2 studi ukur pakai self-report, 3 lainnya pakai tracking aktivitas digital — hasil tracking menunjukkan pola prokrastinasi lebih sering muncul di tugas yang ambigu instruksinya. Metrik Kuantitatif: studi yang paling banyak dikutip menunjukkan intervensi "implementation intention" (niat spesifik kapan-di mana) efektif menurunkan prokrastinasi sekitar 20%.
03. SOP Review Studi Perilaku Cepat
Kapan dipakai: Waktu kamu harus review banyak studi/paper perilaku sekaligus dengan format konsisten.
Prompt:
Jadilah Master Direct-Response Behavioral Research Engineer. Buat SOP (Standard Operating Procedure) yang bisa dipakai berulang untuk mengevaluasi 10 studi perilaku sekaligus. Template review-nya wajib pakai hierarki heading pattern-interrupt yang tajam dan kontras tinggi (huruf kapital semua untuk KATEGORI bias atau variabel), dirancang khusus supaya cognitive fatigue nggak muncul dan pola perilaku bisa diekstrak cepat.
Contoh Use Case:
Topik: Review 10 studi tentang efek notifikasi HP ke fokus kerja KATEGORI JENIS NOTIFIKASI — notifikasi sosial media secara konsisten punya efek gangguan lebih besar dibanding notifikasi email/kerja. KATEGORI DURASI PEMULIHAN — rata-rata butuh 5-25 menit buat fokus balik penuh setelah kena notifikasi, variasinya besar antar studi. KATEGORI SAMPEL — 7 dari 10 studi sampelnya mahasiswa, cuma 3 yang benar-benar sampling pekerja kantoran.
04. Mesin Analogi Perilaku Manusia
Kapan dipakai: Waktu kamu harus jelasin bias kognitif atau teori perilaku ke audiens awam.
Prompt:
Jadilah Edukator Psikologi Perilaku Inbound. Rancang template conceptual breakdown berbasis teks yang bisa menjelaskan bias kognitif dan teori perilaku secara manusiawi, tanpa basa-basi. Tunjukkan persis cara menyusun narasi yang organik dan tidak terasa robotik, yang mengubah teori psikologi abstrak jadi analogi ngobrol biasa — biar cepat paham dan nempel lama di logika.
Contoh Use Case:
Topik: Jelasin bias konfirmasi (confirmation bias) Confirmation bias itu kayak kamu udah yakin gebetan naksir kamu, terus tiap dia bales chat lama kamu anggap "dia lagi mikirin balesan yang bagus", padahal bisa jadi dia emang lagi sibuk. Otak kita secara otomatis nyari bukti yang mendukung apa yang udah kita percaya, dan gampang banget mengabaikan bukti yang sebaliknya.
05. Parser Temuan Perilaku yang Kontradiktif
Kapan dipakai: Waktu kamu nemu beberapa studi UX/perilaku yang hasilnya beda-beda dan butuh cara sistematis buat nyari akar bedanya.
Prompt:
Jadilah Advanced Behavioral Signal Optimizer. Tulis 3 layout script parsing input yang berbeda dan berdampak tinggi, dirancang untuk memproses banyak temuan studi perilaku yang saling bertentangan tanpa kehilangan validitas konteks. Setiap layout wajib pakai kerangka pattern-interrupt tajam yang memaksa sistem cross-examine anomali data sebelum memberikan output.
Contoh Use Case:
Topik: 3 studi beda soal efek gamifikasi ke motivasi belajar Script 1: pisahkan jenis reward-nya — gamifikasi dengan reward sosial (leaderboard) hasilnya beda jauh sama reward individual (badge/poin). Script 2: cross-check durasi studi — efek positif gamifikasi paling kuat muncul di studi jangka pendek (di bawah 4 minggu), mulai memudar di studi jangka panjang. Script 3: studi yang paling positif hasilnya ternyata didanai perusahaan edtech yang jual produk gamifikasi — potensi bias pendanaan.
06. Sintesis Dialektis Hipotesis Perilaku
Kapan dipakai: Sebelum kamu jalankan eksperimen atau A/B test — buat dites dulu ketahanan hipotesisnya.
Prompt:
Jadilah Elite Behavioral Reviewer. Buat blueprint structural synthesis yang dirancang untuk pressure-test hipotesis perilaku user atau asumsi psikologis apa pun secara otomatis. Susun kerangka 'Two-Step' yang ketat: pertama, suruh sistem membangun counter-argument yang agresif dan tanpa basa-basi terhadap hipotesisku; kedua, tutup dengan script untuk mengisolasi sintesis logis, biar validation gap yang tersembunyi ketahuan cepat sebelum aku jalankan eksperimen.
Contoh Use Case:
Hipotesis: User lebih suka onboarding app yang singkat Counter-argument: data churn menunjukkan sebagian user yang melewati onboarding singkat malah bingung pakai fitur inti dan churn lebih cepat — "singkat" belum tentu "jelas". Sintesis: yang user sukai sebenarnya bukan durasi pendek, tapi kontrol buat skip bagian yang mereka udah paham — validation gap-nya ada di asumsi bahwa durasi dan kepuasan berbanding lurus.
07. Audit Validitas Klaim Perilaku
Kapan dipakai: Waktu kamu nemu klaim psikologi populer yang sering diulang-ulang dan mau ngecek beneran valid atau nggak.
Prompt:
Jadilah Master Investigative Behavioral Auditor. Buat kerangka prompt verifikasi berbasis teks yang bisa dipakai berulang, berfungsi sebagai filter adversarial untuk kredibilitas klaim psikologi/perilaku yang populer. Tunjukkan persis cara memetakan evaluation matrix yang jelas dan kontras tinggi, yang membongkar habis confirmation bias, menegakkan cross-check sumber secara ketat, dan mempercepat akurasi faktual dari kesimpulan perilakumu.
Contoh Use Case:
Klaim: Butuh 21 hari buat bentuk kebiasaan baru Cross-check sitasi: angka 21 hari ternyata berasal dari observasi informal seorang dokter bedah plastik tahun 1960-an, bukan studi ilmiah terkontrol. Studi yang lebih baru dengan metodologi ketat menunjukkan rata-rata butuh 66 hari, dengan rentang luas 18-254 hari tergantung kompleksitas kebiasaannya. Klaim "21 hari" terus dipakai karena gampang diingat, bukan karena akurat.
08. Audit Kecepatan Riset Perilaku 20 Menit
Kapan dipakai: Setelah sesi riset perilaku cepat — buat diagnosis di mana prosesmu masih bolong.
Prompt:
Jadilah Auditor Operasional Behavioral Research berbasis data. Metrik performa riset perilakuku selama sprint 20 menit ini: volume [Jumlah Studi yang Disaring], velocity [Pola Perilaku Inti yang Diisolasi], persentase [Kontradiksi Temuan yang Terdeteksi], dan net metrics [Keselarasan Kesimpulan]. Diagnosis dengan tepat: di mana flaw format instruksi, delimiter yang tidak nyambung, atau context friction loop yang bikin scale riset perilakuku macet.
Contoh Use Case:
Metrik: 12 studi disaring, 5 pola perilaku terisolasi, 20% kontradiksi temuan ketemu, keselarasan tinggi Diagnosis: rasio 5 pola dari 12 studi bagus, kontradiksi 20% wajar buat topik perilaku yang memang kompleks. Tapi keselarasan tinggi di tahap ini agak mencurigakan — kemungkinan kamu belum cukup tegas menyuruh sistem cek ukuran sampel tiap studi sebelum menarik kesimpulan gabungan. Fix: tambahkan instruksi "bobotkan temuan berdasarkan ukuran sampel dan metodologi, bukan disamaratakan" di prompt awal.