Role Prompting — ロールプロンプティング
ロールプロンプティング（英: role prompting）、別名ペルソナプロンプティング（英: persona prompting）とは、大規模言語モデル（LLM）のプロンプトエンジニアリングにおける手法の一つで、モデルにタスクを実行させる前に、特定の役割、ペルソナ、あるいは専門家としてのアイデンティティを明示的に割り当てるものである[1]。言い換えれば、プロンプト本文やシステム指示文において、モデルを例えば「教師」「歴史家」「海賊」と記述することで、生成される応答のスタイル、トーン、振る舞いを設定する[2]。
この手法は対話システムで広く利用されている。例えば、ChatGPTの標準的なシステムプロンプトである「You are a helpful assistant」（あなたは役に立つアシスタントです）は、事実上、対話におけるモデルの基本的な役割を設定している[3]。
目的と応用
ロールプロンプティングの目的は、モデルを特定のスタイルや応答の焦点へ誘導し、タスクに対してより適切で文脈に合った出力を得ることである。役割を割り当てることで、モデルに適したトーンや語彙を選ばせることができる。これは特に、役割がテキストをより生き生きとさせ、文体的に多様にするのに役立つ、自由度の高い創造的なタスクで有用である[4]。
この手法は専門的な場面でも使われる。例えば、テクニカルサポートのチャットボットには、丁寧なサポート担当者という役割を与えられる。マルチエージェントシステムでは、各エージェントに固有のペルソナ（例えば「マネージャー」「開発者」）を割り当てることで、効果的に協調させられる[1]。現代のLLMは柔軟であり、架空のキャラクターから特定分野の専門家まで、ほぼあらゆる役割を演じて、与えられた人物像に最大限合致した応答を生成できる[1]。
品質と精度への影響
ロールプロンプティングが応答の客観的な精度を高める効果については、現在も活発に研究されており、その結果はしばしば一致しない。
矛盾した結果
一方では、改善を示す研究も存在する。例えばKongら（2024年）は、適切なペルソナを選べば、ロールプロンプティングによってモデルのzero-shot推論を改善できると主張している[5]。
他方で、より大規模な研究は、状況がそれほど単純でないことを示している。162種類の役割を用いた体系的な実験では、役割を与えない場合と比べて精度の有意な向上は確認されず、むしろ平均すると応答の精度をわずかに低下させることさえあった。ただし、役割のドメインや種類、性別といった要素が予測精度に影響しうることも報告されている[3]。
Kimら（2024年）は、ロールの介入を「諸刃の剣（double-edged sword）」と表現している。GPT-4を用いた実験では、ロール指示を与えることで、それなしでは誤っていた問題の約15.8%が正しく解けるようになった一方、ほぼ同程度（約13.8%）の問題が逆にロールによって不正解になった[6]。これは、役割を加えること自体が品質向上を保証するわけではなく、モデルの振る舞いに予測しづらい影響を与えうることを示している。
ロールプロンプティングの明確な利点は、応答のスタイルやフォーマットを制御できる点にある。たとえ事実の精度向上に寄与しない場合でも、役割を設定すれば、指定したトーン（友好的、公式、指導的など）の応答が得られ、ユーザーにとってより一貫性があり魅力的なものになる[4]。
役割作成に関する推奨事項
研究からは、ロールプロンプティングを効果的に使うためのいくつかの実践的な指針が示されている。
- 役割の選択: 過度に個人的だったり専門的すぎたりする役割は避け、中立的な社会的役割（例：「同僚」「メンター」）を選ぶことが推奨される[2]。
- 表現方法: 役割は、「想像してみてください……」のような複雑な架空のシナリオではなく、モデル自身に対して直接（「あなたはXです」）設定するほうがよい。ペルソナを直接割り当てる方法のほうが効果が高いことが示されている[2]。
- 二段階アプローチ: 複雑なプロンプトでは、タスクを2段階に分けることが提案されている。まずモデルに役割と文脈の指示を与え、その後で主要な質問をする。これにより、モデルがまず「役割に入り込む」ことができ、結果の安定性が高まる[2]。
制約とリスク
ロールプロンプティングの適用には、いくつかの構造的なリスクが伴う。
ステレオタイプとバイアスの増幅
LLMは、訓練データに根づいたステレオタイプを無自覚に学習している。特定の職業・ジェンダー・国籍に結びつく役割を割り当てると、こうしたステレオタイプが応答の中で活性化し、増幅されることがある[2]。Guptaら（2023年）は、役割に社会的属性（年齢、民族など）を加えると、モデルの出力が偏り、推論の精度が大きく低下しうることを示した[7]。別の分析（Deshpandeら、2023年）では、特定のペルソナが応答の有害性を高めることが明らかにされている[8]。
セキュリティの脆弱性
悪意のあるユーザーが、モデレーションの制限を回避するためにロールプロンプティングを利用することもある（この手口はジェイルブレイクとして知られる）。研究によれば、倫理的な制約のないキャラクターのようなペルソナを割り当てると、LLMを禁止された行為へ誘導しやすくなる。Shahら（2023年）は「ペルソナ・モジュレーション」（persona modulation）と呼ぶ手法を提案し、別のLLMを使って標的モデルに有害な指示へ従うペルソナを自動的に割り当てることで、GPT-4の有害な応答の割合を大幅に高められることを実証した。これはシステム的な脆弱性である[9]。
したがって、モデルに役割を割り当てる際には、その役割に潜む偏見や望ましくない影響を考慮し、この手法を慎重に用いることが重要である[2]。
外部リンク
- Role Prompting: Guide LLMs with Persona-Based Tasks — Learn Promptingによるロールプロンプティングのガイド。
- Use role prompting with Watsonx and Granite — IBMによる実践的なガイド。
参考文献
- Kim, J.; Yang, N.; Jung, K. (2024). Persona is a Double-edged Sword: Mitigating the Negative Impact of Role-playing Prompts in Zero-shot Reasoning Tasks. arXiv:2408.08631.
- Kong, A. et al. (2023). Better Zero-Shot Reasoning with Role-Play Prompting. arXiv:2308.07702.
- Zheng, M. et al. (2023). When "A Helpful Assistant" Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models. arXiv:2311.10054.
- Shah, R. et al. (2023). Scalable and Transferable Black-Box Jailbreaks for Language Models via Persona Modulation. arXiv:2311.03348.
- Deshpande, A. et al. (2023). Toxicity in ChatGPT: Analyzing Persona-assigned Language Models. arXiv:2304.05335.
- Xiong, F. et al. (2025). The Influence of Persona Assignment on Stereotypes and Safeguards in Chinese Large Language Models. arXiv:2506.04975.
- Li, Y. et al. (2025). System Prompts as a Mechanism of Bias in Large Language Models. arXiv:2505.21091.
- Wang, L. et al. (2025). Persona-Assigned Large Language Models Exhibit Human-Like Bias and Toxicity. arXiv:2506.20020.
- Grover, K. et al. (2023). In-Context Impersonation Reveals Large Language Models’ Ability to Simulate Human Personas. PDF.
- Verma, V. et al. (2024). Systematic Survey of Prompt Engineering in Large Language Models. arXiv:2402.07927.
- Gupta, S. et al. (2023). Bias Runs Deep: Implicit Reasoning Biases in Persona-Assigned LLMs. arXiv:2311.04892.
- Safdari, M. et al. (2024). LLMs are Vulnerable to Malicious Prompts Disguised as Scientific Language. arXiv:2501.14073.
脚注
- ↑ 1.0 1.1 1.2 "Use role prompting with Watsonx and Granite". IBM. [1]
- ↑ 2.0 2.1 2.2 2.3 2.4 2.5 "Role Prompting: Guide LLMs with Persona-Based Tasks". Learn Prompting. [2]
- ↑ 3.0 3.1 Zheng, M. et al. "When 'A Helpful Assistant' Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models". arXiv:2311.10054, 2023. [3]
- ↑ 4.0 4.1 "Is Role Prompting Effective?". Learn Prompting. [4]
- ↑ Kong, A. et al. "Better Zero-Shot Reasoning with Role-Play Prompting". arXiv:2308.07702, 2023. [5]
- ↑ Kim, J.; Yang, N.; Jung, K. "Persona is a Double-edged Sword: Mitigating the Negative Impact of Role-playing Prompts in Zero-shot Reasoning Tasks". arXiv:2408.08631, 2024. [6]
- ↑ Gupta, S. et al. "Bias Runs Deep: Implicit Reasoning Biases in Persona-Assigned LLMs". arXiv:2311.04892, 2023. [7]
- ↑ Deshpande, A. et al. "Toxicity in ChatGPT: Analyzing Persona-assigned Language Models". Findings of EMNLP 2023 (arXiv:2304.05335). [8]
- ↑ Shah, R. et al. "Scalable and Transferable Black-Box Jailbreaks for Language Models via Persona Modulation". NeurIPS 2023 Workshop (R0-FoMo) (arXiv:2311.03348). [9]