Role Prompting (HU)

Szerepalapú promptolás (ang. role prompting), más néven személyalapú promptolás (ang. persona prompting), — egy prompt engineering technika nagy nyelvi modellek (LLM) számára, amelynek során a modellnek egy feladat elvégzése előtt explicit módon meghatározott szerepet, személyt vagy szakértői identitást rendelnek. Más szóval, a kérés szövegébe vagy a rendszerutasításba beleírják, hogy a modell például „tanár", „történész" vagy „kalóz", és ezzel meghatározzák a generált válasz stílusát, hangnemét és viselkedését.

Ezt a megközelítést széles körben alkalmazzák párbeszédes rendszerekben. Például a ChatGPT alapértelmezett rendszerutasítása – „You are a helpful assistant" („Ön egy hasznos asszisztens") – lényegében alapvető szerepet határoz meg a modell kommunikációjában.

Rendeltetés és alkalmazás

A szerepalapú promptolás célja, hogy a modellt egy meghatározott stílus és fókusz felé irányítsa, így a válasz jobban illeszkedik a feladathoz és annak kontextusához. A szerep hozzárendelése lehetővé teszi, hogy a modell megfelelő hangnemet és szókincset alkalmazzon. Ez különösen hasznos kreatív és nyílt végű feladatoknál, ahol a szerep segít elevenebbbé és stílusában változatosabbá tenni a szöveget.

A technikát professzionális forgatókönyvekben is alkalmazzák. Például egy technikai ügyfélszolgálati chatbotnak udvarías ügyfélszolgálati képviselő szerepét lehet adni, a multi-ágens rendszerekben pedig minden egyes ágenshez saját személyt rendelnek (például „menedzser", „fejlesztő"), hogy hatékonyan működjenek együtt. A modern LLM-ek rugalmassága szinte bármilyen szerep eljátszását lehetővé teszi – egy kitalált karaktertől egészen egy szűk szakterület szakértőjéig –, és a modell a megadott képhez maximálisan illeszkedő válaszokat generál.

Hatás a minőségre és pontosságra

A szerepalapú promptolás objektív válaszpontosságra gyakorolt hatékonyságának kérdése aktív kutatások tárgya, és az eredmények sokszor ellentmondásosak.

Ellentmondásos eredmények

Egyrészt léteznek olyan kutatások, amelyek javuló eredményeket mutatnak. Például Zheng és mtsai (2023) munkájában azt találták, hogy ha a modell szerepe tematikusan illeszkedik a feladathoz, a teljesítménye növekedhet. Kong és mtsai (2024) munkája azt állítja, hogy a szerepalapú promptolás javíthatja a modell zero-shot következtetési képességét, ha a személy megválasztása szerencsés.

Másrészt a nagyobb léptékű kutatások összetettebb képet mutatnak. Egy 162 különböző szerepet vizsgáló szisztematikus kísérletben nem találtak érdemi pontosságnövekedést a semleges forgatókönyvhez képest. Sőt, átlagosan a szerepalapú prompt még enyhén csökkentette is a válaszok pontosságát.

Kim és mtsai (2024) munkája a szerepalapú beavatkozást „kétélű kardként" írja le: a kísérlet azt mutatta, hogy a GPT-4 modell szereputasítással egyes kérdéseket helyesen old meg, amelyeket anélkül tévesen válaszolna meg (≈15,8% javulás), ám közel ugyanakkora arányban a szerep éppen „tönkreteszi" a feladatmegoldást (≈13,8% romlás). Ez rámutat arra, hogy a szerep hozzáadása önmagában nem garantálja a minőség javulását, és kiszámíthatatlanul befolyásolhatja a modell viselkedését.

A szerepalapú promptolás vitathatatlan előnye a válasz stílusának és formátumának szabályozása. Még ha a tények pontossága szempontjából a szerep nem is hoz javulást, lehetővé teszi, hogy a válaszok meghatározott hangnemet kapjanak (barátságos, hivatalos, mentori), ami összefüggőbbé és vonzóbbá teszi azokat a felhasználó számára.

Szerepek létrehozásának ajánlásai

A kutatások számos gyakorlati tanácsot adnak a szerepalapú promptolás hatékony alkalmazásához:

• Szerep megválasztása: Ajánlott semleges társadalmi szerepeket választani (például „kolléga", „mentor"), kerülve a túlzottan bizalmas vagy szűk szakterületre koncentráló szerepeket.
• Megfogalmazás: A szerepet érdemes közvetlenül a modell nevében megadni („Ön egy X"), nem pedig bonyolult képzeletbeli forgatókönyveken keresztül („Képzelje el, hogy Ön..."). A közvetlen személyhozzárendelés nagyobb hatékonyságot mutat.
• Kétlépéses megközelítés: Összetett kérések esetén javasolt a feladatot két lépésre bontani: először adjuk meg a modellnek a szerepéről és kontextusáról szóló utasítást, és csak ezután tegyük fel a fő kérdést. Ez lehetővé teszi, hogy a modell először „felvegye a szerepet", és növeli az eredmény stabilitását.

Korlátok és kockázatok

A szerepalapú promptolás alkalmazása számos rendszerszintű kockázattal jár.

Sztereotípiák és elfogultság erősítése

Az LLM-ek akaratlanul is átveszik a tanítási adatokban rögzült sztereotípiákat. Egy bizonyos foglalkozáshoz, nemhez vagy nemzetiséghez kötött szerep hozzárendelése aktiválhatja és felerősítheti ezeket a sztereotípiákat a válaszokban. Gupta és kollégái (2023) kutatása kimutatta, hogy társadalmi attribútumok (kor, etnikai hovatartozás) hozzáadása a szerephez eltolhatja a modell következtetéseit és jelentősen ronthatja az érvelés pontosságát. Egy másik elemzés (Deshpande et al., 2023) megállapította, hogy egyes személyes képek fokozott toxicitáshoz vezetnek a generált válaszokban.

Biztonsági sebezhetőségek

Rossz szándékú személyek felhasználhatják a szerepalapú promptolást a moderációs korlátok megkerülésére (ez a technika jailbreakként ismert). Kutatások kimutatták, hogy egy különleges személy (például etikai korlátok nélküli karakter) hozzárendelése megkönnyíti az LLM-ek tiltott cselekvések felé való terelését. Shah et al. (2023) sikeresen alkalmazta több „szerepalapú" ágens együttműködését a modell korlátainak megkerülésére, ami rendszerszintű sebezhetőséget mutat.

Ezért amikor szerepet rendelünk a modellhez, fontos figyelembe venni az adott szerepben rejlő lehetséges előítéleteket és nemkívánatos hatásokat, és ezt a módszert körültekintően alkalmazni.

Hivatkozások

• Role Prompting: Guide LLMs with Persona-Based Tasks — útmutató a szerepalapú promptoláshoz a Learn Prompting oldalán.
• Use role prompting with Watsonx and Granite — gyakorlati útmutató az IBM-től.

Irodalom

• 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, P. et al. (2024). Evaluating Persona-Prompted LLM Responses in Power-Disparate Health Communication. arXiv:2503.01532.
• 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. (2024). Exploring the Impact of Personality Traits on LLM Bias and Toxicity. arXiv:2502.12566.
• Safdari, M. et al. (2024). LLMs are Vulnerable to Malicious Prompts Disguised as Scientific Language. arXiv:2501.14073.