Role Prompting (ID)
Prompting berbasis peran (Ingg. role prompting), dikenal juga sebagai prompting berbasis persona (Ingg. persona prompting), adalah teknik dalam bidang prompt engineering untuk large language model (LLM), di mana model secara eksplisit diberikan peran, persona, atau identitas keahlian tertentu sebelum menjalankan tugas[1]. Dengan kata lain, dalam teks permintaan atau instruksi sistem ditetapkan bahwa model adalah, misalnya, "guru", "sejarawan", atau "bajak laut", sehingga gaya, nada, dan perilaku respons yang dihasilkan pun terbentuk[2].
Pendekatan ini banyak diterapkan dalam sistem dialog. Misalnya, instruksi sistem standar ChatGPT "You are a helpful assistant" ("Anda adalah asisten yang membantu") pada dasarnya menetapkan peran dasar model dalam komunikasi[3].
Tujuan dan Penerapan
Tujuan role prompting adalah mengarahkan model pada gaya dan fokus respons tertentu agar lebih relevan dan sesuai konteks tugas. Penetapan peran memungkinkan model menggunakan nada dan kosakata yang tepat. Hal ini sangat berguna dalam tugas-tugas kreatif dan terbuka, di mana peran membantu membuat teks menjadi lebih hidup dan beragam secara stilistika[4].
Teknik ini juga digunakan dalam skenario profesional. Misalnya, chatbot layanan pelanggan teknis dapat diberi peran sebagai perwakilan layanan yang sopan, sementara dalam sistem multi-agen setiap agen diberi persona tersendiri (misalnya, "manajer", "pengembang") agar mereka dapat bekerja sama secara efektif[1]. Fleksibilitas LLM modern memungkinkan mereka mengambil hampir semua peran — dari karakter fiksi hingga spesialis sempit — dan menghasilkan respons yang semaksimal mungkin sesuai dengan gambaran yang ditetapkan[1].
Pengaruh terhadap Kualitas dan Akurasi
Pertanyaan mengenai efektivitas role prompting dalam meningkatkan akurasi objektif respons masih menjadi topik penelitian aktif, dan hasilnya sering kali saling bertentangan.
Hasil yang Bertentangan
Di satu sisi, terdapat penelitian yang menunjukkan peningkatan hasil. Misalnya, penelitian Zheng dkk. (2023) menemukan bahwa jika peran model sesuai secara tematik dengan tugas, performanya dapat meningkat[5]. Penelitian Kong dkk. (2024) menyatakan bahwa role prompting mampu meningkatkan kemampuan penalaran zero-shot model apabila persona dipilih dengan tepat[5].
Di sisi lain, penelitian berskala besar menunjukkan gambaran yang lebih kompleks. Dalam eksperimen sistematis dengan 162 peran berbeda, tidak ditemukan keuntungan signifikan dalam akurasi dibandingkan skenario netral[3]. Bahkan, rata-rata role prompt justru sedikit menurunkan akurasi respons[3].
Penelitian Kim dkk. (2024) menggambarkan intervensi peran sebagai "pedang bermata dua": eksperimen menunjukkan bahwa pada model GPT-4 dengan instruksi peran, sebagian pertanyaan terjawab dengan benar meski sebelumnya salah (≈15,8% peningkatan), namun hampir sebanyak itu pula tugas-tugas yang justru "dirusak" oleh peran tersebut (≈13,8% penurunan)[5]. Hal ini menegaskan bahwa penambahan peran tidak dengan sendirinya menjamin peningkatan kualitas dan dapat memengaruhi perilaku model secara tidak terduga.
Keunggulan yang tidak diragukan dari role prompting adalah kendali atas gaya dan format respons. Meskipun peran tidak memberikan peningkatan akurasi fakta, peran memungkinkan diperolehnya respons dengan nada yang diinginkan (ramah, resmi, membimbing), sehingga respons menjadi lebih koheren dan menarik bagi pengguna[4].
Rekomendasi dalam Merancang Peran
Penelitian memberikan sejumlah saran praktis untuk penerapan role prompting yang efektif:
- Pemilihan peran: Disarankan memilih peran sosial yang netral (misalnya, "rekan", "mentor"), menghindari peran yang terlalu intim atau terlalu terspesialisasi[6].
- Perumusan: Peran lebih baik ditetapkan secara langsung atas nama model ("Anda adalah X") daripada melalui skenario imajinatif yang rumit ("Bayangkan Anda adalah..."). Penetapan karakter secara langsung terbukti lebih efektif[6].
- Pendekatan dua tahap: Untuk permintaan yang kompleks, disarankan membagi tugas menjadi dua langkah: pertama berikan model penetapan peran dan konteks, baru kemudian ajukan pertanyaan utama. Ini memungkinkan model "masuk ke dalam peran" terlebih dahulu dan meningkatkan stabilitas hasil[6].
Keterbatasan dan Risiko
Penerapan role prompting disertai sejumlah risiko sistemik.
Penguatan Stereotip dan Bias
LLM tanpa disadari menyerap stereotip yang tertanam dalam data pelatihan. Penetapan peran yang terkait dengan profesi, gender, atau kebangsaan tertentu dapat mengaktifkan dan memperkuat stereotip tersebut dalam respons[6]. Penelitian Gupta dkk. (2023) menunjukkan bahwa penambahan atribut sosial (usia, etnis) pada peran dapat menggeser keluaran model dan secara signifikan menurunkan akurasi penalaran[5]. Analisis lain (Deshpande dkk., 2023) mengungkapkan bahwa beberapa gambaran persona menyebabkan peningkatan toksisitas respons yang dihasilkan[5].
Kerentanan Keamanan
Pelaku kejahatan dapat memanfaatkan role prompting untuk melewati batasan moderasi (teknik yang dikenal sebagai jailbreak). Penelitian menunjukkan bahwa penetapan persona khusus (misalnya, karakter tanpa batasan etis) memudahkan upaya mendorong LLM melakukan tindakan yang dilarang. Shah dkk. (2023) berhasil menggunakan kerja sama beberapa agen "berbasis peran" untuk melewati batasan model, yang menunjukkan adanya kerentanan sistemik[7].
Dengan demikian, saat menetapkan peran pada model, penting untuk mempertimbangkan kemungkinan prasangka dan efek yang tidak diinginkan yang melekat pada peran tersebut, dan menerapkan metode ini dengan bijaksana[6].
Pranala Luar
- Role Prompting: Guide LLMs with Persona-Based Tasks — panduan role prompting di Learn Prompting.
- Use role prompting with Watsonx and Granite — panduan praktis dari IBM.
Daftar Pustaka
- 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.
Catatan
- ↑ 1.0 1.1 1.2 «Use role prompting with Watsonx and Granite». IBM.
- ↑ «Role Prompting: Guide LLMs with Persona-Based Tasks». Learn Prompting. [1]
- ↑ 3.0 3.1 3.2 «When "A Helpful Assistant" Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models». arXiv. [2]
- ↑ 4.0 4.1 «Is Role Prompting Effective?». Learn Prompting. [3]
- ↑ 5.0 5.1 5.2 5.3 5.4 «Persona is a Double-edged Sword: Enhancing the Zero-shot Reasoning by Ensembling the Role-playing and Neutral Prompts». arXiv. [4]
- ↑ 6.0 6.1 6.2 6.3 6.4 «Role Prompting: Guide LLMs with Persona-Based Tasks». Learn Prompting. [5]
- ↑ Shah, S., et al. (2023). «Scalable and Transferable Black-Box Jailbreaks for Language Models via Persona Modulation». ACL Anthology. [6]