Role Prompting (RO)

Prompting de rol (engl. role prompting), cunoscut și ca prompting de personaj (engl. persona prompting), este o tehnică din domeniul prompt engineering pentru modele lingvistice mari (LLM), prin care modelului i se atribuie în mod explicit un anumit rol, o personă sau o identitate de expert înainte de executarea sarcinii. Cu alte cuvinte, în textul cererii sau în instrucțiunea de sistem se specifică faptul că modelul este, de exemplu, un „profesor", un „istoric" sau un „pirat", stabilind astfel stilul, tonul și comportamentul răspunsului generat.

Această abordare este utilizată pe scară largă în sistemele conversaționale. De exemplu, instrucțiunea de sistem standard a ChatGPT „You are a helpful assistant" („Ești un asistent util") atribuie în esență modelului un rol de bază în comunicare.

Scop și aplicare

Scopul prompting-ului de rol este de a orienta modelul spre un anumit stil și focus al răspunsului, făcându-l mai relevant și mai adecvat contextual față de sarcină. Atribuirea unui rol permite stabilirea tonului și vocabularului corespunzătoare pentru model. Aceasta este deosebit de utilă în sarcinile creative și deschise, unde rolul contribuie la obținerea unui text mai viu și mai variat din punct de vedere stilistic.

Tehnica este utilizată și în scenarii profesionale. De exemplu, unui chatbot de suport tehnic i se poate atribui rolul unui reprezentant de servicii politicos, iar în sistemele multi-agent fiecărui agent i se asignează propria personă (de exemplu, „manager", „dezvoltator"), pentru a colabora eficient. Flexibilitatea LLM-urilor moderne le permite să adopte practic orice rol — de la un personaj fictiv până la un specialist de nișă — și să genereze răspunsuri care corespund cât mai bine imaginii atribuite.

Impactul asupra calității și preciziei

Întrebarea privind eficacitatea prompting-ului de rol pentru îmbunătățirea preciziei obiective a răspunsurilor rămâne subiect de cercetare activă, iar rezultatele sunt adesea contradictorii.

Rezultate contradictorii

Pe de o parte, există studii care demonstrează îmbunătățirea rezultatelor. De exemplu, în lucrarea lui Zheng și colab. (2023) s-a constatat că, atunci când rolul modelului este tematic relevant pentru sarcină, performanța acesteia poate crește. Lucrarea lui Kong și colab. (2024) susține că prompting-ul de rol poate îmbunătăți raționamentul zero-shot al modelului atunci când este aleasă o personă potrivită.

Pe de altă parte, studiile la scară largă prezintă o imagine mai complexă. Într-un experiment sistematic cu 162 de roluri diferite nu s-a identificat un câștig semnificativ de precizie față de scenariul neutru. Mai mult, în medie, prompting-ul de rol chiar reducea ușor precizia răspunsurilor.

Lucrarea lui Kim și colab. (2024) descrie intervenția prin rol ca pe „o sabie cu două tăișuri": experimentul a arătat că la modelul GPT-4 cu instrucțiune de rol o parte din întrebări sunt rezolvate corect, deși fără aceasta existau erori (≈15,8% îmbunătățiri), însă o pondere aproape la fel de mare de sarcini este, dimpotrivă, „deteriorată" de rol (≈13,8% degradări). Aceasta subliniază că adăugarea unui rol în sine nu garantează creșterea calității și poate influența imprevizibil comportamentul modelului.

Un avantaj incontestabil al prompting-ului de rol este controlul asupra stilului și formatului răspunsului. Chiar dacă rolul nu aduce un câștig în privința preciziei faptelor, el permite obținerea unor răspunsuri cu o tonalitate prestabilită (prietenoasă, oficială, îndrumătoare), ceea ce face răspunsurile mai coerente și mai atractive pentru utilizator.

Recomandări pentru crearea rolurilor

Cercetările oferă o serie de sfaturi practice pentru aplicarea eficientă a prompting-ului de rol:

• Alegerea rolului: Se recomandă alegerea unor roluri sociale neutre (de exemplu, „coleg", „mentor"), evitând roluri excesiv de intime sau extrem de specializate.
• Formularea: Rolul este mai bine atribuit direct din perspectiva modelului („Ești X"), și nu prin scenarii imaginare complexe („Imaginează-ți că ești..."). Atribuirea directă a personajului s-a dovedit mai eficientă.
• Abordarea în două etape: Pentru cereri complexe se propune împărțirea sarcinii în doi pași: mai întâi se oferă modelului instrucțiunea privind rolul și contextul său, și abia apoi se formulează întrebarea principală. Aceasta permite modelului să „adopte mai întâi imaginea" și crește stabilitatea rezultatului.

Limitări și riscuri

Aplicarea prompting-ului de rol implică o serie de riscuri sistemice.

Amplificarea stereotipurilor și a prejudecăților

LLM-urile preiau involuntar stereotipurile înrădăcinate în datele de antrenament. Atribuirea unui rol legat de o anumită profesie, gen sau naționalitate poate activa și amplifica aceste stereotipuri în răspunsuri. Studiul lui Gupta și colab. (2023) a arătat că adăugarea unor atribute sociale (vârstă, etnie) la rol poate devia ieșirea modelului și poate reduce semnificativ precizia raționamentului. O altă analiză (Deshpande et al., 2023) a evidențiat că anumite imagini de personaj conduc la o toxicitate crescută a răspunsurilor generate.

Vulnerabilități de securitate

Actorii rău intenționați pot utiliza prompting-ul de rol pentru a ocoli restricțiile de moderare (tehnică cunoscută sub numele de jailbreak). Cercetările au arătat că atribuirea unei persoane speciale (de exemplu, un personaj fără restricții etice) facilitează determinarea LLM-urilor să efectueze acțiuni interzise. Shah et al. (2023) au utilizat cu succes cooperarea mai multor agenți „de rol" pentru a ocoli restricțiile modelului, demonstrând o vulnerabilitate sistemică.

Astfel, atunci când se atribuie un rol unui model, este important să se țină cont de posibilele prejudecăți și efecte nedorite încorporate în acel rol și să se aplice această metodă cu prudență.

Referințe

• Role Prompting: Guide LLMs with Persona-Based Tasks — ghid de prompting de rol pe Learn Prompting.
• Use role prompting with Watsonx and Granite — ghid practic de la IBM.

Bibliografie

• 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.