Role Prompting (TL)

Role prompting (Tagalog: ролевое промптирование), kilrin din bilang persona prompting, — ito ay isang pamamaraan sa larangan ng prompt engineering para sa malalaking language model (LLM), kung saan ang modelo ay tahasang binibigyan ng isang tiyak na papel, persona, o eksperto na pagkakakilanlan bago isagawa ang isang gawain. Sa madaling salita, sa teksto ng kahilingan o ng sistema ng instruksyon ay isinasaad na ang modelo ay, halimbawa, isang "guro", "istoryador", o "pirata", at sa gayon ay tinutukoy ang estilo, tono, at gawi ng nabubuong tugon.

Ang pamamaraang ito ay malawakang ginagamit sa mga sistemang pangdiyalogo. Halimbawa, ang karaniwang sistema ng prompt ng ChatGPT na "You are a helpful assistant" ay epektibong nagtatakda ng pangunahing papel ng modelo sa komunikasyon.

Layunin at Paggamit

Ang layunin ng role prompting ay gabayan ang modelo patungo sa isang tiyak na estilo at pokus ng tugon, na ginagawa itong mas angkop at kontekstwal na naaayon sa gawain. Ang pagtatalaga ng papel ay nagbibigay-daan sa modelo na magtakda ng naaangkop na tono at bokabularyo. Ito ay lalong kapaki-pakinabang sa mga malikhaing at bukas na gawain, kung saan nakakatulong ang papel upang gawing mas makulay at estilisadong iba-iba ang teksto.

Ginagamit din ang pamamaraan sa mga propesyonal na sitwasyon. Halimbawa, ang isang chat-bot ng teknikal na suporta ay maaaring bigyan ng papel ng magalang na kinatawan ng serbisyo, at sa mga multi-agent na sistema ang bawat ahente ay binibigyan ng sariling persona (halimbawa, "tagapamahala", "developer"), upang epektibo silang magtulungan. Ang kakayahang umangkop ng mga modernong LLM ay nagpapahintulot sa kanila na isuot ang halos anumang papel — mula sa isang kathang-isip na karakter hanggang sa isang dalubhasa sa isang makitid na larangan — at bumuo ng mga tugon na pinaka-akma sa ibinigay na imahe.

Impluwensya sa Kalidad at Katumpakan

Ang tanong tungkol sa bisa ng role prompting para sa pagpapabuti ng layuning katumpakan ng mga tugon ay nananatiling paksa ng aktibong pananaliksik, at ang mga resulta ay madalas na magkasalungat.

Magkasalungat na mga Resulta

Sa isang banda, may mga pag-aaral na nagpapakita ng pagpapabuti ng mga resulta. Halimbawa, sa gawa ni Zheng et al. (2023) ay natuklasan na kung ang papel ng modelo ay tematikong naaayon sa gawain, ang pagganap nito ay maaaring tumaas. Sa gawa ni Kong et al. (2024) ay iginigiit na ang role prompting ay maaaring mapabuti ang zero-shot na pag-iisip ng modelo kapag napili nang maayos ang persona.

Sa kabilang banda, ang malalaking pag-aaral ay nagpapakita ng mas kumplikadong larawan. Sa isang sistematikong eksperimento na may 162 iba't ibang papel ay walang makabuluhang pakinabang sa katumpakan kumpara sa neutral na sitwasyon. Higit pa rito, sa pangkalahatan ang role prompt ay kahit bahagyang nagpapababa ng katumpakan ng mga tugon.

Ang gawa ni Kim et al. (2024) ay inilalarawan ang ролевое interbensyon bilang isang "espada na may dalawang talim": ipinakita ng eksperimento na sa modelo ng GPT-4 na may instruksyon ng papel ang ilang mga tanong ay nalulutas nang tama, bagaman nang wala ito ay may mga pagkakamali (≈15.8% na pagpapabuti), ngunit halos katumbas na bahagi ng mga gawain, sa kabaligtaran, ay "sinisira" ng papel (≈13.8% na pagkasama). Binibigyang-diin nito na ang pagdaragdag ng papel sa sarili nito ay hindi ginagarantiyahang paglago ng kalidad at maaaring hindi mahulaan ang impluwensya nito sa gawi ng modelo.

Ang walang alinlangang kalamangan ng role prompting ay ang kontrol sa estilo at format ng tugon. Kahit na para sa katumpakan ng mga katotohanan ang papel ay hindi nagbibigay ng paglago, pinapahintulutan nitong makuha ang mga tugon ng ibinigay na tono (magiliw, opisyal, panturuan), na ginagawa ang mga tugon na mas magkakaugnay at kaakit-akit para sa gumagamit.

Mga Rekomendasyon sa Paglikha ng mga Papel

Ang mga pananaliksik ay nagbibigay ng ilang praktikal na payo sa epektibong paggamit ng role prompting:

• Pagpili ng papel: Inirerekomenda ang pagpili ng mga neutral na panlipunang papel (halimbawa, "kasamahan", "tagapagturo"), na iniiwasan ang labis na malapit o masyadong espesyalisadong mga papel.
• Pagbabalangkas: Mas mainam na itakda ang papel nang direkta mula sa perspektibo ng modelo ("Ikaw ay X"), kaysa sa pamamagitan ng kumplikadong mga kathang-isip na sitwasyon ("Isipin na ikaw ay..."). Ang direktang pagtatalaga ng karakter ay napatunayang mas epektibo.
• Dalawang-hakbang na pamamaraan: Para sa mga kumplikadong kahilingan, iminumungkahi na hatiin ang gawain sa dalawang hakbang: una, ibigay sa modelo ang pagtatalaga ng papel at konteksto nito, at pagkatapos lamang ay itanong ang pangunahing tanong. Nagbibigay-daan ito sa modelo na una munang "tanggapin ang imahe" at pinapataas ang katatagan ng resulta.

Mga Limitasyon at Panganib

Ang paggamit ng role prompting ay may kasamang ilang sistematikong panganib.

Pagpapalakas ng mga Stereotype at Pagkiling

Ang mga LLM ay hindi sinasadyang kinukuha ang mga stereotype na nakaugat sa datos ng pagsasanay. Ang pagtatalaga ng papel na nauugnay sa isang tiyak na propesyon, kasarian, o nasyonalidad ay maaaring mag-aktibo at magpalakas ng mga stereotype na ito sa mga tugon. Ang pag-aaral ni Gupta et al. (2023) ay nagpakita na ang pagdaragdag ng mga panlipunang katangian (edad, etnikidad) sa isang papel ay maaaring ikapit ang output ng modelo at makabuluhang mabawasan ang katumpakan ng pag-iisip. Ang isa pang pagsusuri (Deshpande et al., 2023) ay natuklasan na ang ilang mga personal na imahe ay humahantong sa pinahusay na toxicity ng mga nabubuong tugon.

Mga Kahinaan sa Kaligtasan

Maaaring gamitin ng mga malisyosong gumagamit ang role prompting upang laktawan ang mga limitasyon ng moderasyon (isang teknikang kilala bilang jailbreak). Ipinakita ng mga pananaliksik na ang pagtatalaga ng espesyal na persona (halimbawa, isang karakter na walang etikal na paghihigpit) ay nagpapadali ng pagtutulak sa LLM patungo sa mga ipinagbabawal na aksyon. Si Shah et al. (2023) ay matagumpay na gumamit ng kooperasyon ng ilang mga "role-based" na ahente upang laktawan ang mga limitasyon ng modelo, na nagpapakita ng sistematikong kahinaan.

Kaya, sa pagtatalaga ng papel sa modelo, mahalagang isaalang-alang ang mga posibleng pagkiling at hindi kanais-nais na mga epektong nakapaloob sa papel na iyon, at gamitin ang pamamaraang ito nang maingat.

Mga Sanggunian

• Role Prompting: Guide LLMs with Persona-Based Tasks — gabay sa role prompting sa Learn Prompting.
• Use role prompting with Watsonx and Granite — praktikal na gabay mula sa IBM.

Panitikan

• 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.