Role Prompting (TR)

Rol tabanlı yönlendirme (İng. role prompting), aynı zamanda kişilik tabanlı yönlendirme (İng. persona prompting) olarak da bilinir; büyük dil modellerine (LLM) yönelik prompt mühendisliği alanında, modele bir görevi yerine getirmeden önce belirli bir rol, kişilik ya da uzmanlık kimliğinin açık biçimde atandığı bir tekniktir. Başka bir deyişle, istek metnine veya sistem talimatına modelin örneğin bir "öğretmen", "tarihçi" veya "korsan" olduğu yazılır ve bu sayede üretilen yanıtın stili, tonu ve davranışı belirlenir.

Bu yaklaşım diyalog sistemlerinde yaygın biçimde kullanılmaktadır. Örneğin, ChatGPT'nin standart sistem yönlendirmesi olan "You are a helpful assistant" ("Siz yardımsever bir asistansınız") aslında modelin iletişimdeki temel rolünü tanımlamaktadır.

Amaç ve Kullanım Alanları

Rol tabanlı yönlendirmenin amacı, modeli belirli bir yanıt stili ve odağına yönlendirerek yanıtı göreve daha uygun ve bağlamsal açıdan daha tutarlı kılmaktır. Rol atamak, modele uygun bir ton ve sözcük dağarcığı kazandırır. Bu, özellikle yaratıcı ve açık uçlu görevlerde metnin daha canlı ve stilistik açıdan daha çeşitli olmasını sağlamak için yararlıdır.

Bu teknik profesyonel senaryolarda da kullanılmaktadır. Örneğin, teknik destek sohbet botuna kibar bir servis temsilcisi rolü verilebilir; çok ajanlı sistemlerde ise her ajana kendi kişiliği atanır (örneğin "yönetici", "geliştirici"), böylece ajanlar etkili biçimde iş birliği yapabilir. Modern LLM'lerin esnekliği, onların hayali bir karakterden dar alan uzmanına kadar neredeyse her rolü üstlenmelerine ve verilen kimliğe mümkün olduğunca uygun yanıtlar üretmelerine olanak tanır.

Kalite ve Doğruluk Üzerindeki Etkisi

Rol tabanlı yönlendirmenin nesnel yanıt doğruluğunu artırmadaki etkinliğine ilişkin soru aktif araştırmaların konusu olmayı sürdürmekte ve sonuçlar çoğu zaman çelişkili olmaktadır.

Çelişkili Sonuçlar

Bir yanda, iyileşme gösteren araştırmalar mevcuttur. Örneğin Zheng ve ark. (2023) çalışmasında, modele atanan rolün göreve tematik olarak uygun olması durumunda modelin performansının artabileceği tespit edilmiştir. Kong ve ark. (2024) çalışması ise doğru kişiliğin seçilmesi durumunda rol tabanlı yönlendirmenin modelin zero-shot akıl yürütmesini geliştirebileceğini öne sürmektedir.

Öte yandan, büyük ölçekli araştırmalar daha karmaşık bir tablo ortaya koymaktadır. 162 farklı rolü kapsayan sistematik bir deneyde, tarafsız senaryoya kıyasla doğrulukta kayda değer bir kazanım elde edilememiştir. Üstelik ortalamada rol yönlendirmesi yanıt doğruluğunu hafifçe düşürmüştür.

Kim ve ark. (2024) çalışması rol tabanlı müdahaleyi "çift taraflı bir kılıç" olarak nitelendirmektedir: deney, GPT-4 modelinde rol talimatı kullanıldığında bazı soruların doğru yanıtlandığını ancak talimat olmaksızın yanlış yanıtlandığını (≈%15,8 iyileşme), bununla birlikte neredeyse aynı oranda görevin rolden olumsuz etkilendiğini (≈%13,8 kötüleşme) göstermiştir. Bu durum, rol eklemenin başlı başına kalite artışını garanti etmediğini ve modelin davranışını öngörülemeyen biçimlerde etkileyebileceğini vurgulamaktadır.

Rol tabanlı yönlendirmenin tartışmasız bir üstünlüğü yanıtın stili ve formatı üzerindeki kontroldür. Olgusal doğruluk açısından bir kazanım sağlamasa bile rol, belirli bir tonda (samimi, resmi, yol gösterici) yanıtlar alınmasını mümkün kılar ve bu da yanıtları kullanıcı için daha tutarlı ve ilgi çekici hâle getirir.

Rol Oluşturma Önerileri

Araştırmalar, rol tabanlı yönlendirmenin etkin kullanımı için bir dizi pratik öneri sunmaktadır:

• Rol seçimi: Aşırı samimi veya çok dar uzmanlaşmış rolleri tercih etmekten kaçınarak tarafsız sosyal rollerin (örneğin "meslektaş", "rehber") seçilmesi önerilmektedir.
• İfade biçimi: Rol, karmaşık hayali senaryolar aracılığıyla ("Hayal edin ki siz...") değil, doğrudan modelin bakış açısından ("Siz X'siniz") tanımlanmalıdır. Doğrudan kişilik atamasının daha etkili olduğu kanıtlanmıştır.
• İki aşamalı yaklaşım: Karmaşık sorgular için görevin iki adıma bölünmesi önerilmektedir: önce modele rolüne ve bağlamına ilişkin yönerge verilmeli, ardından asıl soru sorulmalıdır. Bu sayede model önce "kimliğini benimseyebilir" ve sonucun tutarlılığı artar.

Sınırlılıklar ve Riskler

Rol tabanlı yönlendirmenin kullanımı bir dizi sistemik riski beraberinde getirmektedir.

Kalıpyargıların ve Önyargıların Güçlenmesi

LLM'ler, eğitim verilerinde yer alan yerleşik kalıpyargıları farkında olmaksızın benimser. Belirli bir meslek, cinsiyet veya milliyet ile ilişkilendirilen bir rolün atanması bu kalıpyargıları yanıtlarda etkinleştirebilir ve güçlendirebilir. Gupta ve ark. (2023) çalışması, role sosyal özniteliklerin (yaş, etnik köken) eklenmesinin modelin çıktısını kaydırabileceğini ve akıl yürütme doğruluğunu önemli ölçüde düşürebileceğini ortaya koymuştur. Başka bir analiz (Deshpande ve ark., 2023) ise bazı kişilik imgelerinin üretilen yanıtlarda artan bir toksisite düzeyine yol açtığını belirlemiştir.

Güvenlik Açıkları

Kötü niyetli kişiler, moderasyon kısıtlamalarını aşmak amacıyla rol tabanlı yönlendirmeyi kullanabilir (jailbreak olarak bilinen teknik). Araştırmalar, özel bir kişiliğin atanmasının (örneğin etik kısıtlamaları olmayan bir karakterin) LLM'leri yasaklı eylemlere yönlendirmeyi kolaylaştırdığını göstermiştir. Shah ve ark. (2023), birden fazla "rol tabanlı" ajanın iş birliğini başarıyla kullanarak modelin kısıtlamalarını aşmış ve bu durum sistemin güvenlik açığını gözler önüne sermiştir.

Bu nedenle, bir modele rol atarken o role özgü olası önyargıları ve istenmeyen etkileri göz önünde bulundurmak ve bu yöntemi ihtiyatlı biçimde uygulamak büyük önem taşımaktadır.

Dış bağlantılar

• Role Prompting: Guide LLMs with Persona-Based Tasks — Learn Prompting sitesinde rol tabanlı yönlendirme rehberi.
• Use role prompting with Watsonx and Granite — IBM'den pratik uygulama rehberi.

Kaynakça

• 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.