Role Prompting (VI)

Nhắc nhở theo vai trò (tiếng Anh: role prompting), còn được gọi là nhắc nhở theo nhân vật (tiếng Anh: persona prompting), — là một kỹ thuật trong lĩnh vực prompt engineering dành cho các mô hình ngôn ngữ lớn (LLM), trong đó mô hình được gán một cách tường minh một vai trò, nhân vật hoặc danh tính chuyên gia cụ thể trước khi thực hiện nhiệm vụ. Nói cách khác, trong văn bản yêu cầu hoặc hướng dẫn hệ thống, người ta quy định rằng mô hình — ví dụ — là "giáo viên", "nhà sử học" hay "cướp biển", và qua đó xác định phong cách, giọng điệu và hành vi của câu trả lời được tạo ra.

Phương pháp này được áp dụng rộng rãi trong các hệ thống hội thoại. Ví dụ, câu lệnh hệ thống mặc định của ChatGPT "You are a helpful assistant" ("Bạn là một trợ lý hữu ích") thực chất thiết lập vai trò cơ bản của mô hình trong giao tiếp.

Mục đích và ứng dụng

Mục tiêu của nhắc nhở theo vai trò là định hướng mô hình đến một phong cách và trọng tâm nhất định trong câu trả lời, khiến câu trả lời phù hợp và tương thích hơn với ngữ cảnh của nhiệm vụ. Việc gán vai trò cho phép thiết lập giọng điệu và vốn từ vựng phù hợp cho mô hình. Điều này đặc biệt hữu ích trong các nhiệm vụ sáng tạo và mở, nơi vai trò giúp làm cho văn bản sinh động hơn và đa dạng hơn về mặt phong cách.

Kỹ thuật này cũng được sử dụng trong các tình huống chuyên nghiệp. Ví dụ, chatbot hỗ trợ kỹ thuật có thể được gán vai trò của một nhân viên dịch vụ lịch sự, còn trong các hệ thống đa tác nhân, mỗi tác nhân được gán một nhân vật riêng (ví dụ: "quản lý", "nhà phát triển") để chúng cộng tác hiệu quả. Tính linh hoạt của các LLM hiện đại cho phép chúng đảm nhận hầu như bất kỳ vai trò nào — từ nhân vật hư cấu đến chuyên gia trong lĩnh vực hẹp — và tạo ra các câu trả lời phù hợp tối đa với hình ảnh được giao.

Ảnh hưởng đến chất lượng và độ chính xác

Câu hỏi về hiệu quả của nhắc nhở theo vai trò trong việc cải thiện độ chính xác khách quan của câu trả lời vẫn là chủ đề nghiên cứu tích cực, và các kết quả thường mâu thuẫn nhau.

Các kết quả mâu thuẫn

Một mặt, có những nghiên cứu cho thấy sự cải thiện kết quả. Ví dụ, trong công trình của Zheng và cộng sự (2023), người ta phát hiện rằng nếu vai trò của mô hình phù hợp về chủ đề với nhiệm vụ, hiệu suất của mô hình có thể tăng lên. Trong công trình của Kong và cộng sự (2024), tác giả khẳng định rằng nhắc nhở theo vai trò có thể cải thiện khả năng suy luận zero-shot của mô hình khi lựa chọn nhân vật phù hợp.

Mặt khác, các nghiên cứu quy mô lớn cho thấy bức tranh phức tạp hơn. Trong một thí nghiệm có hệ thống với 162 vai trò khác nhau, không phát hiện ra sự cải thiện đáng kể về độ chính xác so với kịch bản trung tính. Hơn nữa, tính trung bình, prompt vai trò thậm chí làm giảm nhẹ độ chính xác của câu trả lời.

Công trình của Kim và cộng sự (2024) mô tả việc can thiệp bằng vai trò như "thanh kiếm hai lưỡi": thí nghiệm cho thấy rằng ở mô hình GPT-4 với hướng dẫn vai trò, một phần câu hỏi được giải quyết đúng dù trước đó có lỗi (≈15,8% cải thiện), nhưng gần như một phần tương đương các nhiệm vụ ngược lại bị vai trò "phá hỏng" (≈13,8% suy giảm). Điều này nhấn mạnh rằng việc thêm vai trò tự nó không đảm bảo tăng chất lượng và có thể ảnh hưởng không thể đoán trước đến hành vi của mô hình.

Ưu điểm không thể phủ nhận của nhắc nhở theo vai trò là khả năng kiểm soát phong cách và định dạng câu trả lời. Ngay cả khi vai trò không mang lại lợi ích cho độ chính xác của các sự kiện, nó cho phép nhận được câu trả lời với giọng điệu mong muốn (thân thiện, trang trọng, hướng dẫn), khiến câu trả lời mạch lạc và hấp dẫn hơn với người dùng.

Khuyến nghị khi tạo vai trò

Các nghiên cứu đưa ra một số lời khuyên thực tiễn để áp dụng nhắc nhở theo vai trò hiệu quả:

• Lựa chọn vai trò: Khuyến nghị chọn các vai trò xã hội trung tính (ví dụ: "đồng nghiệp", "người hướng dẫn"), tránh các vai diễn quá thân mật hoặc quá chuyên biệt.
• Cách đặt câu: Tốt hơn nên gán vai trò trực tiếp từ góc độ của mô hình ("Bạn là X"), thay vì thông qua các kịch bản tưởng tượng phức tạp ("Hãy tưởng tượng rằng bạn..."). Việc gán nhân vật trực tiếp đã được chứng minh là hiệu quả hơn.
• Phương pháp hai bước: Đối với các yêu cầu phức tạp, đề xuất chia nhiệm vụ thành hai bước: trước tiên cung cấp cho mô hình thiết lập về vai trò và bối cảnh của nó, và chỉ sau đó đặt câu hỏi chính. Điều này cho phép mô hình trước tiên "nhập vai" và nâng cao tính ổn định của kết quả.

Hạn chế và rủi ro

Việc áp dụng nhắc nhở theo vai trò đi kèm với một số rủi ro mang tính hệ thống.

Khuếch đại định kiến và thành kiến

LLM vô tình tiếp thu các định kiến đã ăn sâu vào dữ liệu huấn luyện. Việc gán một vai trò liên quan đến nghề nghiệp, giới tính hay quốc tịch cụ thể có thể kích hoạt và khuếch đại các định kiến này trong câu trả lời. Nghiên cứu của Gupta và cộng sự (2023) cho thấy việc thêm các thuộc tính xã hội (tuổi tác, dân tộc) vào vai trò có thể làm lệch đầu ra của mô hình và giảm đáng kể độ chính xác của lập luận. Một phân tích khác (Deshpande et al., 2023) phát hiện rằng một số hình ảnh nhân vật dẫn đến mức độ độc hại gia tăng trong các câu trả lời được tạo ra.

Lỗ hổng bảo mật

Kẻ xấu có thể sử dụng nhắc nhở theo vai trò để vượt qua các hạn chế kiểm duyệt (kỹ thuật được gọi là jailbreak). Các nghiên cứu cho thấy việc gán một nhân vật đặc biệt (ví dụ: nhân vật không có ràng buộc đạo đức) tạo điều kiện thuận lợi hơn để thúc đẩy LLM thực hiện các hành động bị cấm. Shah et al. (2023) đã sử dụng thành công sự hợp tác của nhiều tác nhân "đóng vai" để vượt qua các hạn chế của mô hình, minh chứng cho lỗ hổng mang tính hệ thống.

Do đó, khi gán vai trò cho mô hình, điều quan trọng là phải tính đến những thành kiến và tác động không mong muốn tiềm ẩn được nhúng vào vai trò đó, và áp dụng phương pháp này một cách thận trọng.

Tham khảo

• Role Prompting: Guide LLMs with Persona-Based Tasks — hướng dẫn về nhắc nhở theo vai trò trên Learn Prompting.
• Use role prompting with Watsonx and Granite — hướng dẫn thực hành từ IBM.

Tài liệu

• 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.