Role Prompting — ロールプロンプティング
ロールプロンプティング（英: role prompting）、別名ペルソナプロンプティング（英: persona prompting）とは、大規模言語モデル（LLM）のプロンプトエンジニアリングにおける手法の一つで、モデルにタスクを実行させる前に、特定の役割、ペルソナ、あるいは専門家としてのアイデンティティを明示的に割り当てるものです[1]。言い換えれば、プロンプトのテキストやシステム指示文において、モデルが例えば「教師」「歴史家」「海賊」であると記述することで、生成される応答のスタイル、トーン、振る舞いを設定します[2]。
このアプローチは対話システムで広く利用されています。例えば、ChatGPTの標準的なシステムプロンプトである「You are a helpful assistant」（あなたは役立つアシスタントです）は、事実上、コミュニケーションにおけるモデルの基本的な役割を設定しています[3]。
目的と応用
ロールプロンプティングの目的は、モデルを特定のスタイルや応答の焦点に誘導し、タスクに対してより適切で文脈に合ったものにすることです。役割を割り当てることで、モデルに適切なトーンや語彙を設定させることができます。これは特に、役割がテキストをより生き生きとさせ、文体的に多様にするのに役立つ、創造的でオープンエンドなタスクで有用です[4]。
この手法は、専門的なシナリオでも使用されます。例えば、テクニカルサポートのチャットボットには、丁寧なサービス担当者という役割を与えることができます。また、マルチエージェントシステムでは、各エージェントに独自のペルソナ（例えば「マネージャー」「開発者」）を割り当てることで、効果的に協調させることができます[1]。現代のLLMの柔軟性により、架空のキャラクターから特定の専門家まで、ほぼあらゆる役割を演じることが可能であり、与えられたイメージに最大限合致した応答を生成することができます[1]。
品質と精度への影響
ロールプロンプティングが応答の客観的な精度を向上させる効果については、活発な研究の対象であり、その結果はしばしば矛盾しています。
矛盾した結果
一方で、結果の改善を示す研究も存在します。例えば、Zhengら（2023年）の研究では、モデルの役割がタスクとテーマ的に一致する場合、そのパフォーマンスが向上する可能性があることが発見されました[5]。Kongら（2024年）の研究では、ペルソナをうまく選択することで、ロールプロンプティングがモデルのzero-shot推論を改善できると主張しています[5]。
他方で、大規模な研究はより複雑な状況を示しています。162の異なる役割を用いた体系的な実験では、中立的なシナリオと比較して精度の有意な向上は確認されませんでした[3]。さらに、平均してロールプロンプトは応答の精度をわずかに低下させることさえありました[3]。
Kimら（2024年）の研究は、ロールの介入を「諸刃の剣」と表現しています。実験では、GPT-4モデルにロール指示を与えた場合、それなしでは誤っていた一部の質問が正しく解決される（約15.8%の改善）一方で、ほぼ同程度の割合のタスクが逆にロールによって「破壊」される（約13.8%の悪化）ことが示されました[5]。これは、役割を追加すること自体が品質向上を保証するものではなく、モデルの振る舞いに予測不可能な影響を与える可能性があることを強調しています。
ロールプロンプティングの明白な利点は、応答のスタイルとフォーマットの制御です。たとえ事実の精度向上に寄与しない場合でも、役割を設定することで、指定されたトーン（友好的、公式、指導的など）の応答を得ることができ、ユーザーにとってより一貫性があり魅力的な応答になります[4]。
役割作成に関する推奨事項
研究から、ロールプロンプティングを効果的に適用するためのいくつかの実践的なアドバイスが示されています：
- 役割の選択: 過度に個人的または専門的すぎる役割を避け、中立的な社会的役割（例：「同僚」「メンター」）を選択することが推奨されます[6]。
- 表現方法: 役割は、「想像してみてください...」のような複雑な架空のシナリオではなく、モデル自身に対して直接（「あなたはXです」）設定する方が良いです。ペルソナを直接割り当てる方が高い効果が証明されています[6]。
- 二段階アプローチ: 複雑なプロンプトの場合、タスクを2つのステップに分けることが提案されています。まずモデルにその役割と文脈に関する指示を与え、その後に主要な質問をします。これにより、モデルがまず「役割に入り込む」ことができ、結果の安定性が向上します[6]。
制約とリスク
ロールプロンプティングの適用には、いくつかのシステム的なリスクが伴います。
ステレオタイプとバイアスの増幅
LLMは、訓練データに根付いたステレオタイプを無意識のうちに学習してしまいます。特定の職業、ジェンダー、国籍に関連する役割を割り当てることは、これらのステレオタイプを応答の中で活性化させ、増幅させる可能性があります[6]。Guptaら（2023年）の研究では、役割に社会的属性（年齢、民族性）を追加すると、モデルの出力が偏り、推論の精度が大幅に低下する可能性があることが示されました[5]。別の分析（Deshpande et al., 2023）では、特定のペルソナが生成される応答の有害性を高めることが明らかにされています[5]。
セキュリティの脆弱性
悪意のあるユーザーは、モデレーションの制限を回避するためにロールプロンプティングを利用することがあります（この手法はジェイルブレイクとして知られています）。研究によると、特別なペルソナ（例えば、倫理的な制約のないキャラクター）を割り当てることで、LLMを禁止された行為に誘導しやすくなることが示されています。Shahら（2023年）は、複数の「役割を持つ」エージェントの協力を利用してモデルの制限を回避することに成功し、これがシステム的な脆弱性であることを実証しました[7]。
したがって、モデルに役割を割り当てる際には、その役割に組み込まれている可能性のある偏見や望ましくない影響を考慮し、この手法を慎重に適用することが重要です[6]。
外部リンク
- Role Prompting: Guide LLMs with Persona-Based Tasks — Learn Promptingによるロールプロンプティングのガイド。
- Use role prompting with Watsonx and Granite — IBMによる実践的なガイド。
参考文献
- 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.
注釈
- ↑ 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]