Fugu-MT 論文翻訳(概要): The Impact of Role Design in In-Context Learning for Large Language Models

論文の概要: The Impact of Role Design in In-Context Learning for Large Language Models

arxiv url: http://arxiv.org/abs/2509.23501v1
Date: Sat, 27 Sep 2025 21:15:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-30 22:32:19.264787
Title: The Impact of Role Design in In-Context Learning for Large Language Models
Title（参考訳）: 大規模言語モデルにおけるインコンテキスト学習における役割設計の影響
Authors: Hamidreza Rouzegar, Masoud Makrehchi,
Abstract要約: In-context Learning (ICL) により、Large Language Models (LLM) は、追加の微調整なしでプロンプトに基づいて予測を生成することができる。本研究では, OpenAI の GPT-3.5 と GPT-4o と Meta の Llama2-7b と Llama2-13b を用いたゼロショットおよび少数ショット学習シナリオにおける役割構成の影響について検討した。
参考スコア（独自算出の注目度）: 1.3177681589844814
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In-context learning (ICL) enables Large Language Models (LLMs) to generate predictions based on prompts without additional fine-tuning. While prompt engineering has been widely studied, the impact of role design within prompts remains underexplored. This study examines the influence of role configurations in zero-shot and few-shot learning scenarios using GPT-3.5 and GPT-4o from OpenAI and Llama2-7b and Llama2-13b from Meta. We evaluate the models' performance across datasets, focusing on tasks like sentiment analysis, text classification, question answering, and math reasoning. Our findings suggest the potential of role-based prompt structuring to enhance LLM performance.
Abstract（参考訳）: In-context Learning (ICL) により、Large Language Models (LLM) は、追加の微調整なしでプロンプトに基づいて予測を生成することができる。プロンプトエンジニアリングは広く研究されているが、プロンプトにおけるロールデザインの影響は未解明のままである。本研究では, OpenAI の GPT-3.5 と GPT-4o と Meta の Llama2-7b と Llama2-13b を用いたゼロショットおよび少数ショット学習シナリオにおける役割構成の影響について検討した。モデルの性能をデータセット間で評価し、感情分析、テキスト分類、質問応答、数学推論といったタスクに焦点をあてる。以上の結果から,LLM性能を高めるために,役割ベースのプロンプト構造化の可能性が示唆された。

論文の概要: The Impact of Role Design in In-Context Learning for Large Language Models

関連論文リスト