論文の概要: Do Influence Tactics Matter? Investigating Prompt Framing Effects in LLM Code Generation

• arxiv url: http://arxiv.org/abs/2608.11513v1
• Date: Tue, 11 Aug 2026 23:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.405164
• Title: Do Influence Tactics Matter? Investigating Prompt Framing Effects in LLM Code Generation
• Title（参考訳）: 戦術は重要か? : LLM符号生成におけるプロンプト・フラーミング効果の検討
• Abstract要約: 本研究では、人間が他人を説得したり動機づけたりする様々な心理学的コミュニケーション戦略が、より効果的なプロンプト・フレーミングに繋がるかどうかを考察する。 我々は,再現可能なプロンプトテンプレートに8つの影響戦略(合理的説得,移植,交換など)を運用した。 得られたコードアウトプットを,機能的正確性,品質,保守性,セキュリティの4つの重要なソフトウェア品質次元で評価した。
• 参考スコア（独自算出の注目度）: 2.900536834599724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) are increasingly integrated into software engineering workflows, helping developers write, debug, test, and maintain code. While prompt wording and structure are known to influence model performance, the impact of psychologically inspired prompt framings remains unexplored. This study investigates whether different psychology-based communication strategies that humans use to persuade or motivate others can lead to more effective prompt framing, which may, in turn, affect LLM behaviour in coding tasks. Drawing on Yukl & Falbe's well-known taxonomy, we operationalized eight influence tactics (like rational persuasion, ingratiation, and exchange) into reproducible prompt templates. These prompt templates were evaluated across five leading open-weight LLMs using two widely adopted benchmarks: LiveCodeBench and SWE-bench Verified. We assessed the resulting code output on four key software quality dimensions: functional correctness, quality, maintainability, and security. Our results show that certain influence-induced prompt framings, particularly those emphasizing urgency, were associated with reduced correctness and security. This work presents the first large-scale empirical study of influence-induced prompt framing in software engineering tasks, offering insights into how linguistic cues may shape LLM outputs. We conclude with practical insights for designing transparent and interpretable human-AI interactions in code generation.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、開発者がコードを書き、デバッグし、テストし、保守するのを助けるソフトウェアエンジニアリングワークフローに統合されつつある。 素早い言い回しと構造はモデルのパフォーマンスに影響を与えることが知られているが、心理的にインスピレーションを受けた素早いフレーミングの影響は未解明のままである。 本研究では、人間が他人を説得または動機づけするために使用する異なる心理学に基づくコミュニケーション戦略が、より効果的なプロンプトフレーミングに繋がるかどうかを考察する。 ユクル・アンド・ファルベの有名な分類学に基づいて、我々は8つの影響戦略(合理的な説得、移植、交換など)を再現可能なプロンプトテンプレートに運用した。 これらのプロンプトテンプレートは、LiveCodeBenchとSWE-bench Verifiedの2つの広く採用されているベンチマークを使用して、5つの主要なオープンウェイトLCMで評価された。 得られたコードアウトプットを,機能的正確性,品質,保守性,セキュリティの4つの重要なソフトウェア品質次元で評価した。 以上の結果から, 緊急性を重視した特定の影響誘発的フレーミングは, 正確性や安全性の低下と関係があることが示唆された。 この研究は、ソフトウェア工学のタスクにおける影響誘発的フレーミングに関する大規模な実証的研究であり、言語的手がかりがLLM出力をどう形成するかについての洞察を提供する。 コード生成における透明で解釈可能な人間とAIのインタラクションを設計するための実践的な洞察で締めくくります。

関連論文リスト

• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors [52.619793817715326]
  本稿では,LLM生成したPythonエラーメッセージを,多段階のクラウドソースで評価する。 LLMで書き直されたメッセージは主観評価を著しく向上させたが、これらの評価結果は客観的デバッグ性能の統計的に有意な改善には至らなかった。 これは重要なヒューマンとAIの相補性ギャップを浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-08-21T09:14:28Z)
• Not All Tokens Matter: Data-Centric Optimization for Efficient Code Summarization [46.365359894614706]
  コード生成タスクにおいて,システムプロンプトがILMやCLMにどのように影響するかを評価する。 120のモデル構成にまたがる評価フレームワークにより,システムの影響がモデルスケールで増大することが明らかとなった。 JavaはPythonよりもシステムプロンプトのバリエーションに対する感度が高い。
  論文  参考訳（メタデータ） (2026-01-28T00:45:28Z)
• A Taxonomy of Prompt Defects in LLM Systems [13.177777446130712]
  大規模言語モデル(LLM)は現代のソフトウェアの主要なコンポーネントとなっている。 小さなミスは、信頼できない、安全でない、あるいは非効率な振る舞いにカスケードする。 本稿では,早期欠陥の系統調査と分類について紹介する。
  論文  参考訳（メタデータ） (2025-09-17T20:11:22Z)
• What You See Is Not Always What You Get: An Empirical Study of Code Comprehension by Large Language Models [0.5735035463793009]
  ソースコードに隠された文字操作がLLMの動作を誤認し,人間のレビュアーには検出不能なままにしておくという,大きな言語モデル(LLM)の攻撃に対する脆弱性について検討する。 これらの攻撃には、コードリオーダー、見えないコーディング文字、コード削除、コードホモグリフが含まれる。 以上の結果より,LLMは摂動の大きさと性能に異なる負の相関性を示す一方,LLMは認識不能なコードキャラクタ攻撃に対する感受性を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-12-11T04:52:41Z)
• Studying and Benchmarking Large Language Models For Log Level Suggestion [49.176736212364496]
  大規模言語モデル(LLM)は、様々な領域で研究の焦点となっている。 本稿では,12個のオープンソースLCMのログレベル提案における性能に及ぼす特性と学習パラダイムの影響について検討する。
  論文  参考訳（メタデータ） (2024-10-11T03:52:17Z)
• The Strong Pull of Prior Knowledge in Large Language Models and Its Impact on Emotion Recognition [74.04775677110179]
  In-context Learning (ICL) は、Large Language Models (LLM) を用いた自然言語処理のための強力なパラダイムとして登場した。 LLMには、感情認識において強いが矛盾する先行性があり、その予測に影響を及ぼすことが示される。 以上の結果から,ICLをより大きなLCMで事前学習領域外の情動中心タスクに使用する場合,注意が必要であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-25T19:07:32Z)
• Characterizing Truthfulness in Large Language Model Generations with Local Intrinsic Dimension [63.330262740414646]
  大規模言語モデル(LLM)から生成されたテキストの真偽を特徴付ける方法と予測法について検討する。 モデルアクティベーションの局所固有次元 (LID) を用いて, 内部アクティベーションを調査し, LLMの真偽を定量化する。
  論文  参考訳（メタデータ） (2024-02-28T04:56:21Z)
• Testing LLMs on Code Generation with Varying Levels of Prompt Specificity [0.0]
  大規模言語モデル (LLM) は、人間のようなテキスト生成と処理を模倣する非並列的な技術を示している。 自然言語のプロンプトを実行可能なコードに変換する可能性は、ソフトウェア開発プラクティスの大きな変化を約束します。
  論文  参考訳（メタデータ） (2023-11-10T23:41:41Z)
• Accelerating LLaMA Inference by Enabling Intermediate Layer Decoding via Instruction Tuning with LITE [62.13435256279566]
  大規模言語モデル(LLM)は、様々な自然言語タスクで顕著なパフォーマンスを実現している。 しかし、その大きなサイズは推論を遅く、計算的に高価にする。 最終層の生成能力に影響を与えることなく、これらの層が「良い」生成能力を得ることができることを示す。
  論文  参考訳（メタデータ） (2023-10-28T04:07:58Z)
• From Language Modeling to Instruction Following: Understanding the Behavior Shift in LLMs after Instruction Tuning [63.63840740526497]
  そこで本研究では,本質的な変化に着目した事前学習モデルの調整方法について検討する。 次に、事前訓練されたモデルと命令調整されたモデルから導かれた説明を比較することで、命令チューニングの影響について研究する。 この結果から,指導指導の3つの重要な影響が明らかになった。
  論文  参考訳（メタデータ） (2023-09-30T21:16:05Z)
• Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
  オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。 一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
  論文  参考訳（メタデータ） (2023-09-07T01:35:24Z)
• Metacognitive Prompting Improves Understanding in Large Language Models [12.112914393948415]
  メタ認知プロンプト(MP)は,人間の内省的推論プロセスにインスパイアされた戦略である。 我々は10の自然言語理解(NLU)データセットにまたがる4つの先行するLarge Language Model(LLM)の実験を行った。 MPは、一般的なNLUタスクとドメイン固有のNLUタスクの両方において、既存のプロンプトメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-08-10T05:10:17Z)
• CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing [139.77117915309023]
  CRITICは、大規模な言語モデルに対して、ツールとのヒューマンインタラクションに似た方法で、自分たちのアウトプットの検証と修正を可能にする。 自由形式の質問応答、数学的プログラム合成、毒性低減を含む包括的評価は、CRITICがLLMの性能を一貫して向上することを証明している。
  論文  参考訳（メタデータ） (2023-05-19T15:19:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。