論文の概要: Cognitive Enhancement: Rethinking the Necessity of Role-Playing for Large Language Models

• arxiv url: http://arxiv.org/abs/2609.39853v1
• Date: Wed, 30 Sep 2026 14:42:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.922397
• Title: Cognitive Enhancement: Rethinking the Necessity of Role-Playing for Large Language Models
• Title（参考訳）: 認知的強化:大規模言語モデルにおけるロールプレイングの必要性を再考する
• Abstract要約: ロールプレイによって得られる利益は、モデルキャパシティ、知識ドメイン、およびプロンプト言語に大きく依存している。 textbfMixed-textbfLanguage textbfConcatenate textbfPrediction textbf(MLCP)を提案する。 大規模な実験により、MLCPは試験された全てのLLMにおいて、バニラロールプレイよりも一貫して優れていた。
• 参考スコア（独自算出の注目度）: 34.6436969508862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Role-playing prompting has become a popular yet simple technique for improving LLM reasoning and output quality. However, whether it consistently boosts performance across diverse domains remains unclear, as systematic validation is lacking. To fill this gap, we run multi-model, cross-domain, and multilingual experiments on MMLU and MMLU-Redux. We find that gains from role-play prompting depend heavily on model capacity, knowledge domain, and prompt language. Drawing on metacognition theory, we propose the persona-related cognitive alignment hypothesis: role-play works only when the LLM correctly grasps the designated persona and its associated knowledge domain. We test this hypothesis through persona information richness ablation, layer-wise entropy divergence analysis, and latent thought-space deflection observation. To reduce persona cognitive bias and stabilize role-play performance, we propose \textbf{M}ixed-\textbf{L}anguage \textbf{C}oncatenate \textbf{P}rediction \textbf{(MLCP}), a simple, training-free, and efficient multilingual prompt concatenation strategy. It aggregates semantically equivalent role prompts to enrich complementary representational cues. Extensive experiments show that MLCP consistently outperforms vanilla role-play prompting across all tested LLMs.
• Abstract（参考訳）: ロールプレイングプロンプトは、LSM推論と出力品質を改善するための一般的なテクニックとなっている。 しかし、体系的な検証が欠如しているため、さまざまな領域にわたるパフォーマンスを継続的に向上させるかどうかは不明だ。 このギャップを埋めるために、MMLUおよびMMLU-Redux上でマルチモデル、クロスドメイン、多言語実験を行う。 ロールプレイによって得られる利益は、モデルキャパシティ、知識ドメイン、およびプロンプト言語に大きく依存している。 メタ認知理論に基づいて,LLMが指定されたペルソナとその関連知識領域を正しく把握した場合にのみ,役割プレイが機能するペルソナ関連認知アライメント仮説を提案する。 我々は,この仮説をペルソナ情報豊か度補正,レイヤワイドエントロピー分散解析,潜在的思考空間偏向観測を通じて検証する。 ペルソナ認知バイアスを低減し,ロールプレイ性能を安定させるため,単純でトレーニング不要で効率的な多言語対応のプロンプト結合戦略である \textbf{M}ixed-\textbf{L}anguage \textbf{C}oncatenate \textbf{P}rediction \textbf{P}rediction \textbf{(MLCP})を提案する。 意味的に等価な役割のプロンプトを集約し、補完的な表現の手がかりを豊かにする。 大規模な実験により、MLCPは試験された全てのLLMにおいて、バニラロールプレイよりも一貫して優れていた。

関連論文リスト

• Farther the Shift, Sparser the Representation: Analyzing OOD Mechanisms in LLMs [100.02824137397464]
  難易度が増大する入力に遭遇した場合,大規模言語モデルが内部表現をどのように適応するかを検討する。 タスクの難易度が増大するにつれて、LLMの最後の隠れ状態は実質的にスペーサーとなる。 この空間性-微分的関係は、様々なモデルや領域で観測可能である。
  論文  参考訳（メタデータ） (2026-03-03T18:48:15Z)
• RAGs to Riches: RAG-like Few-shot Learning for Large Language Model Role-playing [26.263809408983306]
  大規模言語モデル(LLM)は、医療、教育、ガバナンスといった高度な領域にますますデプロイされている。 Retrieval-Augmented Generation (RAG)にインスパイアされ、LLMロールプレイングをテキスト検索問題に書き換える。
  論文  参考訳（メタデータ） (2025-09-15T17:31:15Z)
• Test-Time-Matching: Decouple Personality, Memory, and Linguistic Style in LLM-based Role-Playing Language Agent [18.67432557362308]
  TTM(Test-Time-Matching)は、テスト時間スケーリングとコンテキストエンジニアリングによる、トレーニング不要なロールプレイングフレームワークである。 我々のフレームワークは、これらの機能を制御されたロールプレイングに利用する、構造化された3段階生成パイプラインを含んでいる。 高忠実なロールプレイングのパフォーマンスを実現し、多様な言語スタイルのシームレスな組み合わせや、個性や記憶のバリエーションも実現している。
  論文  参考訳（メタデータ） (2025-07-22T17:47:44Z)
• The Illusion of Role Separation: Hidden Shortcuts in LLM Role Learning (and How to Fix Them) [15.48684126686974]
  微調整された大言語モデルは、しばしば役割識別のために2つのプロキシに依存することを示す。 モデル入力エンコーディングにおけるトークンワイドキューを調整し,役割境界をマークするエンフィン変分信号の強化を提案する。
  論文  参考訳（メタデータ） (2025-05-01T16:06:16Z)
• Look Before You Decide: Prompting Active Deduction of MLLMs for Assumptive Reasoning [77.72128397088409]
  本研究は,MLLMの最も普及している手法が,その問題に先入観を導入することで,容易に騙せることを示す。 また,モデルが積極的に複合推論を行うように促す新しい強化学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-04-19T15:53:27Z)
• Rephrase and Respond: Let Large Language Models Ask Better Questions for Themselves [57.974103113675795]
  本稿では,Rephrase and Respond'(RaR)という手法を提案する。 RaRは、パフォーマンスを改善するためのシンプルだが効果的なプロンプト方法として機能する。 また,RaRは理論的にも経験的にも,一般的なChain-of-Thought(CoT)法と相補的であることを示す。
  論文  参考訳（メタデータ） (2023-11-07T18:43:34Z)
• Are Large Language Models Really Robust to Word-Level Perturbations? [68.60618778027694]
  本稿では,事前学習した報酬モデルを診断ツールとして活用する,新たな合理的評価手法を提案する。 より長い会話は、質問を理解する能力の観点から言語モデルの包括的把握を示す。 この結果から,LLMは日常言語でよく使われる単語レベルの摂動に対する脆弱性をしばしば示している。
  論文  参考訳（メタデータ） (2023-09-20T09:23:46Z)
• Re-Reading Improves Reasoning in Large Language Models [87.46256176508376]
  既成のLarge Language Models (LLM) の推論能力を高めるため, 単純で汎用的で効果的なプロンプト手法であるRe2を導入する。 CoT (Chain-of-Thought) など、ほとんどの思考を刺激する手法とは異なり、Re2 は質問を2回処理することで入力に焦点を移し、理解プロセスを強化する。 提案手法の有効性と汎用性を検証するため,14のデータセットにまたがる広範囲な推論ベンチマークでRe2を評価した。
  論文  参考訳（メタデータ） (2023-09-12T14:36:23Z)

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。