Tattiche di influenza nella generazione di codice LLM: uno studio sull'inquadramento dei prompt

Un recente preprint su arXiv (2608.11513) esplora il potenziale delle strategie di influenza basate sulla psicologia per migliorare l'inquadramento dei prompt per i Large Language Models (LLM) in compiti di codifica. La ricerca applica otto tecniche di influenza dal framework di Yukl & Falbe—tra cui persuasione razionale, ingraziamento e scambio—in formati di prompt riproducibili. Questi formati sono stati testati su cinque LLM open-weight prominenti utilizzando due benchmark: LiveCodeBench e SWE-bench Verified. Il codice generato è stato valutato in base a quattro criteri di qualità del software, sebbene l'abstract non specifichi queste dimensioni. Questo studio approfondisce il legame precedentemente inesaminato tra metodi di persuasione psicologica ed efficacia degli LLM nell'ingegneria del software, indicando che la formulazione del prompt può influenzare significativamente i risultati del modello. I risultati possono guidare gli sviluppatori verso migliori strategie di prompt engineering.