Il Persona Prompting Aumenta la Profondità di Competenza ma Riduce la Chiarezza nei LLM
Un articolo di ricerca disponibile su arXiv (2605.29420) ha studiato il persona prompting nei modelli linguistici di grandi dimensioni, utilizzando 1.140 domande aperte, 38 ruoli di esperti e sei diversi domini. Lo studio ha valutato quattro diversi scenari: assenza di prompt di ruolo, un prompt generico di esperto di dominio, recupero di ruoli basato su embedding e un approccio ibrido che combina la ricerca di embedding con la selezione di ruolo tramite LLM. Mentre i risultati complessivi hanno indicato differenze minime, un esame dettagliato a livello di metriche ha scoperto un compromesso costante: l'implementazione del prompting di ruolo aumenta la profondità della competenza ma diminuisce la chiarezza. Questi effetti sono significativamente influenzati dalle condizioni specifiche applicate.
Fatti principali
- Lo studio confronta quattro condizioni di prompting su 1.140 domande aperte
- Copre 38 ruoli di esperti e sei domini
- Condizioni: nessun prompt di ruolo, prompt generico di esperto di dominio, recupero basato su embedding, recupero ibrido
- I risultati aggregati mostrano piccole differenze complessive tra le condizioni
- L'analisi a livello di metriche rivela un compromesso: maggiore profondità di competenza, minore chiarezza
- Gli effetti sono altamente dipendenti dalle condizioni
- Pubblicato su arXiv con ID 2605.29420
Entità
Istituzioni
- arXiv