Helpful assistant or fruitful facilitator? Investigating how personas affect language model behavior

给大型语言模型（LLM）分配一个角色，即“个性化”和“引导”不同年龄段的人是一种方法，以期望LLM的行为（例如，一个有帮助的助手、一位老师、一位女性等）。本文研究了角色对模型行为的不同方面的影响。我们为七个LLM分配了来自12个类别的162个角色，这些类别跨越了诸如性别、性取向和职业等变量。我们提示它们回答来自五个数据集的问题，包括客观任务（例如，数学和历史问题）和主观任务（例如，关于信仰和价值观的问题）。我们还将角色的生成结果与两个基准设置进行比较：一个控制角色设置，其中有30个“有帮助的助手”的释义，以控制模型的提示敏感性；以及一个空角色设置，其中没有分配任何角色。我们发现，在所有模型和数据集中，角色的生成结果显示出比控制设置更大的变异性，并且某些角色行为的度量值可以推广到不同的模型。

本论文旨在研究个性化语言模型中的“角色扮演”对模型行为的影响，探究不同的角色扮演对模型生成的多个方面的影响。

本论文通过将162个不同的角色扮演分配给七个大型语言模型，并让它们回答来自五个数据集的问题，研究了不同角色扮演对模型生成行为的影响。结果表明，角色扮演对模型的行为具有显著的影响，并且某些角色扮演的行为特征可以推广到不同的模型中。

本论文的实验设计包括将162个角色扮演分配给七个大型语言模型，用五个数据集进行测试，分析了角色扮演对模型生成行为的影响。论文的结果表明，角色扮演对模型生成的多个方面具有显著的影响，这为个性化语言模型的研究提供了新的思路和方法。此外，论文还提供了开源代码和数据集，为后续的研究者提供了方便。

在这个领域中，最近的相关研究包括《GPT-3》、《XLNet》等大型语言模型的研究，以及个性化语言模型的研究。