プロンプトにおける感情的フレーミングが大規模言語モデルのパフォーマンスを調整する

大規模言語モデル（LLMs）は、さまざまな自然言語理解タスクにおいて驚異的なパフォーマンスを示すが、ユーザープロンプトの感情的フレーミングに対する感受性は未探求のままである。本研究は、喜び、無関心、怒り、恐れという四つの感情トーンが、SuperGLUEベンチマークにおけるLLMのパフォーマンスにどのように影響するかを調査する実証研究を提示する。私たちは、八つの異なるタスクにおいて、五つの指示チューニングされたオープンウェイトモデルを評価し、意味内容を一定に保ちながら感情的手がかりを持つ入力プロンプトを系統的に調整した。結果は、喜びと無関心でフレーミングされたプロンプトが常に高い精度を示し、恐れでフレーミングされた入力と比較して最大4.5％ポイントの向上を示すことを明らかにした。これらの発見は、ユーザープロンプトにおける感情的調整がLLMの推論やタスクの結果に測定可能な影響を与えることを示唆しており、感情的フレーミングが単なるスタイル的なものでなく、モデルの行動に機能的に関連していることを示唆している。本研究は再現可能な実験フレームワークとオープンソースのプロンプトセットを提供し、感情に配慮したプロンプト戦略とそれらが人間とAIの相互作用に与える影響に関する今後の研究の基盤を提供する。