概要: 特定のパーソナを大規模言語モデル（LLM）に付与することは、対話スタイルを調整するために広く行われていますが、基盤となる認知能力への影響は未解明のままです。私たちは、Neuron-based Personality Trait Induction（NPTI）フレームワークを用いて、LLMにビッグファイブの性格特性を誘導し、6つの認知ベンチマークにわたって性能を評価します。得られた結果から、パーソナ誘導は表面的なスタイルの変化を超えて、認知タスクのパフォーマンスに対して安定した再現可能な変化をもたらすことが分かりました。これらの効果はタスク依存性が強く示されます。すなわち、特定の性格は指示追従において一貫した向上をもたらす一方で、別の性格は複雑な推論を損ないます。効果の大きさは特性次元ごとに系統的に変動し、最も強い影響を与えるのは開放性（Openness）と外向性（Extraversion）です。さらに、LLMの効果は、人の性格と認知の関係に対して73.68%の方向的一貫性を示します。これらの規則性を活用し、追加の学習を必要としない、軽量なクエリ適応型戦略であるDynamic Persona Routing（DPR）を提案します。DPRは、最良の固定パーソナを上回ります。
LLM能力に対するパーソナ・ステアリングの影響を体系的に分析する
arXiv cs.CL / 2026/4/14
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文では、LLMを特定のパーソナに向けてステアリングすることが、文章のスタイルだけでなく、NPTIフレームワークおよびビッグファイブ特性を用いてモデルの基盤となる認知タスクのパフォーマンスにもどのように影響するかを調査する。
- 結果として、パーソナの誘導は6つの認知ベンチマークに対して安定かつ再現可能な変化をもたらし、その効果はタスクの種類に強く依存することが示される。
- 影響はパーソナリティ特性によって異なり、Openess（開放性）とExtraversion（外向性）が、パフォーマンス結果に対して最も頑健な影響を与える。
- 著者らは、人間のパーソナリティと認知の関係に対して方向性が一致することを見いだして（73.68%）、これを活用して、クエリごとにパーソナを適応させるDynamic Persona Routing（DPR）を提案する。
- DPRは、追加の学習を必要とせずに、最良の静的パーソナ手法を上回ると報告されており、パーソナに基づくパフォーマンス向上のための実用的なルーティング戦略が示唆される。
