Abstract
In-context learning (ICL) enables Large Language Models (LLMs) to generate predictions based on prompts without additional fine-tuning. While prompt engineering has been widely studied, the impact of role design within prompts remains underexplored. This study examines the influence of role configurations in zero-shot and few-shot learning scenarios using GPT-3.5 and GPT-4o from OpenAI and Llama2-7b and Llama2-13b from Meta. We evaluate the models' performance across datasets, focusing on tasks like sentiment analysis, text classification, question answering, and math reasoning. Our findings suggest the potential of role-based prompt structuring to enhance LLM performance.
Abstract (translated)
上下文学习（ICL）使大型语言模型（LLM）能够在没有额外微调的情况下根据提示生成预测。虽然提示工程已经得到了广泛研究，但提示中角色设计的影响仍然鲜为人知。本研究通过使用来自OpenAI的GPT-3.5和GPT-4o以及来自Meta的Llama2-7b和Llama2-13b模型，在零样本和少量样本学习场景下考察了角色配置对性能的影响。我们评估了这些模型在情感分析、文本分类、问答和数学推理等任务上的表现。我们的研究结果表明，基于角色的提示结构有可能提升LLM的表现。 注意：原文中提到了“GPT-4o”，假设这是一个笔误或者是特定版本的名称，在翻译过程中保持了一致性处理，请根据实际情况进行调整。如果"GPT-4o"是专有名词或者具体指某个版本，则不需要更改。
URL
https://arxiv.org/abs/2509.23501
