프롬프트에 포함된 감정이 중요할까요? 감정적 표현이 대규모 언어 모델에 미치는 영향

Do Emotions in Prompts Matter? Effects of Emotional Framing on Large Language Models

감정적인 어조는 인간의 의사소통에서 광범위하게 나타나지만, 이것이 대규모 언어 모델(LLM)의 행동에 미치는 영향은 아직 명확하지 않습니다. 본 연구에서는 사용자가 입력하는 쿼리에 포함된 1인칭 시점의 감정적 표현이 수학적 추론, 의료 질문 답변, 독해, 상식 추론 및 사회적 추론을 포함한 6가지 표준 데이터셋에서 LLM의 성능에 미치는 영향을 분석합니다. 다양한 모델과 작업에서, 정적인 감정적 접두사는 일반적으로 정확도에 미미한 변화만 가져오는 경향이 있으며, 이는 감정적인 표현이 일반적으로 강력한 개입이라기보다는 약한 변동 요인임을 시사합니다. 이러한 안정성은 일관적이지 않으며, 특히 사회적 맥락이 중요한 작업에서 감정적인 맥락이 대인 관계 추론과 더 밀접하게 관련될 수 있습니다. 추가 분석 결과, 강한 감정 표현은 미미한 추가적인 변화만 유발하며, 인간이 작성한 접두사는 LLM이 생성한 접두사와 동일한 질적 패턴을 보입니다. 또한, 본 연구에서는 각 쿼리에 적합한 감정적 표현을 선택하는 적응형 감정 프롬프팅 프레임워크인 EmotionRL을 소개합니다. 특정 감정이 항상 유익한 것은 아니지만, 적응형 선택은 고정된 감정 프롬프팅보다 더 안정적인 성능 향상을 가져옵니다. 종합적으로, 이러한 결과는 감정적인 어조가 LLM의 성능을 주도하는 주요 요인이거나 무의미한 잡음이 아니라, 입력에 따라 달라지는 약한 신호이며, 적응형 제어를 통해 활용될 수 있음을 보여줍니다.

Emotional tone is pervasive in human communication, yet its influence on large language model (LLM) behaviour remains unclear. Here, we examine how first-person emotional framing in user-side queries affect LLM performance across six benchmark domains, including mathematical reasoning, medical question answering, reading comprehension, commonsense reasoning and social inference. Across models and tasks, static emotional prefixes usually produce only small changes in accuracy, suggesting that affective phrasing is typically a mild perturbation rather than a reliable general-purpose intervention. This stability is not uniform: effects are more variable in socially grounded tasks, where emotional context more plausibly interacts with interpersonal reasoning. Additional analyses show that stronger emotional wording induces only modest extra change, and that human-written prefixes reproduce the same qualitative pattern as LLM-generated ones. We then introduce EmotionRL, an adaptive emotional prompting framework that selects emotional framing adaptively for each query. Although no single emotion is consistently beneficial, adaptive selection yields more reliable gains than fixed emotional prompting. Together, these findings show that emotional tone is neither a dominant driver of LLM performance nor irrelevant noise, but a weak and input-dependent signal that can be exploited through adaptive control.