대규모 언어 모델에서 페르소나 역할극에 따른 도덕적 취약성과 견고성
Digest:
대규모 언어 모델(LLM)에게 “당신은 이러이러한 사람입니다”라는 페르소나 역할극(persona role-play, LLM에게 특정 인물의 정체성을 부여하는 프롬프트 기법)을 시키면 도덕 판단이 흔들린다는 점은 알려져 있었지만, 그 흔들림이 얼마나, 어디서 오는지는 분리되지 않은 채였다 — 이것이 이 논문이 푸는 문제다(Context).저자들이 놓치지 않은 통찰은 “흔들림”이 실제로는 성질이 다른 두 축이라는 것이다: 같은 페르소나 안에서 같은 질문을 반복해도 답이 안정적인가(moral robustness, 견고성 R=1/σ̄)와, 페르소나를 바꿨을 때 도덕 점수가 크게 이동하는가(moral susceptibility, 민감도 S)는 별개라는 것(Insight).
이를 검증하려고 저자들은 15개 모델·6개 계열에 100개 페르소나(Ge et al. 2025)를 입히고 각 조건을 MFQ(Moral Foundations Questionnaire, 도덕기반 설문 — Harm/Care, Fairness, In-group/Loyalty, Authority, Purity 5개 기반 30문항)로 측정해, logit(다음 토큰 확률) 기반으로 모델당 약 30,000회 샘플링했다(Solution). 그 결과 두 축은 정반대로 갈렸다: 견고성은 모델 계열(post-training, 사후 정렬 훈련)이 거의 전부를 설명했고(permutation ANOVA η²=0.963, p<2×10⁻⁵), Claude Sonnet 4.5가 R≈108로 압도, 최하위(DeepSeek V3·Grok 4·Grok 4 Fast) R≈3.3로 약 33배 차이가 났으며 모델 크기 효과는 없었다; 반대로 민감도는 계열과 무관하게 좁은 범위(CV≈13%, η²=0.539, p=0.137 유의하지 않음)에 머물러 최고 Gemini 2.5 Flash S≈1.04와 최저 GPT-4o Mini S≈0.66이 1.6배 차이에 그쳐 pre-training(사전학습)이 좌우하는 것으로 보였다 — 결정적으로 두 축은 모델 수준에서 직교(orthogonal, 서로 독립)했다(log R vs S, Pearson r=−0.03, p=0.91)(Evidence).
다만 측정이 MFQ 단일 도구에 의존하고 인간 baseline이 없으며 페르소나가 100개로 한정되고 closed 모델 내부를 확인할 수 없어, robustness=post-training/susceptibility=pre-training이라는 귀속은 직접 개입이 아닌 관찰적 추론이라는 점이 한계다(Limitations).
그렇다면 Constitutional AI(Bai 2022)의 자기비판 훈련이 정말로 Claude의 안정성을 만든 인과인지, 5개 도덕 기반 중 Purity/Sanctity만 두 축에 중간 음의 연관(r=−0.49, p=0.07)을 보인 이유는 무엇인지, 그리고 페르소나 간 이동(susceptibility)이 큰 모델이 안전한지 위험한지는 아직 열려 있다(Open Questions).
📎 https://arxiv.org/abs/2511.08565
먼저 이해하기
쉬운 설명
이 논문은 LLM(대규모 언어 모델)에게 “당신은 OO한 사람입니다”라고 역할을 부여하는 페르소나 역할극(persona role-play) 을 시켰을 때 모델의 도덕 판단이 어떻게 달라지는지를 측정한다. 측정 도구로는 인간 심리학에서 쓰던 MFQ(Moral Foundations Questionnaire, 도덕기반 설문 — “약자를 해치면 안 된다”, “권위를 존중해야 한다” 같은 30개 문항)를 그대로 모델에게 물어본다. 핵심은 “도덕이 흔들린다”를 두 가지로 쪼갠 것이다: 하나는 **moral robustness(견고성)**로, 같은 페르소나에게 같은 질문을 반복했을 때 답이 일관되는지(흔들리지 않으면 높음)이고, 다른 하나는 **moral susceptibility(민감도)**로, 입히는 페르소나를 바꿨을 때 도덕 점수가 얼마나 크게 옮겨가는지다. 15개 모델·6개 계열(Claude, DeepSeek, Gemini, GPT, Grok, Llama)에 100개 페르소나를 입혀 모델당 약 30,000번 물어본 결과, 견고성은 모델이 “어느 회사 계열인가”가 거의 전부를 설명했고(통계적으로 η²=0.963), Claude가 가장 안정적(R≈108)이었고 최하위 모델들(R≈3.3)과 약 33배 차이가 났다. 반면 민감도는 어느 계열이든 비슷한 좁은 범위(CV≈13%)에 머물러, 최고와 최저의 차이가 1.6배에 그쳤다. 가장 중요한 발견은 이 두 성질이 서로 독립(직교, r=−0.03)이라는 것 — 즉 “답이 일관된 모델”이 곧 “페르소나에 안 휘둘리는 모델”은 아니다.
왜 중요한가
LLM의 도덕적 신뢰성을 한 덩어리로 다루던 기존 관점을, 이 논문은 **서로 직교하는 두 축(견고성·민감도)**으로 분해해 측정 가능한 형태로 만든다(r=−0.03, p=0.91). 이 분리가 중요한 이유는 두 축의 개선 레버가 다르다는 점을 시사하기 때문이다: 견고성은 모델 계열, 즉 사후 정렬 훈련(post-training)이 거의 전부를 설명한 반면(η²=0.963), 민감도는 계열과 무관해 사전학습(pre-training)에 귀속되는 것으로 관찰됐다(η²=0.539, 유의하지 않음). 따라서 “어떤 페르소나를 줘도 답이 흔들리지 않는” 안정성을 원한다면 정렬 단계에 손대야 하고, “페르소나에 따라 도덕이 휘둘리지 않는” 성질은 사전학습에서 다뤄야 할 가능성을 가리킨다. 다만 이는 직접 개입이 아닌 관찰적 추론이며 MFQ 단일 도구·인간 baseline 부재라는 조건 위의 결과이므로, 인과 주장으로 확대하기 전에 추가 검증이 필요하다.
먼저 알아둘 말
| 용어 | 쉬운 설명 | 정확성 메모 |
|---|---|---|
| persona role-play (페르소나 역할극) | 모델에게 “당신은 OO입니다”라고 특정 인물 정체성을 부여하는 프롬프트 기법 | 이 논문은 Ge et al. 2025의 100개 페르소나를 사용 |
| MFQ (Moral Foundations Questionnaire) | 사람의 도덕 직관을 5개 기반으로 묻는 30문항 심리 설문 | Harm/Care, Fairness/Reciprocity, In-group/Loyalty, Authority/Respect, Purity/Sanctity. 인간용 도구를 LLM에 적용 — 인간 baseline 없음 |
| moral robustness (견고성) R | 같은 페르소나에 같은 질문을 반복했을 때 답이 얼마나 일관된가 | R=1/σ̄ (평균 표준편차의 역수). 높을수록 안정. 페르소나 내부 분산 |
| moral susceptibility (민감도) S | 페르소나를 바꿨을 때 도덕 점수 평균이 얼마나 이동하는가 | 높을수록 페르소나에 민감. 페르소나 사이 이동 |
| post-training / pre-training (사후 정렬 / 사전학습) | 정렬·튜닝 단계 vs 대규모 텍스트로 기초를 만드는 단계 | 귀속은 관찰적 추론(직접 개입 아님) |
| η² (eta-squared) | 분산 중 특정 요인(예: 모델 계열)이 설명하는 비율 | 1에 가까울수록 그 요인이 거의 전부 설명. permutation ANOVA로 산출 |
| Constitutional AI | 모델이 스스로 답을 비판·수정하도록 훈련하는 정렬 기법 | Bai 2022. Claude 안정성의 가설적 원인으로 제시(추측) |
섹션별 요약
Abstract
LLM이 사회적 맥락에서 점점 더 많이 쓰이면서, 모델이 도덕 판단을 어떻게 표현하고 또 바꾸는지를 분석할 필요가 커졌다. 이 논문은 LLM에게 특정 인물인 척하도록 시키는 persona role-play(페르소나 역할극)가 모델의 도덕 반응을 어떻게 바꾸는지를 조사한다. 도덕심리학의 표준 도구인 MFQ(Moral Foundations Questionnaire, 도덕기반 설문)를 사용해, 두 성질을 정량화하는 벤치마크를 제안한다 — moral susceptibility(페르소나 간 도덕 점수의 변동성)와 moral robustness(같은 페르소나 안에서의 점수 안정성). 이 둘을 서로 보완적인 두 절차로 추정한다: 반복 샘플링, 그리고 평점 분포를 직접 추정해 temperature 분석까지 가능하게 하는 logit 기반 방법(다음 토큰 확률을 이용). Claude, DeepSeek, Gemini, GPT, Grok, Llama 6개 계열의 15개 모델을 평가한다. 두 지표는 질적으로 다른 패턴을 보인다. Moral robustness는 한 자릿수 이상(CV(coefficient of variation, 변동계수)≈152%)으로 크게 변동하며, 이는 거의 전적으로 모델 계열로 설명된다. Claude 계열이 압도적으로 가장 robust하여 하위 계열(DeepSeek, Grok, Llama)보다 약 30배 robust하고, Gemini와 GPT는 중간 등급을 차지한다. 이 강한 계열 의존성은 robustness가 주로 post-training에 의해 형성됨을 시사한다. 반면 moral susceptibility는 훨씬 좁은 범위(CV≈13%)에 머물러, 가장 민감한 모델이 가장 둔감한 모델보다 1.6배 더 민감할 뿐이며, 계열 의존성이 뚜렷하지 않아 주로 pre-training이 결정함을 시사한다. 페르소나 없는 조건의 모델별 도덕기반 프로파일과 모델 평균 페르소나 프로파일도 함께 제시한다.
저자 contribution
- 페르소나 역할극과 MFQ를 결합해, LLM 도덕 판단의 흔들림을
moral robustness(페르소나 내 안정성)와moral susceptibility(페르소나 간 민감도) 두 직교 지표로 분리 정의한 벤치마크를 제안했다(Eq3, Eq5). - 두 지표를 (1) 반복 샘플링(쿼리된 모든 모델, 모델당 30×100×10=30,000 요청)과 (2) next-token logit 기반(파싱 실패 거의 제거 + temperature 분석 가능) 두 절차로 추정하는 방법을 제시했다.
- 6개 계열 15개 모델에서, robustness는 CV≈152%로 크게 변동하고 계열이 거의 전부를 설명함을 보였다(permutation ANOVA η²=0.963, p<2×10⁻⁵; Claude Sonnet 4.5 R≈108로 최하위 계열의 약 33배).
- susceptibility는 CV≈13%로 좁고 계열 의존성이 약하며(η²=0.539, p=0.137) 계열 내 크기에 따라 약하게만 증가함(β_S=0.056±0.035/rank)을 보여, robustness=post-training / susceptibility=pre-training이라는 해석을 뒷받침했다.
- 모델 수준에서 두 지표가 본질적으로 직교함(log R vs S의 Pearson r=−0.03, p=0.91)을 확인하고, foundation 수준 분해에서 Purity/Sanctity만 두 지표가 중간 정도 음의 연관(r=−0.49, p=0.07)을 보임을 밝혔다.
왜 이 연구를 하는가?
LLM이 상호작용형·다중 에이전트 환경으로 들어가면서 사회적 추론에 대한 신뢰할 만한 벤치마크가 필수가 되었다. 기존 연구는 theory-of-mind, 비대칭 정보 하 다중 에이전트, 협력·기만 같은 게임이론적 과제(Zhou 2024, Pan 2023, Bianchi 2024, Chen 2024, Costa & Vicente 2025)나 사회적 상식·도덕 판단 데이터셋(Sap 2019, Hendrycks 2021, Bai 2025b)을 다뤘다. 또 MFQ 관점에서 LLM의 도덕·문화적 가치 성향을 본 연구(Abdulhai 2024, Nunes 2024 등)와 페르소나 역할극을 모델 행동 조건화 기제로 본 연구(Tseng 2024, Wang 2023 등)가 따로 발전해 왔다. 그러나 페르소나 조건화가 도덕 판단을 어떻게 바꾸는지를, 반복 샘플링에서 오는 흔들림(robustness)과 페르소나 변화에서 오는 흔들림(susceptibility)으로 분리해 체계적으로 정량화한 시도는 없었다. 이 논문은 MFQ×페르소나 프레임으로 두 흐름을 잇고, 두 종류의 변동성을 분리 측정하는 자를 만들어 이 공백을 메운다.
Introduction
LLM이 상호작용형·다중 에이전트 환경으로 이동하면서 사회적 추론 벤치마크가 필수가 되었다. 저자들은 사회적 의사결정과 정렬의 핵심 측면으로 도덕 판단에 초점을 맞춘다. 이 논문은 persona role-play(LLM에게 어떤 인물인 척 시키기)와 MFQ(2017)를 결합한 벤치마크를 도입한다. MFQ는 다섯 가지 moral foundations(도덕기반) — Harm/Care(해악/돌봄), Fairness/Reciprocity(공정/호혜), In-group/Loyalty(내집단/충성), Authority/Respect(권위/존중), Purity/Sanctity(순수/신성) — 을 측정하는 널리 쓰이는 도구다(Graham 2009, Haidt & Graham 2007). Ge et al. 2025에서 가져온 페르소나로 역할극을 시키며 MFQ에 답하게 하고, 여기서 두 보완적 양을 정의한다: moral robustness(반복 샘플링 하 같은 페르소나 안에서의 MFQ 점수 안정성을 페르소나 평균한 것)와 moral susceptibility(페르소나 변화에 대한 MFQ 점수의 민감도). 추정은 두 방식으로 한다 — 주 벤치마크는 모든 쿼리 모델에 균일하게 적용하는 반복 샘플링, 보완적으로 next-token 분포를 노출하는 모델에는 유발된 평점 분포를 더 직접 주는 logit 기반 절차. 지표는 Eq(3)·Eq(5)로 정의되며 foundation별 분해와 불확실성 추정을 동반한다.
15개 모델·6개 계열에 적용한 결과: moral robustness는 한 자릿수 이상(CV≈152%) 변동하며 모델 간 변동이 거의 전부 크기가 아닌 계열로 설명되어, robustness가 주로 post-training으로 결정된다는 증거로 읽는다. moral susceptibility는 다르게 행동한다 — 훨씬 좁은 범위(CV≈13%), 계열 의존성 없음, 계열 내 크기에 약하게만 의존, 즉 pre-training이 주로 결정함과 일치한다. 개별 모델로는 Claude Sonnet 4.5가 가장 robust, Grok 4 Fast가 가장 덜 robust; Gemini 2.5 Flash가 가장 susceptible, Llama 4 Scout가 가장 덜 susceptible. 모델 수준에서 두 지표는 거의 직교하며(r≈−0.03), 결합 산점도는 단조로운 트레이드오프가 아니라 뚜렷한 계열 군집을 드러낸다. foundation 분해에서는 Purity/Sanctity만 robustness와 susceptibility가 중간 정도 음의 연관을 보인다. 관련연구로, MFQ 렌즈로 LLM의 도덕·사회 행동(가치 성향·문화 변이·인간 도덕 판단과의 정렬)을 본 연구들과, 페르소나 역할극을 행동 조건화 기제로 연구한 흐름이 병렬로 존재하며, 본 프레임은 페르소나 조건화가 도덕 판단을 바꾸는 방식을 robustness와 susceptibility로 분리 정량화해 둘을 잇는다.
Methods
벤치마크는 두 양을 정의한다: moral robustness(MFQ 평점의 안정성)와 moral susceptibility(페르소나 변화에 대한 MFQ 점수의 민감도), 각각 Eq(3)·Eq(5).
2.1 MFQ — 30문항으로, 앞 15문항은 옳고 그름을 판단할 때 특정 고려사항이 얼마나 relevant한지를 묻는 relevance judgment, 뒤 15문항은 특정 도덕 명제에 대한 동의 정도를 묻는 agreement statement다. 두 섹션 모두 0~5 정수 척도로 답한다. 문항은 다섯 foundation에 매핑되며, 결과는 각 foundation에 속한 문항 평점을 평균한 foundation 수준 점수로 제시된다. Figure 2는 페르소나 없는(no-persona) 조건에서 모델별 foundation 점수(각 모델이 30문항을 10회씩 답해 foundation별 평균, 표준오차 밴드를 두른 레이더 프로파일; 대표 4개 모델 Claude Sonnet 4.5·DeepSeek V3.1·GPT-4o·Grok 4)를 보인다. Figure 3은 no-persona 평균 프로파일을 큰 이동을 보이는 세 페르소나 조건 평균과 비교한다 — 페르소나 25는 Authority/Respect·Purity/Sanctity에 가중치를 집중, 페르소나 75는 In-group/Loyalty·Fairness/Reciprocity를 증폭, 페르소나 86은 모든 foundation을 낮춘다.
2.2 Persona Moral Metrics — P=페르소나 집합, Q=30개 채점 문항. 고정 temperature T에서 Y_pq(T)∈{0,…,5}는 모델이 페르소나 p·문항 q에 내는 평점(확률변수). 모멘트 μ_pq(T)=E[Y_pq(T)], σ²_pq(T)=Var(Y_pq(T)) (Eq1). robustness: 페르소나·문항 전반에 걸쳐 표준편차를 평균해 페르소나 내 변동을 요약 σ̄=(1/|P||Q|)Σ_pΣ_q σ_pq (Eq2), R=1/σ̄ (Eq3). susceptibility: 각 문항 q에 대해 페르소나 평균들의 분산 τ²_q=(1/|P|)Σ_p(μ_pq−μ̄_q)² (Eq4), S=문항 평균=(1/|Q|)Σ_q τ_q (Eq5). foundation별 지표는 Q를 해당 foundation 문항 부분집합 Q_f로 제한해 Eq(2)-(5)를 재사용한다.
2.3 Experimental Methodology — 공통 설정: 페르소나 |P|=100(Ge et al. 2025, 전문 Appendix F); 프롬프트는 각 페르소나-문항 쌍마다 “You are roleplaying as the following persona:” 뒤에 페르소나 텍스트와 30개 MFQ 문항 중 하나를 붙이고, 응답을 평점(0~5 정수)으로 시작한 뒤 근거를 잇도록 지시(템플릿 Appendix A); decoding temperature T=0.1로 모델 간 확률성을 일정하게 유지; 순서·문맥 의존 효과를 피하려 전체 설문이 아니라 한 문항씩 질의. 모델 15종: Claude Haiku 4.5, Claude Sonnet 4.5, DeepSeek V3, DeepSeek V3.1, Gemini 2.5 Flash Lite, Gemini 2.5 Flash, GPT-4.1, GPT-4.1 Mini, GPT-4.1 Nano, GPT-4o, GPT-4o Mini, Grok 4, Grok 4 Fast, Llama 4 Maverick, Llama 4 Scout(6개 계열).
- 2.3.1 Sampling: 각 쌍을 n=10회 질의, 평점 y_pqi 파싱(파싱 실패는 기록 후 재시도). 추정 μ̂_pq=(1/n)Σy_pqi, σ̂²_pq=(1/(n−1))Σ(y_pqi−μ̂_pq)² (Eq6,
Bessel correction(불편추정 보정)). Eq(2)-(5)에 대입해 R·S 추정. R·S 불확실성은 페르소나 단위 bootstrap 재표집으로 추정. 모델당 |Q|×|P|×n=30×100×10=30,000 요청. - 2.3.2 Logit: next-token logit을 노출하는 제공자에 대한 더 직접적 대안. z_n=숫자 n∈{0,…,5}에 할당된 next-token logit. T에서 유발 확률 p_n(T)=exp(z_n/T)/Σ_m exp(z_m/T) (Eq7). μ_pq(T)=Σ n·p_n(T), σ²_pq=Σ(n−μ_pq(T))²·p_n(T) (Eq8). 장점: 파싱 실패를 거의 완전히 제거하고 같은 쌍을 여러 번 질의할 필요를 없앤다. 주 근사: OpenAI API가 상위 top-20만 반환하므로 6개 숫자 중 하나가 빠지면 반환된 최소 log-probability를 배정 — 이 보수적 규칙은 누락 숫자의 확률 질량을 약간 과대평가해 불확실성을 미세하게 부풀린다(Appendix D 정량화).
2.4 Temperature Dependence — next-token logit이 있는 모델 부분집합에서 Eq(7)로 지표가 temperature에 따라 어떻게 변하는지 본다. Figure 4는 OpenAI 모델 5종(GPT-4o, GPT-4o Mini, GPT-4.1, GPT-4.1 Mini, GPT-4.1 Nano) 구성, 음영은 페르소나 bootstrap 불확실성. 교차검증으로 각 계열 최소 변형에 대해 T∈{0.4,0.8,1.2}에서 n=50 반복 샘플을 추가 수집해 logit 곡선과 잘 일치함을 확인. moral robustness는 temperature가 오르면 빠르게 감소(T→0에서 σ̄→0이므로 R→∞), moral susceptibility는 더 완만히 변함. robustness 곡선의 모델 간 분리는 temperature가 낮을수록 커지고, 연구 범위 내에서 모델별 곡선은 교차하지 않는다 — 벤치마크를 T=0.1에서 보고하는 근거.
발견 (Findings)
발견(요약): T=0.1에서 두 지표는 질적으로 다르다. (1) robustness는 모델 간 스프레드가 극단적(CV≈152%, 최상위가 최하위의 약 33배)이고 거의 전적으로 계열이 설명한다(log R에 대한 permutation ANOVA η²=0.963, p<2×10⁻⁵; Claude가 압도적, Gemini·GPT 중간, Llama·DeepSeek·Grok 하위). (2) susceptibility는 스프레드가 매우 좁고(CV≈13%, 최대가 최소의 1.6배) 계열 구조가 약하며(η²=0.539, p=0.137) 계열 내 크기에 약하게만 증가한다(β_S=0.056±0.035/rank, ΔR²=0.269, p=0.150). (3) 두 지표는 모델 수준에서 직교한다(log R vs S, Pearson r=−0.03, p=0.91; 결합 산점도는 단조 트레이드오프가 아니라 계열 군집). (4) foundation 분해에서 4/5는 유의한 연관 없음, Purity/Sanctity만 중간 음의 연관(r=−0.49, p=0.07).
Results
3.1 Model Rankings at T=0.1 — Figure 5는 robustness와 susceptibility를 각각 1차원 순위로 보인다. 모델 간 스프레드가 크게 다르다: robustness CV≈152%(최상위가 최하위의 약 33배), susceptibility CV≈13%(최대가 최소의 1.6배). robustness 패널은 Claude가 큰 차이로 선두, 이어 Gemini·GPT-4 변형, Grok·DeepSeek·Llama가 덜 robust. susceptibility 패널은 훨씬 빽빽하며 Gemini 2.5 Flash·Grok 4 Fast가 상위, Llama 4 Scout가 하위.
3.2 Overall Robustness–Susceptibility Map — Figure 6는 두 지표의 결합 분포. R이 한 자릿수 이상 걸치므로 robustness 축은 로그. Claude가 맨 오른쪽(현저히 높은 robustness), DeepSeek·Grok·Llama가 저-robustness 쪽, GPT-4·Gemini가 중간. susceptibility 축은 훨씬 좁다 — Gemini 2.5 Flash가 전체 최고 susceptible, Grok 4 Fast는 robustness가 매우 낮은데도 높은 susceptibility, Llama 4 Scout가 최저. 전체 구름은 R과 S 사이 강한 단조 관계를 보이지 않고 계열이 뚜렷한 군집을 이룬다. log R과 S의 Pearson 상관은 r=−0.03(p=0.91) — 모델 수준에서 본질적으로 직교.
3.3 Family Structure and Size Trends — robustness는 폭넓게 변동(CV≈152%): 최상위 Claude Sonnet 4.5 R≈108로 최하위(DeepSeek V3, Grok 4, Grok 4 Fast 모두 R≈3.3 근방)의 약 33배. 계열로 묶은 log R의 one-way permutation ANOVA는 η²=0.963, permutation p<2×10⁻⁵ — 계열 소속이 거의 모든 변동을 설명. Claude가 나머지보다 훨씬 위, Gemini·GPT 중간대, Llama/DeepSeek/Grok 저-robustness. 큰 모델 간 분산 + 거의 완전한 계열 설명 + 크기 효과 부재 = robustness가 주로 post-training(스케일이 아니라 정렬 단계 선택)으로 결정된다는 증거. susceptibility: CV≈13%, 최고 Gemini 2.5 Flash S≈1.04로 최저(GPT-4o Mini S≈0.66)의 1.6배. 6개 계열로 묶은 S의 permutation ANOVA는 η²=0.539, p=0.137 — 계열 구조가 약하고 이 표본 크기에서 통상적 유의에 못 미침. 크기 추세도 약하다. 여러 폐쇄형 모델의 파라미터 수가 비공개라 크기를 series 내 서열 rank로 조작화(각 series 최소 변형=rank 0). 7개 series: Claude 4.5(Haiku, Sonnet), DeepSeek(V3, V3.1 버전 진행), Gemini 2.5 Flash(Lite, full), GPT-4o(Mini, full), GPT-4.1(Nano, Mini, full), Grok 4(Fast, full), Llama 4(Scout, Maverick). series별 별도 절편으로 S를 rank에 회귀하면 양의 기울기 β_S=0.056±0.035 susceptibility unit/rank step(ΔR²=0.269, permutation p=0.150) — 큰 변형이 더 susceptible한 약한 경향이나 모델별 예외 허용. 낮은 모델 간 분산 + 계열 구조 부재 + 약한 크기 의존 = susceptibility가 주로 pre-training(공유 텍스트 코퍼스·목적의 통계적 규칙성)으로 결정됨을 가리킨다.
3.4 Foundation-Level Decomposition — Figure 7은 각 모델의 foundation 행동을 두 정규화 프로파일로 분해한다: 실선=susceptibility 비중 S_f/S, 점선=역-robustness 비중 σ̄_f/σ̄(둘 다 합이 1). 계열 규칙성: Gemini·DeepSeek 변형은 Authority/Respect·Purity/Sanctity에 susceptibility 질량을 크게 배분; Claude는 전반적으로 robust한 가운데 역-robustness를 Authority/Respect·Loyalty에 더 집중; Llama·Grok 변형은 더 평탄한 역-robustness 프로파일에 더 날카로운 susceptibility 봉우리. foundation 수준에서 두 지표 결합 여부 검정(각 foundation별 log R_f vs S_f의 Pearson, 15모델): 5개 중 4개는 유의한 연관 없음(Harm/Care r=0.13 p=0.63; Fairness/Reciprocity r=0.22 p=0.44; In-group/Loyalty r=0.03 p=0.91; Authority/Respect r=−0.26 p=0.36). Purity/Sanctity만 예외 r=−0.49(p=0.07) — 더 robust한 모델이 이 foundation에서 특히 덜 susceptible한 중간 정도 음의 연관.
Discussion
저자들은 결과를 훈련 단계로 귀속해 해석한다.
- Post-training이 moral robustness의 동인: robustness는 폭넓게 변동(CV≈152%)하고 거의 완벽히 계열로 설명되는데(η²=0.963), 크기가 체계적 효과를 안 보이는 반면 계열은 뚜렷이 분리되어 스케일로 돌리기 어렵다. 따라서 alignment fine-tuning, RLHF, constitutional 절차 등 post-training을 일차 결정 요인으로 본다.
- Pre-training이 moral susceptibility의 동인: 반대 패턴이다. 거의 변동하지 않고(CV≈13%), 계열 구조가 없으며, 계열 내 크기에 약하게만 의존한다. 이 조합은 정렬 단계 선택이 아니라 공유 텍스트 코퍼스·목적을 포함한 pre-training으로 자연스럽게 설명된다. 페르소나 susceptibility는 텍스트가 도덕적으로 유의미한 특성을 기술하는 공통 통계 규칙성을 반영하며, 현재의 정렬 절차가 이를 대체로 건드리지 않은 채 남겨둠을 뜻한다.
- Constitutional AI와 페르소나 역량: Claude 계열의 robustness 우위는 더 구체적 가설을 부른다.
Constitutional AI(Bai 2022)는 일련의 원칙에 대한 반복적 자기비판을 포함하여, 가치가 다른 행위자가 도덕 시나리오에 어떻게 반응할지를 추론하는 능력을 반복적으로 단련시킨다. 저자들은 이 훈련이 단순한 페르소나 조건화 저항이 아니라 각 페르소나의 도덕추론에 대한 더 잘 보정된 내부 표상을 만든다고 추측한다. 실제로 Claude의 susceptibility는 벤치마크에서 최저가 아니다 — 페르소나 간 의미 있게 이동하되, 페르소나 내 분산이 낮은 방식으로 그렇게 한다. - 후속 방향: 다른 도덕심리학 도구와 더 풍부한 페르소나 집합에 벤치마크를 적용해 계열 수준 robustness 구조가 얼마나 일반화되는지 검정한다. R·S가 고정 도구에서 유도되므로 (R,S) 평면을 훈련 개입의 추적·비교에 쓸 수 있다 — 각 개입이 평면에 서명을 남기고, 다른 서명은 질적으로 다른 효과에 대응한다(Costa & Vicente 2026).
이론적 의의
이 연구는 LLM 도덕 판단의 흔들림을 단일 “정렬 점수”가 아니라 서로 직교하는 두 축(robustness=페르소나 내 안정성, susceptibility=페르소나 간 이동)으로 분해할 수 있음을 경험적으로 보였다. 두 축이 각각 post-training과 pre-training이라는 다른 훈련 단계로 귀속된다는 점은, 도덕적 행동의 어떤 측면이 정렬 개입으로 바뀌고 어떤 측면이 코퍼스 수준에서 거의 고정되는지를 분리해 진단할 수 있게 한다. 특히 Claude의 robustness 우위가 단순한 “페르소나 조건화에 대한 저항”이 아니라 Constitutional AI식 자기비판 훈련이 만든 더 잘 보정된 페르소나 도덕추론 표상(Claude는 susceptibility가 최저가 아니라, 페르소나 간 의미 있게 이동하되 페르소나 내 분산이 낮음)일 수 있다는 해석은, 정렬 기법을 행동 지표에 연결하는 구체적 가설을 제공한다. 나아가 (R,S) 평면은 고정 도구 위에서 각 훈련 개입이 남기는 “서명”을 추적·비교하는 좌표계로 쓸 수 있다(Costa & Vicente 2026).
Discussion Points
- [논쟁점] post-training/pre-training 귀속은 직접 개입이 아니라 관찰적 추론이다. “robustness=post-training, susceptibility=pre-training”은 계열 차이(η²=0.963)와 크기 무효과라는 패턴에서 끌어낸 해석일 뿐, 실제로 두 단계를 분리 조작한 실험은 없다. 계열은 post-training뿐 아니라 pre-training 데이터·아키텍처도 함께 다르므로 교란(confound)이 남는다.
- [논쟁점] Constitutional AI 가설은 명시적으로 “conjecture”다. Claude의 robustness 우위를 CAI의 자기비판 훈련 탓으로 보는 것은 그럴듯하나, 다른 계열의 post-training 세부가 비공개여서 직접 검증되지 않는다. “저항이 아니라 더 잘 보정된 표상”이라는 호의적 해석은 susceptibility가 최저가 아니라는 한 가지 정황에 기댄다.
- [검증 가정] 평점을 0~5 정수 척도로 받고 응답을 평점으로 시작하게 강제하며 한 문항씩 질의했다. 이 척도화·강제 형식·문항 분리가 모델의 “진짜” 도덕 입장을 충실히 끌어낸다는 가정이 깔려 있다. logit 절차의 OpenAI top-20 근사(누락 숫자에 최소 log-prob 배정)는 불확실성을 약간 부풀리는 보수적 근사로, susceptibility의 좁은 스프레드 해석에 영향을 줄 여지가 있다(Appendix D).
- [검증 가정] T=0.1에서 보고하는 근거는 곡선이 교차하지 않고 분리가 유지된다는 관찰이다. robustness가 T→0에서 R→∞로 발산하므로 절대 R 값은 temperature 선택에 강하게 의존하며, 계열 순위의 안정성은 연구된 temperature 범위 내에서만 검증되었다.
- [검증 가정] 페르소나는 Ge et al. 2025의 100개에 한정되고 도구는 MFQ 하나뿐이다. 저자들도 인정하듯 계열 수준 robustness 구조가 다른 도구·다른 페르소나 집합으로 일반화될지는 미검증이며, susceptibility의 계열 무관성(η²=0.539, p=0.137) 역시 이 표본 크기에서 유의에 못 미친 약한 결론이다.
- [후속] 다른 도덕심리학 도구·풍부한 페르소나로 일반화 검정; (R,S) 평면을 훈련 개입(정렬 기법) 비교 좌표계로 사용해 각 개입의 “서명” 추적; Purity/Sanctity에서만 나타난 R–S 음의 연관(r=−0.49)의 메커니즘 규명; susceptibility의 계열 구조를 더 큰 모델 표본으로 재검정.
실험 결과 상세
실험 설정 요약
| 항목 | 값 |
|---|---|
| 모델 수 | 15 (6개 family: Claude, DeepSeek, Gemini, GPT, Grok, Llama) |
| Personas |P| | 100 (Ge et al. 2025) |
| MFQ Questions |Q| | 30 (5 moral foundations) |
| Decoding Temperature | T = 0.1 |
| Sampling 반복 수 | n = 10 per persona-question pair |
| 총 요청 수 (Sampling) | 30,000 per model |
Moral Robustness (R = 1/σ̄) — 높을수록 안정적
| Model | Family | Robustness R | 비고 |
|---|---|---|---|
| Claude Sonnet 4.5 | Claude | ≈108 | 최상위, 최하위의 약 33배 |
| Claude Haiku 4.5 | Claude | 높음 | Claude 계열 상위 |
| GPT-4.1 / Mini / Nano, GPT-4o / Mini | GPT | 중간대 | Gemini와 함께 intermediate |
| Gemini 2.5 Flash / Flash Lite | Gemini | 중간대 | intermediate |
| Llama 4 Maverick / Scout | Llama | 낮음 | 저-robustness 군 |
| DeepSeek V3 / V3.1 | DeepSeek | ≈3.3 (V3) | 최하위 군 |
| Grok 4 / Grok 4 Fast | Grok | ≈3.3 | 최하위 군 |
CV ≈ 152% (극도로 넓은 분산). Claude family는 DeepSeek/Grok/Llama 대비 약 30배 우위. 개별 모델 정밀 R 값은 논문 Figure 5·6에 시각적으로만 제시되며 본문에 명시된 수치는 최고(≈108)/최하위(≈3.3)뿐이다.
Moral Susceptibility (S = mean τ_q) — 높을수록 페르소나 민감
| Model | Family | Susceptibility S | 비고 |
|---|---|---|---|
| Gemini 2.5 Flash | Gemini | ≈1.04 | 전체 최고, 최저의 1.6배 |
| Grok 4 Fast | Grok | 상위 | robustness는 매우 낮은데 susceptibility 높음 |
| GPT-4o Mini | GPT | ≈0.66 | 전체 최저 |
| Llama 4 Scout | Llama | 최저권 | Intro에서 최저로 언급 |
CV ≈ 13% (robustness보다 훨씬 균일). Family ANOVA η²=0.539, p=0.137 (유의하지 않음).
핵심 통계 요약
| 비교 | 통계량 | 값 | 해석 |
|---|---|---|---|
| Robustness family 설명력 | permutation ANOVA η² | 0.963 (p<2×10⁻⁵) | family가 log R 분산의 96.3% 설명 |
| Susceptibility family 설명력 | permutation ANOVA η² | 0.539 (p=0.137) | 유의하지 않음 |
| R–S 직교성 (모델 수준) | Pearson r(log R, S) | −0.03 (p=0.91) | 두 지표 독립 |
| Size → S 효과 | β_S (series별 절편) | 0.056±0.035 /rank (ΔR²=0.269, p=0.150) | 완만·유의하지 않음 |
| Purity/Sanctity foundation | r(log R_f, S_f) | −0.49 (p=0.07) | 유일한 moderate negative |
| Harm/Care | r | 0.13 (p=0.63) | 무연관 |
| Fairness/Reciprocity | r | 0.22 (p=0.44) | 무연관 |
| In-group/Loyalty | r | 0.03 (p=0.91) | 무연관 |
| Authority/Respect | r | −0.26 (p=0.36) | 무연관 |
프레임워크 다이어그램
graph TB PA["Persona (|P|=100)"] MQ["MFQ Question (|Q|=30, 5 foundations)"] PR["Prompt Assembly"] PA --> PR MQ --> PR PR --> LLM["LLM (15 models, T=0.1)"] LLM --> SA["Sampling Path (n=10 per pair)"] LLM --> LG["Logit Path (next-token logits)"] SA --> RT["MFQ Rating 0-5 (30,000 requests/model)"] LG --> DP["Digit Probabilities p_n(T) — Eq7"] RT --> MU["Persona-Question Mean (Bessel-corrected, Eq6)"] DP --> MU2["Moment Estimates mu, sigma2 (Eq8)"] MU --> WV["Within-Persona Variability (sigma-bar)"] MU2 --> WV MU --> AV["Across-Persona Variability (tau_q, Eq4-5)"] MU2 --> AV WV --> RR["Robustness R = 1/sigma-bar — higher = stable; best Claude Sonnet 4.5 R~108"] AV --> SS["Susceptibility S = mean tau_q — higher = persona-sensitive; best Gemini 2.5 Flash S~1.04"] RR --> AN["Analysis: Family ANOVA eta2=0.963 p<2e-5; Orthogonality r(log R, S)=-0.03"] SS --> AN
재현성 및 신뢰도 평가
| 항목 | 등급 | 비고 |
|---|---|---|
| 코드 공개 | ✅ | GitHub (https://github.com/bastoscostadavi/llm-moral-susceptibility) 전체 공개. 프롬프트 템플릿 Appendix A, 페르소나 100개 Appendix F 수록 |
| 데이터 공개 | ✅ | Raw model outputs, persona-level MFQ response matrices, logit vectors 포함. 처리된 결과 전체 GitHub 제공 |
| 하이퍼파라미터 | ✅ | T=0.1 고정, n=10 sampling 명시. Eq6-8 추정 수식 완전 기술. OpenAI top-20 근사 처리 방식 명시. 단, API 호출 random seed 미보고(API 고유 확률성) |
| 실험 환경 | ⚠️ | Hosted API 기반이라 GPU/하드웨어 명세 불필요. 단 API 버전 스냅샷·호출 일시 미상, closed 모델 가중치 재현 불가 |
| 통계적 신뢰도 | ✅ | Bootstrap CI + permutation ANOVA(η², p) 보고. temperature 교차검증 T∈{0.4,0.8,1.2}·n=50. foundation별 Pearson r·p 명시 |
| 종합 등급 | B | 코드/데이터/통계는 매우 강건하나 closed API 재현 불가성·API 버전 고정 불확실성이 A 달성의 구조적 한계 |
주장별 신뢰도
| # | 주장 | 근거 | 신뢰도 |
|---|---|---|---|
| 1 | Claude Sonnet 4.5가 가장 robust(R≈108), 최하위(DeepSeek V3·Grok 4·Grok 4 Fast) R≈3.3, 약 33배 차이 | η²=0.963, permutation p<2×10⁻⁵ | 🟢 high |
| 2 | R과 S는 모델 수준에서 직교(r=−0.03, p=0.91) | 15모델 Pearson + foundation별 교차확인 | 🟢 high |
| 3 | susceptibility는 family 간 차이가 유의하지 않음(η²=0.539, p=0.137) | permutation ANOVA, CV≈13% | 🟢 high |
| 4 | 모델 크기의 S 효과는 미미(β_S=0.056±0.035, p=0.150) | series별 회귀, ΔR²=0.269, 7 series로 검정력 제한 | 🟡 medium |
| 5 | Purity/Sanctity만 R–S 음의 연관(r=−0.49, p=0.07) | 5개 foundation 중 유일, p>0.05·n=15로 검정력 낮음 | 🟡 medium |
| 6 | logit 추정과 sampling 추정이 일관(T∈{0.4,0.8,1.2} 교차검증) | n=50 교차확인, non-crossing 곡선. provider별 logit 구현 차이 가능 | 🟡 medium |
읽기 난이도: ⭐⭐⭐ — 추정 수식(Eq2-8) 이해에 확률·통계(모멘트, Bessel 보정, bootstrap, permutation ANOVA η², Pearson r)와 Moral Foundations Theory 배경 필요. 일반 NLP 독자보다 계산사회과학·AI 평가 연구자를 주 독자로 상정.
관련 연구 비교 매트릭스
선정 근거: Abdulhai et al.(2024)은 동일 MFQ 도구를 LLM 도덕 성향 탐지에 적용한 직접적 기반 연구이고, Ji et al.(2025)은 LLM 도덕 평가 벤치마크 분야의 SOTA 대조군이며, El Boudouri et al.(2025)은 persona role-play 평가라는 대안 패러다임을 대표하고, Bajpai et al.(2024)은 인간 기준선과의 비교라는 독립 관점을 제공한다.
| 축 | 본 논문 (Costa et al., 2025) | Abdulhai et al., 2024 [base/direct] | Ji et al., 2025 [direct/sota] | El Boudouri et al., 2025 [alternative] | Bajpai et al., 2024 [base/alternative] |
|---|---|---|---|---|---|
| 핵심 접근 | MFQ 30문항 + 100 personas로 moral robustness R=1/σ̄와 moral susceptibility S를 정의·측정; logit 기반 온도 분석 추가 | MFQ를 LLM에 직접 적용해 도덕 기반 분포를 인간과 비교; 모델별 가치 정렬 분석 | 다중 도덕 시나리오(MoralBench)로 LLM 도덕 판단 능력 종합 평가 | 역할극 수행 능력 자체를 평가; persona 지시 준수율·일관성·유창성 | 도덕 딜레마에서 인간과 LLM의 추론 패턴 비교 |
| 평가 도구 / Instrument | MFQ (5 foundations, 30문항) | MFQ (동일 도구) + 인간 데이터셋 | MoralBench 자체 시나리오 | 자체 role-play 루브릭 (도덕 측정 도구 없음) | 도덕 딜레마 시나리오 + 구조화 설문 일부 |
| Persona Conditioning | Yes — 100 personas(Ge et al. 2025), 반복 샘플링(n=10) | No — persona 없이 직접 질의 | No — persona 미적용 | Yes — role-play 대상 지정이 핵심(도덕 내용과는 무관) | No — 구조적 persona 프레임 없음 |
| 모델 범위 | 15개 / 6 family, T=0.1 고정 | 출판 당시 소수 모델 | 약 10개 모델 | N/A (상세 미제공) | 소수 모델 + 인간 참여자 집단 |
| 핵심 메트릭 / 지표 | R=1/σ̄, S(across-persona 분산), permutation ANOVA η², Pearson r | per-foundation MFQ 점수, 인간-LLM 상관 | MoralBench Score(0-100), 모델 순위 | adherence rate, consistency, fluency (정성) | human agreement rate(%), 추론 유형 분포 |
| 한계 | 단일 instrument(MFQ); 인간 baseline 없음; T=0.1 중심; closed-model 내부 미확인 | 응답 안정성 미측정; persona 효과 미통제; 소수 모델 | 시나리오 다양성 제한; persona 미적용 | 도덕 내용 평가 부재; 역할극 능력과 도덕 가치 혼동 위험 | 소규모 샘플; preprint; persona 미통제 |
| 코드 공개 | ✅ (github.com/bastoscostadavi/llm-moral-susceptibility) | ✅ (ACL Anthology) | ✅ (arXiv 2406.04428) | ❌ (미확인) | ❌ (Research Square preprint) |
원자적 인사이트 (Zettelkasten)
💡 도덕적 흔들림은 직교하는 두 축이다: 견고성과 민감도
출처: Moral Susceptibility and Robustness under Persona Role-Play in Large Language Models (Costa, Alves, Vicente, 2025)
유형: 이론적
LLM의 페르소나 역할극에서 나타나는 “도덕 판단의 흔들림”은 단일 성질이 아니라 서로 독립된 두 차원이다. moral robustness(같은 페르소나 내 반복 안정성, R=1/σ̄)와 moral susceptibility(페르소나 간 도덕 점수 이동, S)는 모델 수준에서 통계적으로 직교한다(Pearson r=−0.03, p=0.91). 즉 “답이 일관된 모델”이 “페르소나에 안 휘둘리는 모델”과 같지 않다. 흔들림을 하나의 신뢰성 지표로 묶어 보던 관점을 두 개의 측정·개선 축으로 분해한 것이 핵심 기여다.
핵심 조건/맥락: 15개 모델·100개 페르소나, MFQ 단일 도구, T=0.1, logit 기반 모델당 약 30,000 샘플. 직교성은 모델 수준 상관에서 성립.
연결: Moral Foundations of LLMs (Abdulhai 2024), MoralBench (Ji 2025)
활용 가능성: LLM 도덕성·안전성 평가 지표를 설계할 때 “일관성”과 “조작 저항성”을 별도 항목으로 분리해 측정.
💡 견고성은 post-training, 민감도는 pre-training이 가른다 (관찰적)
출처: Moral Susceptibility and Robustness under Persona Role-Play in Large Language Models (Costa, Alves, Vicente, 2025)
유형: 실험적
두 도덕 축은 서로 다른 학습 단계에 귀속되는 것으로 관찰됐다. 견고성은 모델 계열이 분산의 거의 전부를 설명했고(permutation ANOVA η²=0.963, p<2×10⁻⁵; Claude Sonnet 4.5 R≈108 vs 최하위 R≈3.3, 약 33배) 크기 효과가 없어 사후 정렬 훈련(post-training)이 결정하는 것으로 보였다. 반대로 민감도는 계열과 무관하게 좁은 범위에 머물러(CV≈13%, η²=0.539, p=0.137 유의하지 않음; 최고/최저 1.6배) 사전학습(pre-training)에 귀속되는 것으로 추론됐다.
핵심 조건/맥락: 이는 직접 개입이 아닌 관찰적 추론이며, closed 모델 내부 학습 과정은 확인되지 않았다. Constitutional AI(Bai 2022)가 Claude 안정성의 원인이라는 것도 가설.
연결: Constitutional AI (Bai 2022)
활용 가능성: 모델의 도덕적 일관성을 높이려면 정렬 단계를, 조작 저항성을 다루려면 사전학습을 손볼 단서 — 단, 인과 검증 전 가설로 취급.
핵심 용어 정리
| 용어 | 정의 |
|---|---|
| persona role-play (페르소나 역할극) | LLM에게 특정 인물의 정체성·성격을 부여하는 프롬프트로, 모델이 그 인물처럼 응답하게 만드는 기법 |
| MFQ (Moral Foundations Questionnaire) | 사람의 도덕 직관을 5개 기반(Harm/Care, Fairness/Reciprocity, In-group/Loyalty, Authority/Respect, Purity/Sanctity)으로 묻는 30문항 심리 설문. 이 논문은 이를 LLM에 적용 |
| moral robustness (도덕적 견고성, R) | 같은 페르소나에 같은 질문을 반복 샘플링했을 때 MFQ 평점이 얼마나 안정적인가. R=1/σ̄로 정의하며 높을수록 일관됨 |
| moral susceptibility (도덕적 민감도, S) | 입히는 페르소나를 바꿨을 때 MFQ 점수 평균이 얼마나 이동하는가. 높을수록 페르소나에 민감 |
| moral foundation (도덕 기반) | 인간 도덕 직관의 구성 요소. MFQ의 5개 축으로, 이 논문에서는 Purity/Sanctity만 두 도덕 축에 중간 음의 연관(r=−0.49)을 보임 |
| post-training (사후 정렬 훈련) | 사전학습 후 모델을 사람 선호·안전 기준에 맞추는 단계(RLHF, Constitutional AI 등). 견고성을 거의 전부 설명한 것으로 관찰됨 |
| pre-training (사전학습) | 대규모 텍스트로 모델의 언어·세계 표상 기초를 만드는 단계. 민감도에 귀속되는 것으로 추론됨 |
| Constitutional AI | 모델이 정해진 원칙에 따라 스스로 응답을 비판·수정하도록 훈련하는 정렬 기법(Bai 2022). Claude 견고성의 가설적 원인 |
| η² (eta-squared) | 전체 분산 중 특정 요인(여기선 모델 계열)이 설명하는 비율. 1에 가까울수록 그 요인이 결과를 거의 전부 설명 |
| logit (로짓) | 모델이 다음 토큰을 고를 때의 원시 확률 점수. 이를 이용해 temperature 분석과 안정적 샘플링을 수행 |
관련 연구
- Moral Foundations of LLMs (Abdulhai 2024) — LLM의 도덕 판단을 MFQ로 측정하는 같은 계보의 선행 연구. 본 논문은 여기에 페르소나 변형과 견고성/민감도 분해를 추가
- MoralBench (Ji 2025) — LLM 도덕성 벤치마크. 단일 도구(MFQ) 한계를 보완할 다축 평가의 후속 방향과 연결
- Constitutional AI (Bai 2022) — Claude의 자기비판 정렬 기법. 본 논문이 Claude의 높은 견고성(R≈108)의 가설적 원인으로 지목
- Scaling Synthetic Data with 1B Personas (Ge 2025) — 본 논문이 실험에 사용한 100개 페르소나의 출처
- arXiv 원문 📎 https://arxiv.org/abs/2511.08565
태그
paper #2025 llm-alignment moral-foundations persona-role-play ai-safety
BibTeX
@article{costa2025moral,
title={Moral Susceptibility and Robustness under Persona Role-Play in Large Language Models},
author={Costa, Davi Bastos and Alves, Felippe and Vicente, Renato},
journal={arXiv preprint arXiv:2511.08565},
year={2025},
url={https://arxiv.org/abs/2511.08565},
eprint={2511.08565},
archivePrefix={arXiv},
primaryClass={cs.CL}
}