はじめに#

「This is very important to my career.」

2023年から2024年にかけて、プロンプトの末尾にこの一文を足すと精度が上がる、という話をよく見かけた。日本語でも「私のキャリアに関わる重要な問題です」と書く人がいたし、「深呼吸して一歩ずつ考えて」もセットで流行った。自分も一時期、何も考えずに足していた。

最近、ふと気づいた。この話を聞かなくなった。Claude や GPT の公式プロンプトガイドにそんな項目はないし、周りで足している人も見ない。

で、次に思ったのが、そもそもあれ、根拠あったんだっけ、である。流行ったときに論文まで読んだ記憶がない。「Microsoft の論文で示された」という伝聞だけで足していた。

調べてみたら、これは感情プロンプト研究という小さな分野になっていて、3年で焦点がはっきり移動していた。起点の論文から始まり、モデルの高度化で精度の話が下火になり、いまは「内部で感情がどう表現されているか」の話になっている。その流れを追いつつ、自分がどう決めたかを書く。

先に流れを表にしておく。

起点：EmotionPrompt は何を示したか#

起点は Li らの Large Language Models Understand and Can be Enhanced by Emotional Stimuli（arXiv:2307.11760、2023年7月）である¹。所属は中国科学院、Microsoft、William & Mary など。「Microsoft の論文」という伝聞は、責任著者が当時 Microsoft だった点では合っている。

手法は本当に短い。元のタスク指示の後ろに、心理学から借りた刺激文を1本足す。刺激文は11本ある。

見てわかるとおり、ここでいう「感情」は喜びや恐れではない。キャリアへの重要さ、確信の要求、自己効力の励まし、つまり人間を動かすときに使う社会的圧力と褒め言葉である。EP01 と EP06 に至っては、確信度を出せという指示の追加であって、感情と呼ぶのは苦しい。

実験は Instruction Induction 24 タスクと BIG-Bench 21 タスク、モデルは Flan-T5-Large から GPT-4 まで6本。加えて GPT-4 で作った生成タスクを106人に採点させた¹。

派生：2026年になっても「4.5ポイント差」は出る、ただし#

同じ系統の派生として、Gozzi と Fallucchi（2026年3月、MDPI Big Data and Cognitive Computing）がある³。今回の調査資料は、この論文の検証を軸に組んである。

こちらは末尾に励ましを足すのではなく、同じ課題文を喜び・無関心・怒り・恐れの4トーンで書き換えて SuperGLUE を解かせる。対象は 4bit 量子化したオープンウェイト5本（Mistral 7B、Llama 3.1 8B、Qwen 2.5 7B、Gemma 2 9B、Llama 3.2 3B）、温度 0。

結果は、全モデル・全タスク平均で Joy 58.08%、Apathy 56.44%、Anger 56.04%、Fear 53.60%。Joy と Fear の差が 4.48 ポイントで、著者はこれを「感情が文体の飾りを超えて成績を動かす証拠」と読む³。

ただし表を分解すると、話は EmotionPrompt と同じ形になる。

• 効果量は著者自身が small と認めている。Joy vs Fear の Cohen’s d は 0.177 で、慣例上 d < 0.2 は small
• 差を作っているのは小さいモデルである。Llama 3.2 3B の CB は Joy 43.6% に対し Fear 0.0%、RTE は Apathy 72.2% に対し Fear 21.2%。一方で Gemma 2 9B は感情差がほぼない（61.6〜63.9%）
• Fear プロンプトは「急ぐな」「慎重に」と書く。小さいモデルが entailment / not_entailment を出さずに正規表現の採点がゼロになる経路と、「恐れが推論を壊す」経路が区別できない。表と整合するのは前者である
• 付録の実プロンプトを見ると、トーンだけでなく長さも指示の曖昧さも一緒に動いている。無関心版は「Just answer…」と短く、喜び版は「This is fun」「have fun」と長い。トーンとプロンプト品質が交絡している

さらに細かい点として、ReCoRD だけ BLEU で採点した数字を他タスクの Accuracy と算術平均して 58.08% を出している。尺度が違う数字を足している。

つまり、2026年になっても「感情でベンチマークが動く」論文は出続けている。ただし中身は、小さいモデルが変な口調で出力形式を崩すという現象を、感情の効果として売っている形に見える。

モデルが強くなると、上積みが消えた#

現場で「career を足せば得点が上がる」話が下火になったのは、流行が去ったからではなく、上積み自体が小さくなったからだと思う。証拠は複数の方向から並ぶ。

起点の論文が既に書いていた。 EmotionPrompt は「モデルが大きいほど得をしうる、ただし GPT-4 のように元点が高いと上積みは小さい」と書いている¹。2023年時点で最強だった GPT-4 で、既に伸びしろは薄かった。

派生でも同じ。 Gozzi で感情差がほぼ消えていたのは、5本のうち最も強い Gemma 2 9B である³。

静的なフレーミングは小さい。 Zhao ら（2026、arXiv:2604.02236）は一人称の感情接頭辞を6領域のベンチマークに足し、静的な感情フレーミングはおおむね小さな精度変動にとどまると報告する⁴（抄録ベースで、査読版は未確認）。

逆方向の結果が出ている。 Dokme ら TEMPER（2026、arXiv:2604.07801）は GSM8K / MultiArith / ARC-Challenge の数字を保ったまま6感情の文体で包み、1B からフロンティアまで 18 モデルで測った。感情で包むと精度が 2〜10 ポイント落ちる。非感情の言い換えでは落ちない。中立化すると壊れた問題の約 70% が戻る。フロンティアでも 2〜4 ポイント、GPT-5.4 と o3 でも 1〜3 ポイント残る⁵。難問だから感情が効く、とは逆向きである。

「深呼吸」も深呼吸が効いたのではない。 有名な “Take a deep breath and work on this problem step-by-step” は Yang ら OPRO の自動探索が拾った文で、同じ表では “Break this down.” が 79.9%、深呼吸版が 80.2% だった⁶。中身は step-by-step の言い換えに近い。

個人の系統評価も同じ方向。 sanand0 の 40 モデル比較では、感情・称賛・脅し・丁寧さは算術をほぼ動かさないか少し下げ、「Think step by step」だけがわずかに上がる⁷。査読論文ではないが、条件数とモデル数は大きい。

ここまでで、精度の話はほぼ閉じている。「動いた数字はある。ただし小さいか、事後最良か、形式崩壊か、思考を伸ばした交絡か、のいずれか」である。

焦点は内部表現へ移った#

研究が止まったわけではない。測る場所が、プロンプトの外側から残差ストリームの内側へ移った。

前半の結論は「感情刺激を足して点が動いても、理解しているとは言えない」だった。2024年以降の解釈可能性研究は、その留保に対する答えとして、線形方向・ニューロン・回路・因果的ステアリングを積み上げている。

芽は 2024 年にあった。Tigges ら（BlackboxNLP 2024）は感情の正負を活性化空間の単一の線形方向として取り出し、その方向を消すと SST のゼロショット分類が 100% から 62%（チャンス 50%）へ落ちると示した¹⁰。

決定版に近いのが Anthropic の Emotion Concepts and their Function in a Large Language Model（2026年4月、Sofroniew ら）である^{8 9}。対象は Claude Sonnet 4.5。感情語 171 語について、モデル自身にその感情を経験する短編を書かせ、残差ストリームの活性化を平均して感情ごとの方向を取る。著者はこれを便宜上 emotion vectors と呼ぶ。

何が示されたか。

• ベクトルは、感情名を言わないシナリオでも対応する感情で発火する。Tylenol の用量を数字だけ変えると危険量で afraid が上がり calm が下がる。表層の感情語ではなく状況の意味に反応する
• 空間の幾何は人間の感情心理学に近い。PCA の第1成分は valence（快／不快、人間評定との r = 0.81）、第2成分は arousal（r = 0.66）に載る
• ステアリングで行動が因果的に動く。64個の活動をペアで選ばせると blissful の発火は選好と r = 0.71、hostile は r = −0.74。35本をステアすると効果量は元の相関に比例する（r = 0.85）
• アライメント評価では、未公開スナップショットのベースラインで恐喝が 22%。desperate を強さ 0.05 で足すと 72%、calm を同じ強さで足すと 0%。公開版 Sonnet 4.5 は評価自覚が強く、このシナリオではほとんど恐喝しない
• 報酬ハッキング（不可能な単体テストをチートで通す）でも desperate と calm は逆向きに効く。横断で desperate を −0.1 から +0.1 まで動かすと、およそ 5% から 70% へ動く
• desperate を足しても、出力に感情語が出ないことがある。内部の感情方向が行動を動かし、表に出ない

オープンウェイトでの追試もある。van der Ben ら（arXiv:2606.26987）は Apertus-8B と Gemma-4-E4B で valence の幾何を再現した（PC1 と人間 valence のピーク相関 r = 0.76 / 0.83）¹¹。Claude 固有の幻覚ではない。

ただし著者が繰り返し書く留保を一緒に置く必要がある。これは functional emotions であり、主観的に「感じている」ではない。ベクトルは特定の主体の持続的な情動状態ではなく、そのトークン位置でこれから出す文に関係する operative な表現である。物語の登場人物の感情を一時的に追い、話が終わると Assistant 側に戻る⁹。

「信じろ」か「続けろ」か#

ここまで読んで、ひとつ引っかかる話があった。最上位モデルが数学の難問で「自分を信じて最後までやれ」みたいなプロンプトで解けた、という逸話である。感情プロンプトが最上位でも難問には効くのか、それとも単にループさせ続けたのが良かったのか。

両方に読めるのは、現場のプロンプトがだいたい複合だからである。「自分を信じて進め」は、EmotionPrompt の EP07（Believe in your abilities）と、思考を止めない指示が一本に入っている。効いたときに、感情が効いたのか、生成を伸ばしたのか、会話を回したのかが分離できない。切り分けた実験を先に見る。

自分はどう決めたか#

調べた結果、次のように決めた。

精度目的のおまじないはやめる。 「私のキャリアに関わる重要な問題です」も「深呼吸して」も、自分の使うモデル（Claude や GPT の最上位）で精度が上がる根拠は見つからなかった。動いた数字はあるが、小さいか、事後最良か、小さいモデルの形式崩壊か、思考を伸ばした交絡かのどれかで、自分の環境には乗らない。TEMPER を信じるなら、むしろ数学系では邪魔になりうる。

見直しループと思考予算は使う。 こちらは根拠がある。s1 の Wait、SmartSwitch のバックトラック、Fable 5.1 の effort と「完了まで止まるな」指示は、どれも感情ではなくテスト時計算の配分の話で、数字が出ている。具体的には、

• 難しい問題は effort を上げる。励まし文を足す前に、まずここを動かす
• 答えが返ってきたら「もう一度見直して」と返す。この一言は Wait の人間版で、感情語は要らない
• 長いタスクは「完了まで止まるな、エラーが出たら再試行しろ」を指示に入れる。ガイドの推奨どおり

なぜ励ましが効いたように見えたのか、についての自分の解釈。 人間相手のとき、励ましと再試行はセットで来る。「大丈夫、もう一回やってみて」と言うとき、効いているのは「もう一回」のほうでも、記憶に残るのは「大丈夫」のほうである。LLM に対しても同じことが起きていて、「自分を信じて最後までやれ」の「最後までやれ」が効いたのを、「自分を信じて」が効いたと覚えていた。s1 が Wait と Hmm を分けて測ったのは、人間がふだん分けない二つを分けたということで、分けた結果、効いていたのは再試行側だけだった。

感情プロンプトを足していた頃の自分は、たぶん励ましと再試行の区別がついていなかった。区別がついた今は、再試行だけ残せばいい。

おわりに#

感情プロンプト研究の3年を、自分なりにまとめるとこうなる。

1. 2023年、起点。 末尾に動機づけ文を足すとベンチマークが動く、と EmotionPrompt が示した。ただし見出しの 115% は事後最良と低ベースラインの相対比で、平均の絶対差は 1〜2 ポイント。著者自身が心理学との食い違いを未解決と書いていた
2. 2024〜2026年、頭打ち。 GPT-4 では伸びしろが小さいと起点論文が既に書き、派生でも強いモデルでは差が消え、2026年には感情で包むと数学が落ちるという逆向きの結果まで出た
3. 2026年、内部へ。 Anthropic が Claude の残差ストリームに感情概念の線形方向を見つけ、足し引きで選好・恐喝・報酬ハッキングが因果的に動くと示した。ただしそれは行動の話で、正答率の話ではない

「感情を理解したから推論が上がった」は、この3年で一度も示されていない。内部で感情概念が動くことと、プロンプトに感情語を足せば精度が上がることは、別の話だった。

なので、おまじないは外す。そのぶん「もう一度見直して」と effort に予算を回す。効いていたのは、たぶん最初からそっちだった。

参考文献#

1. Li, C.; Wang, J.; Zhang, Y. et al. Large Language Models Understand and Can be Enhanced by Emotional Stimuli. arXiv:2307.11760, 2023. https://arxiv.org/abs/2307.11760
2. Li, C.; Wang, J.; Zhang, Y. et al. The Good, The Bad, and Why: Unveiling Emotions in Generative AI. Proceedings of the 41st International Conference on Machine Learning, PMLR 235:28905–28934, 2024. https://proceedings.mlr.press/v235/li24bs.html
3. Gozzi, M.; Fallucchi, F. Emotional Framing in Prompts Modulates Large Language Model Performance. Big Data Cogn. Comput. 2026, 10(4), 102. https://doi.org/10.3390/bdcc10040102
4. Zhao, M. et al. Do Emotions in Prompts Matter? Effects of Emotional Framing on Large Language Models. arXiv:2604.02236, 2026. https://arxiv.org/abs/2604.02236
5. Dokme, A.; Reichman, B.; Heck, L. TEMPER: Testing Emotional Perturbation in Quantitative Reasoning. arXiv:2604.07801, 2026. https://arxiv.org/abs/2604.07801
6. Yang, C. et al. Large Language Models as Optimizers. arXiv:2309.03409, 2023. https://arxiv.org/abs/2309.03409
7. Anand, S. Emotion Prompts Don’t Help. Reasoning Does. 2025. https://sanand0.github.io/llmevals/emotion-prompts/
8. Anthropic. Emotion concepts and their function in a large language model. 2026-04-02. https://www.anthropic.com/research/emotion-concepts-function
9. Sofroniew, N.; Kauvar, I.; Saunders, W. et al. Emotion Concepts and their Function in a Large Language Model. arXiv:2604.07729, 2026. https://arxiv.org/abs/2604.07729
10. Tigges, C.; Hollinsworth, O. J.; Geiger, A.; Nanda, N. Language Models Linearly Represent Sentiment. BlackboxNLP 2024. https://aclanthology.org/2024.blackboxnlp-1.5/
11. van der Ben, S.; Baur, R.; Metz, Y.; El-Assady, M. Where Do Models Find Happiness? Emotion Vectors in Open-Source LLMs. arXiv:2606.26987, 2026. https://arxiv.org/abs/2606.26987
12. Song, C.; Zhang, Y.; Gao, H.; Yang, C.; Zhang, P. Large Emotional World Model. arXiv:2512.24149, 2025. https://arxiv.org/abs/2512.24149
13. Muennighoff, N. et al. s1: Simple test-time scaling. EMNLP 2025. https://arxiv.org/abs/2501.19393
14. Zhang, X. et al. SmartSwitch: Advancing LLM Reasoning by Overcoming Underthinking via Promoting Deeper Thought Exploration. arXiv:2510.19767, 2025. https://arxiv.org/abs/2510.19767
15. Chen, R. et al. Boosting Self-Efficacy and Performance of Large Language Models via Verbal Efficacy Stimulations. arXiv:2502.06669, 2025. https://arxiv.org/abs/2502.06669
16. Claude Docs. Prompting Claude Fable 5.1（Consider all effort levels / Finish the whole task）. https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-1
17. It’s Not That Simple. An Analysis of Simple Test-Time Scaling. arXiv:2507.14419, 2025. https://arxiv.org/abs/2507.14419