報酬が「成功(1)」か「失敗(0)」しかなく；途中のプロセスが評価されない過酷な報酬環境を何と呼ぶか。

LLMに「あなたはプロの編集者です」といった役割を与えることで；回答の質やトーンを調整する手法を何というか。