資格道場
生成AIパスポート 全分野の一問一答
📖 生成AIパスポート「全分野」の全205問と解説（一覧）
生成AIパスポートの全分野に関する一問一答（全205問）の正解と解説の一覧です。上の一問一答で実際に解いてから、ここで復習・確認できます。
-
問1．AIは、特定の課題に特化した「特化型AI（ANI）」と、人間のように幅広い課題に対応できる「汎用型AI（AGI）」に大別され、現在実用化されているAIはほぼ特化型AIである。
正解：○（正しい）
解説：現在実用化されているAIは、画像認識や翻訳など特定タスクに特化した特化型AI（ANI＝Artificial Narrow Intelligence）です。人間のように分野を問わず対応できる汎用型AI（AGI）はまだ実現していません。
-
問2．機械学習は、大きく「教師あり学習」「教師なし学習」「強化学習」の3つに分類される。
正解：○（正しい）
解説：機械学習は教師あり学習（正解ラベル付き）・教師なし学習（ラベルなし）・強化学習（報酬による試行錯誤）の3つに大別されます。生成AIの多くはこれらを組み合わせて学習します。
-
問3．教師なし学習とは、正解ラベルの付いたデータを用いて入力と出力の対応関係を学習する手法である。
正解：×（誤り）
解説：誤り。正解ラベル付きデータで学習するのは「教師あり学習」です。教師なし学習は正解ラベルのないデータから、クラスタリングや次元削減などによりデータの構造・パターンを見つけ出す手法です。
-
問4．強化学習は、エージェントが環境との相互作用を通じて得られる報酬を最大化するように行動方針を学習する手法である。
正解：○（正しい）
解説：強化学習は、試行錯誤の中で得られる報酬（reward）が大きくなるよう行動を学習します。囲碁AIや、大規模言語モデルの調整に使われるRLHFなどが代表例です。
-
問5．ディープラーニング（深層学習）とは、多層のニューラルネットワークを用いた機械学習の一手法である。
正解：○（正しい）
解説：ディープラーニングは、多数の層を重ねたニューラルネットワークにより、データから特徴を自動的に学習する機械学習の手法です。画像・音声・自然言語処理で高い性能を発揮し、生成AIの基盤技術となっています。
-
問6．CNN（畳み込みニューラルネットワーク）は、主に画像認識の分野で高い性能を発揮するモデルである。
正解：○（正しい）
解説：CNN（Convolutional Neural Network）は、畳み込み層により画像の局所的な特徴を捉えるため、画像認識・画像分類で広く用いられます。
-
問7．RNNやLSTMは、時系列データや文章のように順序（系列）を持つデータの処理に適したモデルである。
正解：○（正しい）
解説：RNN（再帰型ニューラルネットワーク）やその改良版であるLSTMは、前の情報を保持しながら系列を処理できるため、文章・音声・時系列データに適しています。近年はTransformerに主役を譲りつつあります。
-
問8．Transformerは、Attention（注意機構）を中核とするモデル構造で、GPTをはじめとする現在の大規模言語モデルの基盤となっている。
正解：○（正しい）
解説：2017年に提案されたTransformerは、Attention（注意機構）により文中の単語間の関係を効率的に捉えます。GPTやBERTなど現在の大規模言語モデル（LLM）の基盤アーキテクチャです。
-
問9．ハルシネーション（hallucination）とは、生成AIが事実に反する内容を、もっともらしい体裁で生成してしまう現象を指す。
正解：○（正しい）
解説：ハルシネーションは、生成AIが実在しない情報や誤った事実を自信ありげに出力する現象です。利用者は出力を鵜呑みにせず、一次情報での事実確認（ファクトチェック）が重要になります。
-
問10．GPTは、文章を前後両方向から同時に読み込むBERTと全く同じ仕組みを採用しており、主に文章の穴埋めや分類に特化したモデルである。
正解：×（誤り）
解説：誤り。BERTは双方向に文脈を読み込み穴埋め等で学習しますが、GPTは前の単語から次の単語を予測する「自己回帰（一方向）」型で、文章生成に強みを持ちます。両者は仕組みが異なります。
-
問11．RLHF（人間のフィードバックによる強化学習）は、モデルの出力を人間にとって好ましく安全なものに近づけるために用いられる手法である。
正解：○（正しい）
解説：RLHF（Reinforcement Learning from Human Feedback）は、人間による出力の評価を報酬として学習し、有害・不適切な出力を抑え、人間の意図に沿った応答へ調整（アラインメント）する手法です。ChatGPT等で用いられています。
-
問12．AGI（汎用人工知能）は既に実現しており、あらゆる分野で人間と同等以上の知能を持つAIが広く実用化されている。
正解：×（誤り）
解説：誤り。AGI（Artificial General Intelligence）は人間のように分野を問わず柔軟に対応できるAIの構想ですが、2020年代半ば時点で実現していません。現在実用化されているのは特化型AIです。
-
問13．シンギュラリティ（技術的特異点）とは、AIが人類全体の知能を超えるとされる仮説上の到達点で、2045年頃に到来すると予測されることがある。
正解：○（正しい）
解説：シンギュラリティは、AIが自ら高度なAIを生み出し人類の知能を超えるとされる仮説上の転換点です。レイ・カーツワイルが2045年頃と予測したことで知られますが、実現時期や可否には議論があります。
-
問14．機械学習の代表的な分類として適切でないものはどれか。
- ア．教師あり学習
- イ．教師なし学習
- ウ．強化学習
- エ．演繹学習
正解：エ．演繹学習
解説：機械学習は「教師あり学習」「教師なし学習」「強化学習」の3つに大別されます。「演繹学習」はこの分類には含まれません。
-
問15．主に画像認識の分野で高い性能を発揮するニューラルネットワークはどれか。
- ア．CNN
- イ．RNN
- ウ．LSTM
- エ．GAN
正解：ア．CNN
解説：CNN（畳み込みニューラルネットワーク）は画像の局所的特徴を捉えるのに優れ、画像認識で広く使われます。RNN・LSTMは系列データ向き、GANは生成モデルです。
-
問16．文中の各単語が他のどの単語に注目すべきかを計算し、Transformerの中核をなす仕組みはどれか。
- ア．Attention（注意機構）
- イ．畳み込み（convolution）
- ウ．プーリング
- エ．ドロップアウト
正解：ア．Attention（注意機構）
解説：Attention（注意機構、Self-Attention）は、文中の単語間の関連度を計算して重要な情報に注目する仕組みで、Transformerの中核です。畳み込み・プーリングはCNN、ドロップアウトは過学習抑制の手法です。
-
問17．生成AIが事実と異なる内容をもっともらしく出力してしまう現象を何と呼ぶか。
- ア．ハルシネーション
- イ．オーバーフィッティング
- ウ．バイアス
- エ．アノテーション
正解：ア．ハルシネーション
解説：事実に反する内容をもっともらしく生成する現象をハルシネーションと呼びます。オーバーフィッティングは過学習、バイアスは偏り、アノテーションはデータへのラベル付けを指します。
-
問18．教師あり学習の代表的なタスクの組み合わせとして正しいものはどれか。
- ア．分類と回帰
- イ．クラスタリングと次元削減
- ウ．報酬の最大化
- エ．データ拡張と正規化
正解：ア．分類と回帰
解説：教師あり学習は正解ラベルを用い、カテゴリを当てる「分類」と数値を予測する「回帰」が代表的です。クラスタリングや次元削減は教師なし学習、報酬最大化は強化学習の枠組みです。
-
問19．1956年に米国で開かれ、「人工知能（Artificial Intelligence）」という名称が研究分野の名前として使われるきっかけとなった研究集会はどれか。
- ア．アシロマ会議
- イ．メイシー会議
- ウ．ダートマス会議
- エ．ブレッチリー・パーク会議
正解：ウ．ダートマス会議
解説：1956年夏のダートマス会議（ジョン・マッカーシーらが提案）で「Artificial Intelligence」という語が研究分野の名称として用いられ、AI研究の出発点とされる。アシロマ会議（2017年のAI原則）、ブレッチリー・パーク（2023年のAI安全性サミット）は別の時期の会議である。
-
問20．ニューラルネットワークの学習中に、一部のノードをランダムに無効化しながら学習させることで、過学習を抑える手法はどれか。
- ア．プーリング
- イ．転移学習
- ウ．次元削減
- エ．ドロップアウト
正解：エ．ドロップアウト
解説：ドロップアウトは、学習のたびに一部のノード（ニューロン）をランダムに取り除いて学習させ、特定のノードへの依存を減らして過学習を抑える手法である（Srivastava et al. 2014）。
-
問21．回帰は連続的な数値を予測する手法であり、分類はデータがどのカテゴリに属するかを予測する手法である。
正解：○（正しい）
解説：教師あり学習のうち、売上や気温のような連続値を予測するのが回帰、犬か猫かのようにカテゴリを当てるのが分類である。予測する対象が数値かカテゴリかで区別される。
-
問22．クラスタリングは、あらかじめ用意した正解ラベルにもとづいてデータを決められたカテゴリへ振り分ける、教師あり学習の手法である。
正解：×（誤り）
解説：誤り。クラスタリングは正解ラベルを使わず、データ同士の類似性にもとづいて自動的にグループ分けする教師なし学習の手法である。正しくはラベルを用いて振り分けるのは教師あり学習の「分類」である。
-
問23．次元削減とは、データが持つ特徴量（変数）の数を増やすことで、より多くの情報を新たに追加する手法である。
正解：×（誤り）
解説：誤り。次元削減は特徴量（変数）の数を減らし、重要な情報をできるだけ保ちながらデータを扱いやすくする手法である。
-
問24．過学習（オーバーフィッティング）とは、モデルが訓練データに適合しすぎて、未知のデータに対する予測性能が低下してしまう状態である。
正解：○（正しい）
解説：過学習は、訓練データの細かな特徴やノイズまで覚え込んでしまい、汎化性能が下がる現象である。訓練データでの精度は高いのに、新しいデータでは精度が出ないのが典型的な兆候である。
-
問25．未学習（アンダーフィッティング）とは、モデルが単純すぎるなどの理由で、訓練データのパターンすら十分に捉えられていない状態を指す。
正解：○（正しい）
解説：未学習は、モデルの表現力不足や学習不足により、訓練データにも新しいデータにもうまく適合できない状態である。過学習とは逆に、当てはまりが全体的に不足している。
-
問26．過学習を防ぐには、モデルをできる限り複雑にして、訓練データへの当てはまりを最大化するのがよい。
正解：×（誤り）
解説：誤り。モデルを複雑にしすぎると訓練データに過剰適合し、かえって過学習が悪化する。正しくは、正則化やデータ量を増やす、モデルを適度に単純化するといった対策で過学習を抑える。
-
問27．機械学習では、モデルの学習に使う訓練データと、学習後の性能を評価するためのテストデータを分けて用意するのが一般的である。
正解：○（正しい）
解説：訓練データで学習し、学習に使っていないテストデータで評価することで、未知データに対する実力（汎化性能）を測る。パラメータ調整用に検証データを別途設けることもある。
-
問28．モデルの性能は、学習に使った訓練データそのもので評価すれば、未知データに対する本当の実力を正しく測ることができる。
正解：×（誤り）
解説：誤り。訓練データで評価すると、過学習していても高い精度が出てしまい、実力を過大評価してしまう。正しくは学習に使っていないテストデータで評価する必要がある。
-
問29．特徴量とは、モデルが学習後に最終的に出力する予測結果のことを指す。
正解：×（誤り）
解説：誤り。特徴量は、予測や分類の手がかりとしてモデルに入力する、データの特徴を表す値である。正しくは、出力される予測結果ではなく、入力側の説明変数にあたる。
-
問30．ニューラルネットワークは一般に、入力層・中間層（隠れ層）・出力層から構成される。
正解：○（正しい）
解説：ニューラルネットワークは、データを受け取る入力層、内部で処理を行う中間層（隠れ層）、結果を出す出力層からなる。中間層を多く重ねたものがディープラーニングである。
-
問31．活性化関数は、ニューラルネットワークの各層の計算をすべて線形（一次式）のまま保つための関数である。
正解：×（誤り）
解説：誤り。活性化関数は、ネットワークに非線形性を与えることで複雑なパターンを表現できるようにする役割を持つ。正しくは線形のまま保つのではなく、非線形の変換を加える関数である。
-
問32．損失関数はモデルの予測と正解との誤差の大きさを表す指標であり、学習ではこの値をできるだけ大きくすることを目指す。
正解：×（誤り）
解説：誤り。学習では損失（誤差）をできるだけ小さくする方向へパラメータを調整する。正しくは損失関数の値を大きくするのではなく、最小化することを目指す。
-
問33．勾配降下法は、損失関数の値が小さくなる方向へパラメータを少しずつ更新していく最適化手法である。
正解：○（正しい）
解説：勾配降下法は、損失関数の傾き（勾配）を手がかりに、誤差が小さくなる向きへパラメータを繰り返し更新する。ニューラルネットワークの学習を支える基本的な最適化の考え方である。
-
問34．汎化性能が高いとは、モデルが訓練データだけに強く適合し、未知のデータに対しては性能が落ちる状態のことをいう。
正解：×（誤り）
解説：誤り。汎化性能とは、学習に使っていない未知のデータに対しても正しく予測できる能力のことである。正しくは訓練データだけに適合して未知データで性能が落ちるのは、汎化性能が低い（過学習の）状態である。
-
問35．AIの研究は誕生以来一度も停滞することなく、常に一定の速度で右肩上がりに発展し続けてきた。
正解：×（誤り）
解説：誤り。AIは誕生以来、期待が高まるブームと、成果が伴わず研究が停滞する冬の時代を複数回繰り返しながら発展してきた。正しくは一定の速度で直線的に進んできたわけではない。
-
問36．アノテーションとは、教師なし学習において、モデルがデータを自動でグループ分けする処理のことである。
正解：×（誤り）
解説：誤り。アノテーションは、教師あり学習のためにデータへ正解ラベルを人手で付与する作業である。データを自動でグループ分けするのはクラスタリング（教師なし学習）である。
-
問37．機械学習の手法のうち、教師なし学習に分類されるものはどれか。
- ア．クラスタリング
- イ．迷惑メールかどうかを判定する分類
- ウ．家賃を数値で予測する回帰
- エ．報酬を最大化する行動の学習
正解：ア．クラスタリング
解説：クラスタリングは正解ラベルを使わず、データの類似性でグループ分けする教師なし学習である。カテゴリを当てる分類や数値を予測する回帰は教師あり学習、報酬を手がかりにするのは強化学習である。
-
問38．過学習（オーバーフィッティング）の説明として、最も適切なものはどれか。
- ア．訓練データにすら十分に適合できていない状態
- イ．複数の種類のデータを同時に扱える状態
- ウ．訓練データに適合しすぎて未知データへの性能が下がる状態
- エ．モデルのパラメータが一つも存在しない状態
正解：ウ．訓練データに適合しすぎて未知データへの性能が下がる状態
解説：過学習は、訓練データに適合しすぎて未知データへの性能が下がる状態である。訓練データにすら適合できないのは未学習、複数種類のデータを扱えるのはマルチモーダルの説明である。
-
問39．実際に陽性であるもののうち、モデルが正しく陽性と予測できた割合を表す評価指標はどれか。
- ア．適合率（precision）
- イ．再現率（recall）
- ウ．学習率
- エ．損失
正解：イ．再現率（recall）
解説：実際の陽性のうち正しく陽性と判定できた割合は再現率（recall）である。適合率は陽性と予測したもののうち実際に陽性だった割合を指し、両者は着目する分母が異なる。
-
問40．一般的なニューラルネットワークの構造に関する記述として、正しいものはどれか。
- ア．入力層と出力層のみで、中間層は存在しない
- イ．すべての層が出力層で構成される
- ウ．中間層だけで、入力層と出力層を持たない
- エ．入力層・中間層（隠れ層）・出力層から構成される
正解：エ．入力層・中間層（隠れ層）・出力層から構成される
解説：ニューラルネットワークは入力層・中間層（隠れ層）・出力層から構成されるのが基本である。中間層を多層に重ねたものがディープラーニングであり、入力層や出力層を持たない構成は一般的でない。
-
問41．適合率（precision）と再現率（recall）の調和平均として計算され、両者のバランスを一つの値で表す評価指標はどれか。
- ア．F値（F1スコア）
- イ．学習率
- ウ．エポック数
- エ．バッチサイズ
正解：ア．F値（F1スコア）
解説：適合率と再現率の調和平均で両者のバランスを示すのがF値（F1スコア）である。学習率・エポック数・バッチサイズは学習の進め方に関する設定であり、評価指標ではない。
-
問42．これまでのAIの発展の歴史に関する記述として、最も適切なものはどれか。
- ア．第一次AIブームでは、機械学習とディープラーニングが研究の中心だった
- イ．AIの研究では、これまでにブームと冬の時代が交互に訪れてきた
- ウ．「人工知能」という言葉は、ディープラーニングの登場とともに生まれた
- エ．第二次AIブームは、ビッグデータを使った機械学習の実用化で始まった
正解：イ．AIの研究では、これまでにブームと冬の時代が交互に訪れてきた
解説：AI研究は1950年代から続き、その過程ではブームと冬の時代が交互に訪れてきた。第一次ブーム（1950年代後半〜1960年代）は推論・探索、第二次ブーム（1980年代）は知識を与えるエキスパートシステムが中心で、それぞれの後に冬の時代を迎えた。機械学習が実用化し、ディープラーニングが登場したのは第三次ブーム（2000年代〜）である。「人工知能」という言葉は1956年のダートマス会議で名付けられたもので、ディープラーニングの登場よりずっと前からある。
根拠： 総務省「平成28年版 情報通信白書」第1部第4章第2節1(2) 人工知能（AI）研究の歴史 ブームと冬の時代が交互に訪れてきた／第一次（1950年代後半〜1960年代）推論・探索／第二次（1980年代）知識・エキスパートシステム、1995年頃から再び冬の時代／第三次（2000年代〜）機械学習の実用化、ディープラーニングの登場 ／ 総務省「平成28年版 情報通信白書」第1部第4章第2節1(1) 人工知能（AI）とは ウ 人工知能とは何か：人工知能（AI）という言葉が初めて世に知られたのは1956年の国際学会（脚注5：ダートマス会議においてジョン・マッカーシーが命名） ／ 生成AI活用普及協会（GUGA）「生成AIパスポート試験シラバス」 第1章 AIの歴史：ダートマス会議、第一次AIブーム（探索と推論）、第二次AIブーム（知識表現・エキスパートシステム）、AIの冬、第三次AIブーム（機械学習・ディープラーニング）
-
問43．「弱いAI」の説明として、最も適切なものはどれか。
- ア．人間のように意識や自我を持つAI
- イ．あらゆる分野を人間以上にこなす万能のAI
- ウ．特定の課題の解決に限定して用いられるAI
- エ．学習を一切行わないAI
正解：ウ．特定の課題の解決に限定して用いられるAI
解説：弱いAIは、特定の課題の解決に限定して知的処理を行うAIを指す。人間のような意識や自我を持ち、分野を問わず総合的に考えるとされるのが強いAIであり、両者は概念上区別される。
-
問44．機械学習で、訓練データ全体を一通り学習し終える回数を数える単位を何というか。
- ア．ピクセル
- イ．パラメータ
- ウ．混同行列
- エ．エポック
正解：エ．エポック
解説：訓練データ全体を一巡学習し終える単位をエポックという。データを小さく分けた塊はバッチと呼ばれる。ピクセルは画像の画素、パラメータはモデル内部の重みを指す。
-
問45．分類モデルの予測結果を、真陽性・偽陽性・偽陰性・真陰性といった正解と予測の組み合わせで表にまとめたものを何というか。
- ア．混同行列（confusion matrix）
- イ．相関行列
- ウ．損失関数
- エ．活性化関数
正解：ア．混同行列（confusion matrix）
解説：予測と正解の組み合わせを一覧にした表を混同行列（confusion matrix）といい、適合率や再現率の算出に用いられる。相関行列は変数間の相関、損失関数や活性化関数は学習に関わる関数である。
-
問46．モデルの予測と正解との誤差（損失）が小さくなる方向へ、パラメータを少しずつ更新していく最適化手法はどれか。
- ア．クラスタリング
- イ．次元削減
- ウ．勾配降下法
- エ．アノテーション
正解：ウ．勾配降下法
解説：損失が小さくなる向きへパラメータを繰り返し更新する最適化手法が勾配降下法である。クラスタリングや次元削減は教師なし学習の手法、アノテーションはデータへのラベル付け作業である。
-
問47．生成AI（ジェネレーティブAI）とは、学習データのパターンをもとに、文章・画像・音声・動画などの新しいコンテンツを生成するAIである。
正解：○（正しい）
解説：生成AIは、大量のデータから学んだパターンを使って、これまでになかった文章・画像・音声・コードなどを新たに作り出すAIです。既存データを分類・予測する従来型AIとの違いです。
-
問48．大規模言語モデル（LLM）は、膨大なテキストを学習し、次に来る単語（トークン）を確率的に予測することで文章を生成する。
正解：○（正しい）
解説：LLMは「次のトークンを予測する」ことを繰り返して文章を生成します。学習データが多く、パラメータ数が大きいほど、一般に流暢で多様な文章を生成できる傾向があります。
-
問49．生成AIは、既存データの中から正解を選ぶ・分類することだけを行い、新しいコンテンツを作り出すことはできない。
正解：×（誤り）
解説：誤り。分類・予測のみを行うのは従来型（識別系）のAIです。生成AIは学習したパターンから新しいコンテンツを生成できる点が特徴です。
-
問50．画像生成で広く使われる「拡散モデル（Diffusion Model）」は、ノイズから徐々にノイズを除去していくことで画像を生成する仕組みである。
正解：○（正しい）
解説：拡散モデルは、ランダムなノイズから少しずつノイズを取り除いて目的の画像を作り出す仕組みで、画像生成AIで広く使われている代表的な生成方式の一つである。
-
問51．GAN（敵対的生成ネットワーク）は、生成器（Generator）と識別器（Discriminator）を競わせながら学習させる仕組みである。
正解：○（正しい）
解説：GANは、本物らしいデータを作る生成器と、本物と偽物を見分ける識別器を互いに競わせることで、リアルな画像などを生成できるようにする手法です。
-
問52．ファインチューニングとは、事前学習済みのモデルを特定の用途向けのデータで追加学習し、専門的なタスクに適応させることである。
正解：○（正しい）
解説：事前学習で汎用的な能力を得たモデルを、特定分野のデータで追加学習して専門特化させるのがファインチューニングです。少量データで調整できる手法もあります。
-
問53．生成AIの出力は確率的に決まるため、設定によっては同じ入力でも毎回まったく同じ結果になるとは限らない。
正解：○（正しい）
解説：LLMは次のトークンを確率的に選ぶため、temperatureなどの設定によって出力は変動し得ます。毎回一字一句同じになるとは限りません。
-
問54．コンテキストウィンドウ（コンテキスト長）とは、モデルが一度に扱える入力と出力のトークン量の上限のことである。
正解：○（正しい）
解説：コンテキストウィンドウは、モデルが一度に考慮できるトークン数の上限です。長い文書を扱うにはこの上限が大きいモデルや、RAGなどの工夫が必要になります。
-
問55．マルチモーダルAIとは、テキストだけでなく画像・音声など複数の種類のデータを扱えるAIのことである。
正解：○（正しい）
解説：マルチモーダルAIは、文章・画像・音声・動画など複数の形式（モダリティ）を入力・出力として扱えるAIです。画像を見て説明する、音声で対話するなどが可能になります。
-
問56．Transformerは再帰構造を持ち、単語を先頭から1つずつ順番に処理するため、単語の順序の情報を別に与える位置エンコーディングは必要ない。
正解：×（誤り）
解説：Transformerは再帰（RNN）も畳み込みも使わず系列を並列に処理するため、そのままでは単語の順序が分からない。そこで各トークンの位置を表す位置エンコーディングを埋め込みに加えて順序の情報を与える（Vaswani et al. 2017 3.5節）。
-
問57．BERTの事前学習で、MLM（Masked Language Model）とあわせて用いられ、文Bが文Aの実際の続きか、コーパスから無作為に選んだ文かを判定させる学習課題はどれか。
- ア．SOP
- イ．NSP
- ウ．RLHF
- エ．RTD
正解：イ．NSP
解説：BERTは、MLMと、文の組（A, B）についてBが実際にAに続く文（IsNext）か無作為に選んだ文（NotNext）かを半々の割合で当てさせるNSP（Next Sentence Prediction）の2つの課題で事前学習された。SOP（Sentence Order Prediction）は、NSPの効果が弱いという指摘に対処するためにALBERTが導入した文の順序を当てさせる課題である。RLHFは人間の評価をもとに強化学習で応答を調整する手法（InstructGPTなど）、RTD（Replaced Token Detection）はELECTRAが提案した、各トークンが置き換えられたものかを見分ける事前学習課題で、どちらもBERTの事前学習課題ではない。
根拠： Devlin et al.「BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding」（arXiv:1810.04805） 3.1 Pre-training BERT（two unsupervised tasks：Task #1 Masked LM／Task #2 Next Sentence Prediction (NSP)・IsNext/NotNext 50%）（PDF 4ページ） ／ Lan et al.「ALBERT: A Lite BERT for Self-supervised Learning of Language Representations」（arXiv:1909.11942） 1 Introduction（self-supervised loss for sentence-order prediction (SOP)…designed to address the ineffectiveness of the next sentence prediction (NSP) loss proposed in the original BERT）（PDF 2ページ） ／ Clark et al.「ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators」（arXiv:2003.10555） Abstract（a more sample-efficient pre-training task called replaced token detection） ／ Ouyang et al.「Training language models to follow instructions with human feedback」（arXiv:2203.02155） Abstract（fine-tune … using reinforcement learning from human feedback. We call the resulting models InstructGPT）
-
問58．ランダムなノイズから、ノイズを少しずつ取り除く処理をくり返して画像を作り出す生成手法はどれか。
- ア．GAN（敵対的生成ネットワーク）
- イ．VAE（変分自己符号化器）
- ウ．拡散モデル（Diffusion Model）
- エ．自己回帰モデル（Autoregressive Model）
正解：ウ．拡散モデル（Diffusion Model）
解説：拡散モデルは、データにノイズを加えていく過程を逆にたどるよう学習し、ランダムなノイズから段階的にノイズを取り除いて画像を生成する。GANは生成器と識別器を競わせて学習し、VAEは潜在ベクトルからデコーダで画像を復元し、自己回帰モデルは生成済みの部分をもとに次の部分を順に予測する。画像生成には拡散モデルのほか自己回帰モデルも使われている。
-
問59．「大規模言語モデル」を表す略称はどれか。
- ア．LLM
- イ．CNN
- ウ．SQL
- エ．HTTP
正解：ア．LLM
解説：大規模言語モデルはLLM（Large Language Model）です。CNNは画像向けニューラルネット、SQLはデータベース言語、HTTPは通信プロトコルです。
-
問60．事前学習済みモデルを特定用途のデータで追加学習し、専門特化させることを何というか。
- ア．ファインチューニング
- イ．スクレイピング
- ウ．正規化
- エ．デプロイ
正解：ア．ファインチューニング
解説：特定用途に適応させる追加学習をファインチューニングといいます。スクレイピングはデータ収集、正規化はデータの尺度合わせ、デプロイは本番反映を指します。
-
問61．テキスト・画像・音声など複数種類のデータを扱えるAIを何と呼ぶか。
- ア．マルチモーダルAI
- イ．シングルタスクAI
- ウ．ルールベースAI
- エ．エキスパートシステム
正解：ア．マルチモーダルAI
解説：複数のモダリティを扱えるAIをマルチモーダルAIといいます。近年の主要な生成AIサービスの多くがマルチモーダル対応を進めています。
-
問62．BERTの事前学習で用いられた、文中の一部の単語を隠し、前後の文脈からその単語を当てさせる学習課題はどれか。
- ア．MLM（Masked Language Model）
- イ．NSP（Next Sentence Prediction）
- ウ．RLHF（人間のフィードバックによる強化学習）
- エ．GAN（敵対的生成ネットワーク）
正解：ア．MLM（Masked Language Model）
解説：BERTは、入力の一部のトークンを隠して予測させるMLMと、2つの文が連続するかを判定するNSPの2つの課題で事前学習された（Devlin et al. 2019）。前後両方向の文脈を使う点が、次のトークンを予測するGPTとの違いである。
-
問63．Transformerは、系列データを並列的に処理し、アテンション機構を中核とするニューラルネットワークのアーキテクチャである。
正解：○（正しい）
解説：Transformerは、単語間の関係をアテンションで捉え、系列全体を並列的に処理できる構造を持つ。多くの大規模言語モデルの土台となっているアーキテクチャである。
-
問64．アテンション（注意機構）は、入力系列の中で各要素が他のどの要素に注目すべきかを重み付けし、文脈を捉える仕組みである。
正解：○（正しい）
解説：アテンションは、ある単語を処理する際に文中の関連する単語へ動的に重みを割り当てる。これにより離れた語どうしの関係や文脈を効率よく捉えられる。
-
問65．トークン化（トークナイズ）とは、文章を単語や部分語（サブワード）などの処理単位であるトークンに分割することである。
正解：○（正しい）
解説：言語モデルは文章をそのままではなくトークンという単位に区切って処理する。トークンは単語・部分語・記号などで、モデルはこの単位で入出力を扱う。
-
問66．単語埋め込み（エンベディング）は、単語や文を意味的な関係を反映した数値ベクトルとして表現する技術である。
正解：○（正しい）
解説：埋め込みは、意味の近い語がベクトル空間上で近くに配置されるように単語を数値化する。これによりモデルは語の意味的な関係を計算で扱えるようになる。
-
問67．事前学習（pre-training）は、大量のデータでモデルに汎用的な言語能力を獲得させる段階であり、その後の追加学習の土台となる。
正解：○（正しい）
解説：事前学習では、膨大なデータから言語の一般的なパターンを幅広く学ぶ。ここで得た汎用能力を土台に、ファインチューニングなどで特定用途へ適応させる。
-
問68．転移学習とは、あるタスクで学習して得た知識を一切使わず、新しいタスクごとに毎回ゼロから学習し直す手法である。
正解：×（誤り）
解説：誤り。転移学習は、あるタスクで学習して得た知識を別の関連するタスクの学習に活用する手法である。ゼロから学習し直すものではない。
-
問69．RLHF（人間のフィードバックによる強化学習）は、人間による出力の評価を報酬として用い、モデルの応答を人間の好みに合わせて調整する手法である。
正解：○（正しい）
解説：RLHFは、人間が出力の良し悪しを評価し、それを報酬信号として強化学習でモデルを調整する。より安全で有用な応答へ近づけるために用いられる。
-
問70．基盤モデル（ファウンデーションモデル）とは、単一の特定タスク専用に小規模なデータで学習され、他の用途には応用できないモデルを指す。
正解：×（誤り）
解説：誤り。基盤モデルは大規模なデータで学習され、多様な下流タスクに適応・応用できる大規模なモデルを指す。
-
問71．temperature（温度）パラメータを高く設定すると、出力される単語の選択がより多様・ランダムになる傾向がある。
正解：○（正しい）
解説：temperatureは出力のばらつきを調整する値である。高くすると確率の低い語も選ばれやすくなり多様な出力になり、低くすると確率の高い語に偏り安定する。
-
問72．トークンは常に1つの単語とちょうど一致し、どの言語であっても1単語は必ず1トークンとして扱われる。
正解：×（誤り）
解説：誤り。トークンは部分語や記号単位のこともあり、1つの単語が複数のトークンに分割される場合もある。トークンと単語は必ずしも一致しない。
-
問73．単語埋め込み（エンベディング）とは、各単語に意味とは無関係な通し番号を割り当てるだけの処理である。
正解：×（誤り）
解説：誤り。正しくは、埋め込みは意味的な関係を反映した数値ベクトルで単語を表現する技術である。単なる通し番号の付与では意味の近さを表現できない。
-
問74．自己回帰型の言語モデルは、文章中のすべての単語を一度に同時生成し、順番に予測することはない。
正解：×（誤り）
解説：誤り。正しくは、自己回帰型モデルは生成済みのトークンをもとに次の1トークンを逐次的に予測し、それを繰り返して文章を生成する。
-
問75．temperature（温度）パラメータの値を下げるほど、出力はよりランダムで多様なものになる。
正解：×（誤り）
解説：誤り。正しくは、temperatureを下げるほど確率の高い語に偏り、出力は決定的・保守的になる。多様でランダムになるのは値を上げたときである。
-
問76．ハルシネーションは、モデルが意図的に嘘をつくように設計されているために起きる現象である。
正解：×（誤り）
解説：誤り。正しくは、ハルシネーションはもっともらしい語を確率的に生成する仕組みの副産物であり、事実を照合する能力を持たないために起こる。意図的な虚偽ではない。
-
問77．モデルのパラメータ（重み）は、学習が終わったあとに人間が一つひとつ手作業で数値を設定するものである。
正解：×（誤り）
解説：誤り。正しくは、パラメータは学習の過程でデータから自動的に調整される。膨大な数のパラメータを人間が手作業で設定することは現実的でない。
-
問78．GANにおいて、本物らしいデータを新たに作り出す役割を担うのは識別器（Discriminator）である。
正解：×（誤り）
解説：誤り。正しくは、本物らしいデータを作り出すのは生成器（Generator）である。識別器は与えられたデータが本物か生成物かを見分ける役割を担う。
-
問79．拡散モデル（Diffusion Model）は文章の生成にのみ用いられ、画像を生成することはできない。
正解：×（誤り）
解説：誤り。正しくは、拡散モデルはノイズから段階的にデータを復元する仕組みで、画像などの生成に広く用いられている手法である。
-
問80．一般に、エンコーダは生成結果を人間向けの文章に変換する部分、デコーダは入力を数値表現に変換する部分である。
正解：×（誤り）
解説：誤り。役割が逆である。正しくは、エンコーダが入力を内部の数値表現に変換し、デコーダがその内部表現をもとに出力を生成する。
-
問81．生成AIが文章を処理するとき、文章を分割して得られる、モデルが扱う最小の処理単位を何というか。
- ア．トークン
- イ．ピクセル
- ウ．エポック
- エ．バイアス
正解：ア．トークン
解説：モデルが扱う処理単位はトークンである。ピクセルは画像の点、エポックは学習の周回数、バイアスはニューロンの調整項であり、いずれも分割された文章の単位ではない。
-
問82．単語や文を、意味的な関係を反映した数値ベクトルとして表現する技術はどれか。
- ア．活性化関数
- イ．埋め込み（エンベディング）
- ウ．正規化
- エ．プーリング
正解：イ．埋め込み（エンベディング）
解説：意味を反映した数値ベクトルで語を表すのは埋め込み（エンベディング）である。活性化関数・正規化・プーリングはいずれもニューラルネットワークの計算処理であり、語の意味表現そのものではない。
-
問83．アテンション機構を中核とし、多くの大規模言語モデルの土台となっているアーキテクチャはどれか。
- ア．決定木
- イ．畳み込みニューラルネットワーク（CNN）
- ウ．Transformer
- エ．サポートベクターマシン
正解：ウ．Transformer
解説：アテンションを中核とするアーキテクチャはTransformerである。決定木やサポートベクターマシンは古典的な機械学習手法、CNNは主に画像処理向けのニューラルネットワークである。
-
問84．人間による出力の評価を報酬として用い、モデルの応答を人間の好みに合わせて調整する手法はどれか。
- ア．データ拡張
- イ．蒸留
- ウ．量子化
- エ．RLHF（人間のフィードバックによる強化学習）
正解：エ．RLHF（人間のフィードバックによる強化学習）
解説：人間の評価を報酬として応答を調整する手法はRLHFである。データ拡張は学習データの水増し、蒸留はモデルの小型化、量子化は計算の軽量化であり、いずれも目的が異なる。
-
問85．大量のデータでモデルに汎用的な言語能力を先に獲得させる、追加学習の土台となる学習段階を何というか。
- ア．事前学習（pre-training）
- イ．デプロイ
- ウ．アノテーション
- エ．推論
正解：ア．事前学習（pre-training）
解説：汎用能力を先に獲得させる段階は事前学習（pre-training）である。デプロイは本番反映、アノテーションは正解付け、推論は学習済みモデルの実行を指し、いずれもこの段階とは異なる。
-
問86．temperature（温度）パラメータを高く設定したときの、生成される出力の一般的な傾向はどれか。
- ア．出力がより決定的・保守的になる
- イ．出力がより多様・ランダムになる
- ウ．学習が高速化する
- エ．パラメータ数が増える
正解：イ．出力がより多様・ランダムになる
解説：temperatureを高くすると確率の低い語も選ばれやすくなり、出力は多様・ランダムになる。低くすると決定的・保守的な出力に近づく。温度は学習速度やパラメータ数を変えるものではない。
-
問87．生成AIがハルシネーションを起こす主な理由として、最も適切なものはどれか。
- ア．常にインターネットに接続しているため
- イ．入力が暗号化されているため
- ウ．もっともらしい語を確率的に生成する仕組みのため
- エ．計算資源が不足しているため
正解：ウ．もっともらしい語を確率的に生成する仕組みのため
解説：ハルシネーションは、事実を照合せずもっともらしい語を確率的に生成する仕組みに起因する。通信の有無や暗号化、計算資源の不足が直接の原因ではない。
-
問88．大規模なデータで学習され、翻訳・要約・分類など多様な下流タスクに応用できるモデルを何と呼ぶか。
- ア．エキスパートシステム
- イ．ルールベースモデル
- ウ．識別モデル
- エ．基盤モデル（ファウンデーションモデル）
正解：エ．基盤モデル（ファウンデーションモデル）
解説：多様なタスクへ応用できる汎用的な大規模モデルを基盤モデル（ファウンデーションモデル）と呼ぶ。エキスパートシステムやルールベースモデルは人手で規則を組む方式、識別モデルは分類に特化する。
-
問89．アテンション（注意機構）の主な役割として、最も適切なものはどれか。
- ア．入力内のどの要素に注目すべきかを重み付けする
- イ．画像の解像度を高くする
- ウ．データを暗号化する
- エ．消費電力を抑える
正解：ア．入力内のどの要素に注目すべきかを重み付けする
解説：アテンションは、入力系列の中で各要素がどの要素に注目すべきかを重み付けし、文脈を捉える役割を担う。画像の解像度向上やデータの暗号化、電力削減を目的とした仕組みではない。
-
問90．あるタスクで学習して得た知識を、別の関連するタスクの学習に活用する手法はどれか。
- ア．過学習
- イ．転移学習
- ウ．次元削減
- エ．クラスタリング
正解：イ．転移学習
解説：学習済みの知識を別タスクへ活用する手法は転移学習である。過学習は訓練データに適合しすぎる問題、次元削減とクラスタリングは主にデータの整理・分析に用いる手法である。
-
問91．生成済みのトークンを次の予測の入力に使い、逐次的に文章を生成していく仕組みを何というか。
- ア．一括生成
- イ．並列探索
- ウ．自己回帰
- エ．教師なし学習
正解：ウ．自己回帰
解説：生成済みの出力を次の入力に用いて順に生成する仕組みを自己回帰という。一括生成は全体を同時に作る発想、並列探索や教師なし学習はこの逐次生成の仕組みとは異なる概念である。
-
問92．入力データを圧縮した表現に符号化し、そこから元に近いデータを復元する過程を通じて新規データも生成できる生成モデルはどれか。
- ア．決定木
- イ．k近傍法
- ウ．線形回帰
- エ．VAE（変分オートエンコーダ）
正解：エ．VAE（変分オートエンコーダ）
解説：符号化と復元の過程で新規データを生成できるのはVAE（変分オートエンコーダ）である。決定木・k近傍法・線形回帰はいずれも分類や回帰に用いる手法で、データを生成する仕組みではない。
-
問93．日本の著作権法では、情報解析（AIの学習など）のために著作物を利用する行為は、一定の条件のもとで権利者の許諾なく行える場合がある。
正解：○（正しい）
解説：著作権法30条の4により、著作物に表現された思想・感情を自ら享受することを目的としない利用（情報解析＝AIの学習等）は、原則として権利者の許諾なく行えます。ただし権利者の利益を不当に害する場合などの例外があります。
-
問94．AIが自動生成しただけで、人間による創作的な関与がない生成物は、原則として著作権法上の「著作物」には当たらないと考えられている。
正解：○（正しい）
解説：著作物は「思想又は感情を創作的に表現したもの」で、人間の創作的寄与が前提です。単にAIが出力しただけのものは著作物と認められにくいと整理されています（利用者が道具として創作的に関与した場合の扱いは別途議論があります）。
-
問95．マイナンバー（個人番号）や旅券番号などの個人識別符号は、氏名などほかの情報と組み合わせない限り、それ単体では個人情報に当たらない。
正解：×（誤り）
解説：個人情報保護法第2条第1項第2号により、個人識別符号が含まれる情報はそれだけで個人情報に当たる。個人識別符号には、旅券の番号や個人番号などが政令（施行令第1条）で定められている。
-
問96．生成AIの出力が、他人の著作物と実質的に同一・類似している場合、それをそのまま公開・利用すると著作権侵害になることがある。
正解：○（正しい）
解説：生成物であっても、既存の著作物に依拠し実質的に同一・類似であれば、公開・利用が著作権侵害となる場合があります。利用者は出力の内容に注意する必要があります。
-
問97．プロンプトインジェクションとは、不正な指示を紛れ込ませることで、AIに開発者の意図しない動作をさせる攻撃手法である。
正解：○（正しい）
解説：プロンプトインジェクションは、入力文や外部データに悪意ある指示を混入させ、機密の暴露や不適切な出力などを引き起こす攻撃です。生成AI特有のセキュリティリスクとして知られます。
-
問98．学習データに偏り（バイアス）があると、生成AIの出力にも差別的・不公平な偏りが現れることがある。
正解：○（正しい）
解説：AIは学習データの傾向を反映するため、データに偏りがあると出力にも偏見や不公平が生じ得ます。公平性への配慮と、出力の批判的な確認が求められます。
-
問99．2019年に政府の統合イノベーション戦略推進会議が決定した「人間中心のAI社会原則」は、AIの利活用にあたり人間の尊厳や自由を尊重することなどを掲げた原則である。
正解：○（正しい）
解説：正しい。「人間中心のAI社会原則」（2019年3月、統合イノベーション戦略推進会議決定）は、人間中心・教育リテラシー・プライバシー確保・セキュリティ確保・公正競争確保・公平性と説明責任及び透明性・イノベーションの7つの原則を掲げている。
-
問100．「AI事業者ガイドライン」は、AIの開発者・提供者・利用者が留意すべき事項を示した政府（総務省・経済産業省）の指針である。
正解：○（正しい）
解説：AI事業者ガイドラインは、総務省・経済産業省が取りまとめた、AIの開発者・提供者・利用者それぞれが守るべき原則・留意点を示す指針です（法的強制力のある規制そのものではなく指針）。
-
問101．2025年に成立・公布されたいわゆる「AI新法（人工知能関連技術の研究開発及び活用の推進に関する法律）」は、研究開発と活用の推進を主眼とする理念的な内容が中心である。
正解：○（正しい）
解説：いわゆるAI新法（2025年公布）は、AIの研究開発・活用の推進や基本理念・国の責務等を定める推進法的な性格で、事業者を直接強く規制する罰則中心の法律ではないと整理されています。
-
問102．「人間中心のAI社会原則」は、目指す社会の基本理念として「人間の尊厳が尊重される社会」「多様な背景を持つ人々が多様な幸せを追求できる社会」「持続性ある社会」の3つを掲げている。
正解：○（正しい）
解説：人間中心のAI社会原則の第2章は、基本理念として人間の尊厳が尊重される社会（Dignity）、多様な背景を持つ人々が多様な幸せを追求できる社会（Diversity & Inclusion）、持続性ある社会（Sustainability）の3つを示している。
-
問103．ディープフェイクとは、生成AIなどで作られた、本物と見分けにくい偽の画像・音声・動画のことで、悪用のリスクがある。
正解：○（正しい）
解説：ディープフェイクは、実在の人物になりすました偽映像・音声などを生成する技術・成果物で、詐欺・名誉毀損・世論操作などへの悪用が懸念されています。
-
問104．生成AIサービスで作ったものを商用利用する際は、そのサービスの利用規約（生成物の権利や商用利用の可否）を確認する必要はない。
正解：×（誤り）
解説：誤り。サービスごとに生成物の権利の扱いや商用利用の条件が異なるため、商用利用の際は各サービスの利用規約を必ず確認する必要があります。
-
問105．個人情報保護法では、原則として本人の同意なく個人データを第三者に提供してはならないとされている。
正解：○（正しい）
解説：個人情報保護法27条により、個人データの第三者提供は原則としてあらかじめ本人の同意が必要です（法令に基づく場合など一定の例外があります）。生成AIへの入力時も個人情報の扱いに注意が必要です。
-
問106．AIの学習など情報解析のための著作物利用について定めた、日本の著作権法の条文はどれか。
- ア．著作権法30条の4
- イ．著作権法1条
- ウ．特許法29条
- エ．個人情報保護法1条
正解：ア．著作権法30条の4
解説：情報解析（AI学習等）のための利用は著作権法30条の4に定められています。1条は目的規定、特許法29条は特許要件、個人情報保護法1条は同法の目的規定です。
-
問107．生成AIに入力する情報として、最も注意すべき（安易に入力すべきでない）ものはどれか。
- ア．個人情報・社外秘などの機密情報
- イ．一般に公開されている公知の情報
- ウ．自分で考えた質問文
- エ．辞書に載っている一般的な用語
正解：ア．個人情報・社外秘などの機密情報
解説：個人情報や社外秘などの機密情報は、漏えいや目的外利用のリスクがあるため安易に入力すべきではありません。公知の一般情報や自作の質問文は相対的にリスクが低いです。
-
問108．生成AIが事実と異なる内容を出力する問題（ハルシネーション）への対策として、最も適切なものはどれか。
- ア．出力を鵜呑みにせず一次情報で事実確認する
- イ．出力を常にそのまま採用する
- ウ．確認は一切しない
- エ．出力を暗号化する
正解：ア．出力を鵜呑みにせず一次情報で事実確認する
解説：出力を鵜呑みにせず、一次情報などで事実確認（ファクトチェック）することが基本的な対策です。常にそのまま採用したり、確認を一切しないのは不適切です。
-
問109．AI新法（人工知能関連技術の研究開発及び活用の推進に関する法律）の第3条第4項は、AIの研究開発・活用が不正な目的や不適切な方法で行われた場合に助長されるおそれのある事態を例示している。条文に例示されている3つの組み合わせとして正しいものはどれか。
- ア．犯罪への利用、偽情報の拡散、差別の助長
- イ．個人情報の漏えい、差別の助長、サイバー攻撃
- ウ．犯罪への利用、個人情報の漏えい、著作権の侵害
- エ．偽情報の拡散、著作権の侵害、サイバー攻撃
正解：ウ．犯罪への利用、個人情報の漏えい、著作権の侵害
解説：AI新法第3条第4項は、AIの研究開発・活用が不正な目的又は不適切な方法で行われた場合には「犯罪への利用、個人情報の漏えい、著作権の侵害その他の国民生活の平穏及び国民の権利利益が害される事態」を助長するおそれがあるとして、研究開発・活用の過程の透明性の確保などの施策を講じるよう定めている。選択肢にある偽情報の拡散・差別の助長・サイバー攻撃は、この法律の条文には出てこない。
根拠： 人工知能関連技術の研究開発及び活用の推進に関する法律（令和7年法律第53号） 第3条 （出典: e-Gov法令検索）
-
問110．AI新法（人工知能関連技術の研究開発及び活用の推進に関する法律）にもとづいて内閣に置かれる本部で、本部長に充てられる者はどれか。
- ア．人工知能戦略担当大臣
- イ．内閣官房長官
- ウ．デジタル大臣
- エ．内閣総理大臣
正解：エ．内閣総理大臣
解説：AI新法は内閣に人工知能戦略本部を置き（第19条）、本部長には内閣総理大臣を充てる（第22条）。内閣官房長官と人工知能戦略担当大臣は副本部長（第23条）、それ以外の全ての国務大臣は本部員（第24条）に充てられる。
-
問111．著作権法上の「著作物」とは、思想又は感情を創作的に表現したものであり、単なる事実やデータそのものはこれに当たらない。
正解：○（正しい）
解説：著作権法2条1項1号は著作物を「思想又は感情を創作的に表現したものであつて、文芸、学術、美術又は音楽の範囲に属するもの」と定義している。創作的な表現でない単なる事実やデータそのものは著作物には当たらない。
-
問112．生成AIに詳細なプロンプトを入力しさえすれば、その出力物には常に入力者の著作権が認められる。
正解：×（誤り）
解説：誤り。著作物は思想又は感情を創作的に表現したものであり(著作権法2条1項1号)、著作物性は人間の創作的寄与の有無によって個別に判断される。単に指示を与えただけで常に著作権が認められるわけではない。
-
問113．生成AIの出力が既存の著作物に依拠していなくても、結果として表現が似ていれば常に著作権侵害となる。
正解：×（誤り）
解説：誤り。著作権侵害の成立には、既存著作物への依拠性と表現上の類似性の双方が必要とされる。依拠せず偶然に表現が一致したにすぎない場合は、直ちに侵害とはならない。
-
問114．個人情報保護法では、本人の病歴や犯罪の経歴などは「要配慮個人情報」とされ、その取扱いには特に配慮が求められる。
正解：○（正しい）
解説：個人情報保護法2条3項は、本人の人種、信条、社会的身分、病歴、犯罪の経歴などを「要配慮個人情報」と定め、不当な差別や偏見が生じないよう取扱いに特に配慮を要するものとしている。
-
問115．個人情報保護法上の「個人情報」には、それ単体では個人を識別できなくても、他の情報と容易に照合して特定の個人を識別できるものも含まれる。
正解：○（正しい）
解説：個人情報保護法2条1項は、他の情報と容易に照合することができ、それにより特定の個人を識別することができることとなるものも「個人情報」に含めている。
-
問116．ハルシネーションとは、生成AIが事実に基づかないもっともらしい内容を出力してしまう現象を指す。
正解：○（正しい）
解説：ハルシネーションは、生成AIが事実と異なる内容をもっともらしく出力する現象である。出力をそのまま信頼せず、一次情報などで事実確認を行うことが求められる。
-
問117．ハルシネーションは有償の生成AIでは一切発生しないため、その出力については事実確認を省略してよい。
正解：×（誤り）
解説：誤り。ハルシネーションは有償・無償を問わず生じ得る生成AIの特性であり、出力の正確性は保証されない。業務利用では一次情報などによる事実確認が必要である。
-
問118．不正競争防止法上の「営業秘密」として保護されるには、秘密として管理されていること（秘密管理性）、事業活動に有用な情報であること（有用性）、公然と知られていないこと（非公知性）の3つを満たす必要がある。
正解：○（正しい）
解説：不正競争防止法第2条第6項は、営業秘密を「秘密として管理されている生産方法、販売方法その他の事業活動に有用な技術上又は営業上の情報であって、公然と知られていないもの」と定める。秘密管理性・有用性・非公知性の3要件と呼ばれる。
-
問119．生成AIの出力は学習データに基づくため常に中立かつ公平であり、差別的な内容が含まれることはない。
正解：×（誤り）
解説：誤り。生成AIは学習データの傾向を反映するため、データに偏り(バイアス)があると出力にも差別的・不公平な偏りが生じ得る。出力の公平性は自動的には保証されない。
-
問120．営業秘密を生成AIに入力しても、秘密として管理されている状態は失われず、営業秘密としての法的な保護に影響はない。
正解：×（誤り）
解説：誤り。営業秘密を安易に生成AIに入力すると、秘密として管理されている状態（秘密管理性）が損なわれ、営業秘密としての保護を受けられなくなるおそれがある。
-
問121．個人情報を取り扱う際は、利用目的をできる限り特定する必要はなく、取得後に自由に目的を追加してよい。
正解：×（誤り）
解説：誤り。個人情報保護法17条は、個人情報を取り扱うに当たり利用目的をできる限り特定しなければならないと定めている。利用目的の変更も、変更前と関連性を有すると合理的に認められる範囲に限られる。
-
問122．一度公開されている有名人の写真であれば、生成AIで加工してどのように商用利用しても、肖像権やパブリシティ権の問題は生じない。
正解：×（誤り）
解説：誤り。公開済みの写真であっても、無断での加工や商用利用は肖像権やパブリシティ権(氏名・肖像の経済的価値に関する権利)の侵害となり得る。商用利用にあたっては権利関係の確認が必要である。
-
問123．広島AIプロセスは、G7を中心に、高度なAIシステムに関する国際的な指針づくりを進めた枠組みである。
正解：○（正しい）
解説：広島AIプロセスは、G7を中心に、高度なAIシステムの開発・利用に関する国際的な指針や行動規範づくりを進めた枠組みである。国際的なAIガバナンスの取組みの一つとして位置づけられる。
-
問124．AI事業者ガイドラインは法律そのものであり、そこに示された事項に反すると直ちに刑事罰が科される。
正解：×（誤り）
解説：誤り。AI事業者ガイドライン(総務省・経済産業省)は、開発者・提供者・利用者が留意すべき事項をまとめた指針であって、それ自体が罰則を伴う法律ではない。
-
問125．プロンプトインジェクションは利用者側の単なる入力ミスにすぎず、セキュリティ上の脅威とはいえない。
正解：×（誤り）
解説：誤り。プロンプトインジェクションは、不正な指示を紛れ込ませてAIに意図しない動作をさせる攻撃であり、情報漏洩や不適切な出力を招く生成AI特有のセキュリティリスクである。
-
問126．生成AIに入力した情報は、どのサービスでも必ず即座に破棄され、保存や学習に使われることは一切ない。
正解：×（誤り）
解説：誤り。サービスの設定や仕様によっては入力内容が保存・学習され、意図せず外部に残る可能性があるため、機密情報や個人情報の入力には留意が必要である。
-
問127．生成AIに情報を入力する際に、特に慎重な扱いが求められる「要配慮個人情報」に該当するものはどれか。
- ア．本人の趣味や好きな食べ物
- イ．一般に公開されている企業名
- ウ．本人の病歴や犯罪の経歴
- エ．その日の天気予報の情報
正解：ウ．本人の病歴や犯罪の経歴
解説：個人情報保護法2条3項により、本人の病歴や犯罪の経歴などは要配慮個人情報とされ、取扱いに特に配慮を要する。趣味や公開済みの企業名、天気予報の情報はこれに当たらない。
-
問128．生成AIの出力が既存の著作物に対する著作権侵害となるかを判断する要素として、正しい組み合わせはどれか。
- ア．出力の長さと生成にかかった時間
- イ．既存著作物への依拠性と表現の類似性
- ウ．利用者の職業と年齢
- エ．使用したAIサービスの価格
正解：イ．既存著作物への依拠性と表現の類似性
解説：著作権侵害の成立には、既存著作物への依拠性と表現上の類似性の双方が必要とされる。出力の長さや生成時間、利用者の属性、使用したAIの価格は判断要素ではない。
-
問129．電話などの音声通話で金融機関や公的機関の担当者を装い、暗証番号や認証コードを聞き出そうとする詐欺の手口を何というか。
- ア．ヴィッシング
- イ．スミッシング
- ウ．スピアフィッシング
- エ．ランサムウェア
正解：ア．ヴィッシング
解説：ヴィッシング（Vishing）はVoice（音声）とPhishingを組み合わせた語で、電話で相手を装って情報を聞き出す手口である。SMSを使うものはスミッシング、特定の相手を狙い撃ちにするメール攻撃はスピアフィッシングと呼ぶ。
-
問130．著作権法上の「著作物」の定義として正しいものはどれか。
- ア．思想又は感情を創作的に表現したもの
- イ．世の中に存在する事実やデータそのもの
- ウ．誰でも自由に利用できる公共の情報全般
- エ．コンピュータが自動的に生成したすべての出力
正解：ア．思想又は感情を創作的に表現したもの
解説：著作権法2条1項1号は、著作物を「思想又は感情を創作的に表現したものであつて、文芸、学術、美術又は音楽の範囲に属するもの」と定義している。事実やデータそのもの、公共の情報一般、AIの自動出力すべてが当然に著作物となるわけではない。
-
問131．ディープフェイクの悪用として懸念される事例として最も適切なものはどれか。
- ア．会議の議事録を自動で要約する
- イ．外国語の文章を翻訳する
- ウ．実在の人物になりすました偽の動画で世論を誘導する
- エ．表計算の数式を自動で生成する
正解：ウ．実在の人物になりすました偽の動画で世論を誘導する
解説：ディープフェイクは、実在の人物になりすました偽の動画などを生成できるため、世論の誘導や名誉毀損、詐欺などへの悪用が懸念される。議事録の要約や翻訳、数式生成は通常の利用であり悪用には当たらない。
-
問132．「人間中心のAI社会原則」が重視する考え方として最も適切なものはどれか。
- ア．AIの判断を常に人間の判断より優先する
- イ．AIの開発速度を最優先する
- ウ．効率化のため人間の関与を排除する
- エ．AIの利用が人間の尊厳や自由を損なわないようにする
正解：エ．AIの利用が人間の尊厳や自由を損なわないようにする
解説：人間中心のAI社会原則は、AIの利用が人間の尊厳や自由を損なわないようにすることなどを重視する。人間の関与を排除したり、AIの判断や開発速度を無条件に優先したりする考え方ではない。
-
問133．特定の個人を識別できないように処理し、かつ元の個人情報を復元できないようにした個人に関する情報を、個人情報保護法で何というか。
- ア．仮名加工情報
- イ．個人関連情報
- ウ．匿名加工情報
- エ．要配慮個人情報
正解：ウ．匿名加工情報
解説：個人情報保護法第2条第6項は、特定の個人を識別できないように加工し、かつ復元できないようにした情報を匿名加工情報と定める。仮名加工情報（同条第5項）は、他の情報と照合しない限り識別できないようにしたもので、復元できないことまでは求められない。
-
問134．生成AIの出力をそのまま公開する前に取るべき対応として最も適切なものはどれか。
- ア．事実関係を一次情報で確認し、権利侵害や差別的表現がないか点検する
- イ．出力は常に正確なのでそのまま公開する
- ウ．確認は時間がかかるので省略する
- エ．情報源は一切示さないようにする
正解：ア．事実関係を一次情報で確認し、権利侵害や差別的表現がないか点検する
解説：生成AIの出力は誤りを含み得るため、事実関係を一次情報で確認し、権利侵害や差別的表現がないか点検してから公開することが適切である。出力を常に正確とみなして確認を省略するのは不適切である。
-
問135．個人情報保護法における「利用目的」の取扱いとして正しいものはどれか。
- ア．利用目的は特定しなくてよい
- イ．一度決めた利用目的は本人の同意なくどのようにでも変更してよい
- ウ．利用目的は決して公表してはならない
- エ．個人情報を取り扱う際は利用目的をできる限り特定しなければならない
正解：エ．個人情報を取り扱う際は利用目的をできる限り特定しなければならない
解説：個人情報保護法17条は、個人情報を取り扱うに当たり利用目的をできる限り特定しなければならないと定めている。目的を特定しなくてよい、本人同意なく自由に変更してよい、公表してはならない、とするのは誤りである。
-
問136．SNSなどで拡散される真偽不明の情報(フェイクニュース等)に接したときの情報リテラシーとして最も適切なものはどれか。
- ア．発信元や一次情報を確認せずに拡散する
- イ．発信元・一次情報を確認し、裏付けが取れるまで拡散を控える
- ウ．話題性が高ければ内容を確認せず共有する
- エ．生成AIが作成した情報は無条件に信頼する
正解：イ．発信元・一次情報を確認し、裏付けが取れるまで拡散を控える
解説：発信元や一次情報を確認し、裏付けが取れるまで拡散を控えることが適切である。確認せずに拡散すること、話題性だけで共有すること、生成AIが作った情報を無条件に信頼することは、誤情報の拡散につながる。
-
問137．AI新法は、AIを事業活動で活用する事業者（活用事業者）に国の施策への協力を義務づけ、協力しなかった事業者には罰金を科すと定めている。
正解：×（誤り）
解説：誤り。AI新法第7条は、活用事業者が国や地方公共団体の施策に「協力しなければならない」と定めているが、違反に対する罰則の規定は法律のどこにも置かれていない。不適切な活用で権利侵害が生じた事案には、国が分析を行い、指導・助言・情報の提供などの措置を講ずる（第16条）。
-
問138．AI新法にもとづく「人工知能基本計画」について、計画の案を作成する機関と、その案について閣議の決定を求める者の組み合わせとして正しいものはどれか。
- ア．デジタル庁が案を作成し、デジタル大臣が閣議の決定を求める
- イ．人工知能戦略本部が案を作成し、内閣総理大臣が閣議の決定を求める
- ウ．デジタル庁が案を作成し、内閣総理大臣が閣議の決定を求める
- エ．人工知能戦略本部が案を作成し、デジタル大臣が閣議の決定を求める
正解：イ．人工知能戦略本部が案を作成し、内閣総理大臣が閣議の決定を求める
解説：AI新法第18条第3項により、内閣総理大臣は人工知能戦略本部が作成した人工知能基本計画の案について閣議の決定を求め、決定後は遅滞なく公表する（同条第4項）。案の作成は人工知能戦略本部の所掌事務とされ（第20条）、デジタル庁やデジタル大臣が担うものではない。
-
問139．AI新法の第13条（適正性の確保）で、国がAIの研究開発・活用の適正な実施を図るために整備するものとして定められているものはどれか。
- ア．国内の産業振興の方針に即した指針
- イ．国内の産業振興の方針に即した認証制度
- ウ．国際的な規範の趣旨に即した認証制度
- エ．国際的な規範の趣旨に即した指針
正解：エ．国際的な規範の趣旨に即した指針
解説：AI新法第13条は、国が研究開発・活用の適正な実施を図るため「国際的な規範の趣旨に即した指針の整備その他の必要な施策を講ずる」と定めている。認証制度を設ける規定はなく、国際的な規範の策定への参画も第17条で求められている。
-
問140．プロンプトとは、生成AIから望む出力を得るために与える指示・入力文のことである。
正解：○（正しい）
解説：プロンプトはAIへの指示文です。プロンプトの良し悪しが出力の質を大きく左右するため、意図を的確に伝える工夫（プロンプトエンジニアリング）が重要になります。
-
問141．良いプロンプトは、役割・文脈・具体的な指示・制約・出力形式などを明確に伝えるとよいとされる。
正解：○（正しい）
解説：「誰として」「どんな前提で」「何を」「どんな制約で」「どんな形式で」出力してほしいかを具体的に伝えると、意図に沿った出力を得やすくなります。
-
問142．ゼロショットプロンプティングとは、例（お手本）を与えずに、指示だけで回答させる方法である。
正解：○（正しい）
解説：ゼロショットは例示なしで指示のみを与える方法です。これに対し、いくつかの例を示してから回答させる方法をフューショットといいます。
-
問143．フューショットプロンプティングとは、いくつかの例（お手本）をプロンプト内で示してから回答させる方法である。
正解：○（正しい）
解説：フューショットは、期待する入出力の例をいくつか提示してから本番の指示を与える方法で、出力の形式や方針を安定させたいときに有効です。
-
問144．思考の連鎖（Chain of Thought）は、答えだけでなく途中の考え方を段階的に示させることで、複雑な問題の精度向上を狙う手法である。
正解：○（正しい）
解説：思考の連鎖（CoT）は「順を追って考えて」などと促し、推論過程を段階的に出させる手法です。計算や論理を要する問題で精度が上がることがあります。
-
問145．プロンプトは曖昧なほどよく、具体的な条件や出力形式は指定しない方が良い結果を得られる。
正解：×（誤り）
解説：誤り。一般に、目的・条件・出力形式などを具体的に指定した方が、意図に沿った質の高い出力を得やすくなります。曖昧な指示は解釈のぶれを招きます。
-
問146．出力形式（箇条書き・表・JSONなど）を指定すると、望む形の結果を得やすくなる。
正解：○（正しい）
解説：「表形式で」「箇条書きで3点」「JSONで」など出力形式を指定すると、後工程で扱いやすい形の結果を得やすくなります。
-
問147．役割を与える（例：「あなたは経験豊富な編集者です」）ことで、回答のトーンや専門性を調整できる。
正解：○（正しい）
解説：ロール（役割）を指定すると、その立場にふさわしい語り口や観点で回答させやすくなります。目的に合った役割設定は有効なプロンプト技法の一つです。
-
問148．期待する結果が得られない場合は、プロンプトを修正しながら試行錯誤（反復）して改善していくことが有効である。
正解：○（正しい）
解説：一度で最適な出力が得られるとは限らないため、指示を具体化したり例を足したりしながら反復改善するのが実践的なコツです。
-
問149．ハルシネーション対策として、「確実でない場合は『わからない』と答えて」と指示するなどの工夫が有効なことがある。
正解：○（正しい）
解説：不確かな場合は分からないと答えるよう促す、根拠を示させる、といったプロンプトの工夫で、もっともらしい誤り（ハルシネーション）を減らせることがあります。
-
問150．プロンプトに機密情報や個人情報を含める場合は、サービスの規約や情報漏えいのリスクに注意する必要がある。
正解：○（正しい）
解説：プロンプトに入力した情報が保存・学習に使われる可能性があるため、機密情報・個人情報の入力にはサービスの規約確認とリスク管理が必要です。
-
問151．生成AIへ与える指示文（入力）を何と呼ぶか。
- ア．プロンプト
- イ．コンパイラ
- ウ．データベース
- エ．プロトコル
正解：ア．プロンプト
解説：生成AIへの指示文はプロンプトです。コンパイラはプログラムの翻訳、データベースはデータの保管、プロトコルは通信規約を指します。
-
問152．例を一切与えず、指示だけで回答させるプロンプト手法はどれか。
- ア．ゼロショット
- イ．フューショット
- ウ．ファインチューニング
- エ．スクレイピング
正解：ア．ゼロショット
解説：例示なしで指示のみを与える方法はゼロショットです。フューショットは例を示す方法、ファインチューニングは追加学習、スクレイピングはデータ収集です。
-
問153．いくつかのお手本（例）を示してから回答させるプロンプト手法はどれか。
- ア．フューショット
- イ．ゼロショット
- ウ．正規化
- エ．デプロイ
正解：ア．フューショット
解説：例をいくつか提示してから回答させる手法はフューショットです。ゼロショットは例なし、正規化・デプロイはプロンプト技法ではありません。
-
問154．複雑な問題で、途中の推論過程を段階的に示させて精度向上を狙うプロンプト手法はどれか。
- ア．思考の連鎖（Chain of Thought）
- イ．畳み込み
- ウ．過学習
- エ．次元削減
正解：ア．思考の連鎖（Chain of Thought）
解説：推論過程を段階的に出させる手法が思考の連鎖（Chain of Thought）です。畳み込み・過学習・次元削減はプロンプト技法ではありません。
-
問155．テキスト生成AIに依頼する作業のうち、一般に不得意とされるものはどれか。
- ア．長い報告書を3行程度に要約させる
- イ．箇条書きのメモを文章に書き換えさせる
- ウ．本文をちょうど400字で書かせる
- エ．話者の設定を変えて文章を書き換えさせる
正解：ウ．本文をちょうど400字で書かせる
解説：2026年10月試験までのシラバス（2026年2月試験より適用）の第5章は、テキスト生成AIの不得意なこととして、正確な文字数の指定、計算、最新の情報、芸術の批評を挙げている。文章の要約、箇条書きを文章に変換すること、話者の設定を変更することは、同じ章でプロンプティングの実践例として挙げられている。なお、2027年2月試験から適用される新シラバスでは、この「不得意なこと」の項目は挙げられていない。
根拠： 生成AI活用普及協会（GUGA）「生成AIパスポート試験シラバス」（2026年2月試験より適用） 第5章 テキスト生成AIのプロンプト制作と実例（Web Archive 2026-09-20 保存分） ／ 生成AI活用普及協会（GUGA）「生成AIパスポート試験シラバス」（2027年2月試験より適用） 第5章 生成AIの実践と活用事例
-
問156．直前の数語だけを手がかりにし、大量の文章で数えた単語の並びの出現頻度から次の単語の確率を求める、統計的な言語モデルはどれか。
- ア．ニューラル言語モデル
- イ．n-gramモデル
- ウ．Transformerモデル
- エ．拡散モデル
正解：イ．n-gramモデル
解説：n-gramモデルは、直前のn−1語の並びの出現頻度から次の単語の確率を推定する統計的な言語モデルである。ニューラル言語モデルやTransformerはニューラルネットワークで確率を学習する点が異なる。
-
問157．プロンプトの基本的な構成要素として、指示・文脈（背景情報）・入力データ・出力形式などが挙げられる。
正解：○（正しい）
解説：プロンプトは、何をしてほしいかの指示に加え、前提となる文脈、処理対象の入力データ、望む出力形式を組み合わせて構成されることが多い。これらを整理して伝えると意図が正確に伝わりやすくなる。
-
問158．ワンショットプロンプティングとは、1つの例（お手本）をプロンプト内で示してから回答させる方法である。
正解：○（正しい）
解説：ワンショットは、例を1つだけ提示して形式や方向性を伝える手法である。例を与えないゼロショット、複数の例を与えるフューショットとの中間に位置づけられる。
-
問159．ハイパーパラメータとは、学習データからモデルが自動的に獲得する重みのことであり、人があらかじめ設定する値ではない。
正解：×（誤り）
解説：ハイパーパラメータは、学習率やTemperature・Top-pのように人があらかじめ設定する値で、学習によって自動的に決まる重み（パラメータ）とは区別される。
-
問160．「〜しないで」という否定形の指示より、「〜してください」と望む行動を肯定形で示す方が、意図が伝わりやすいことがある。
正解：○（正しい）
解説：否定形は何をすべきかが不明確になりやすいのに対し、肯定形は取ってほしい行動を直接示せる。望む結果を具体的な行動として伝える方が、期待どおりの出力を得やすい。
-
問161．複雑なタスクは、小さな手順に分割せず一度にすべてまとめて指示するほど、精度が高まりやすい。
正解：×（誤り）
解説：誤り。複雑なタスクは、一度にすべて指示するより小さな手順に分割して段階的に指示する方が、精度を高めやすい。
-
問162．対象読者やトーン（文体）を指定しても、出力の分かりやすさや印象には影響しない。
正解：×（誤り）
解説：誤り。想定読者や文体を指定すると、語彙の難易度や説明の詳しさ、口調が調整され、目的に合った出力を得やすくなる。読者やトーンの指定は有効な制約条件である。
-
問163．プロンプトに背景情報や前提条件を与えると、文脈に沿った回答を得やすくなる。
正解：○（正しい）
解説：目的や状況、前提となる知識を補うと、AIは文脈を踏まえて回答を組み立てられる。背景が不足していると一般論に流れやすいため、必要な情報を提供することが有効である。
-
問164．文字数の上限や使用してよい語彙の範囲などの制約条件は、プロンプトの指示に含めることはできない。
正解：×（誤り）
解説：誤り。文字数の上限や使用してよい語彙の範囲などの制約条件は、プロンプトの指示に含めることができ、出力を意図に沿わせるのに役立つ。
-
問165．Top-p（核サンプリング）は、次に来る単語の候補を確率の高い順に並べ、上位p個の単語だけから次の単語を選ぶ方式である。
正解：×（誤り）
解説：Top-pは、確率の高い順に候補を足し合わせ、累積確率がpに達するまでの候補の中から次の単語を選ぶ方式で、pは個数ではなく確率の値である。上位の個数で絞るのはTop-kと呼ばれる別の方式である。
-
問166．ハルシネーションを抑える工夫として、回答の根拠や情報源を示すよう求める方法がある。
正解：○（正しい）
解説：根拠や出典の提示を求めると、裏づけのない断定を抑えやすく、利用者も内容を検証しやすくなる。参照範囲を限定して答えさせることも、誤情報を減らす工夫となる。
-
問167．具体例（お手本）を示すことは、望む出力の形式や方向性をAIに伝える助けにはならない。
正解：×（誤り）
解説：誤り。具体例を示すと、期待する形式・粒度・言い回しが伝わり、出力が意図に近づきやすくなる。例示はフューショットなどでも活用される有効な手法である。
-
問168．専門用語や前提の説明を省くほど、プロンプトは簡潔になり常に良い結果が得られる。
正解：×（誤り）
解説：誤り。前提や用語が共有されていないと解釈がぶれ、意図と異なる出力になりやすい。簡潔さより、必要な情報が過不足なく伝わることの方が重要である。
-
問169．1つのプロンプトに互いに無関係な指示を多く詰め込むほど、常に回答の精度が高まる。
正解：×（誤り）
解説：誤り。無関係な指示を混在させると焦点がぼやけ、どの要求も中途半端になりやすい。目的ごとに指示を整理・分割する方が、精度の高い出力を得やすい。
-
問170．同じ内容でも表現や条件の与え方で出力の質が変わるため、プロンプトは複数案を試して比較すると良い。
正解：○（正しい）
解説：プロンプトの言い回しや条件は出力に影響するため、いくつかの案を比較して有効なものを選ぶと質を高めやすい。良い例と悪い例を見比べることも改善の手がかりになる。
-
問171．「それ」「あれ」などの曖昧な代名詞を多用しても、AIは常に意図した対象を正しく特定できる。
正解：×（誤り）
解説：誤り。指示語が何を指すか不明確だと解釈がぶれ、意図しない対象について回答されることがある。対象は具体的に明示する方が誤解を防げる。
-
問172．「回答は箇条書きで300字以内にまとめてください」という指示が主に該当するプロンプトの要素はどれか。
- ア．出力形式・制約条件の指定
- イ．役割（ロール）の付与
- ウ．お手本となる例の提示
- エ．思考過程を段階的に示させる指示
正解：ア．出力形式・制約条件の指定
解説：箇条書きという形式と300字以内という分量は、出力形式や制約条件の指定にあたる。役割付与や例示、思考過程の要求とは異なる要素である。
-
問173．「あなたは経験豊富な法律家です」のように立場や専門性を設定する手法を何というか。
- ア．ゼロショットプロンプティング
- イ．思考の連鎖（Chain of Thought）
- ウ．役割（ロール）を与えるプロンプティング
- エ．出力形式の指定
正解：ウ．役割（ロール）を与えるプロンプティング
解説：特定の立場や専門性を割り当てるのは、役割（ロール）を与えるプロンプティングである。これにより回答のトーンや専門性を調整しやすくなる。
-
問174．お手本となる例を1つだけ示してから回答させるプロンプト手法はどれか。
- ア．ゼロショットプロンプティング
- イ．ワンショットプロンプティング
- ウ．フューショットプロンプティング
- エ．思考の連鎖
正解：イ．ワンショットプロンプティング
解説：例を1つ提示する手法はワンショットプロンプティングである。例を与えないものはゼロショット、複数示すものはフューショットと呼ばれる。
-
問175．ハルシネーション（もっともらしい誤り）を減らす工夫として最も適切なものはどれか。
- ア．指示を曖昧にして自由に補わせる
- イ．出力をそのまま検証せず使う
- ウ．できるだけ長文で回答させる
- エ．回答の根拠や情報源を示すよう求める
正解：エ．回答の根拠や情報源を示すよう求める
解説：根拠や情報源を示させ、参照範囲を限定することで、裏づけのない断定を抑えやすくなる。曖昧化や検証の省略は、むしろ誤情報の混入を招く。
-
問176．プロンプトインジェクションの説明として最も適切なものはどれか。
- ア．回答を高速に生成するための最適化手法
- イ．不正な指示を紛れ込ませてAIを意図せぬ動作に誘導する行為
- ウ．画像を高解像度に変換する処理
- エ．複数の例をプロンプト内で示す手法
正解：イ．不正な指示を紛れ込ませてAIを意図せぬ動作に誘導する行為
解説：プロンプトインジェクションは、入力に不正な指示を紛れ込ませてAIを本来の意図と異なる動作へ誘導しようとする攻撃・悪用である。速度向上や画質改善の手法ではない。
-
問177．手順の多い複雑な作業を生成AIに依頼するときの工夫として、最も適切なものはどれか。
- ア．すべてを1文にまとめて一度に丸投げする
- イ．前提や背景は伝えずに任せる
- ウ．タスクを小さな手順に分割して段階的に指示する
- エ．指示語を多用して具体的な条件は省く
正解：ウ．タスクを小さな手順に分割して段階的に指示する
解説：複雑な作業は小さな手順に分割し、段階的に指示する方が各ステップが明確になり精度を高めやすい。一括で丸投げしたり情報を省いたりすると、結果が不安定になりやすい。
-
問178．プロンプトの構成要素のうち、「読者は入社1年目の社員で、明日の研修で配る資料である」のように、タスクの背景や前提となる状況を伝える部分を何と呼ぶか。
- ア．Instruction
- イ．Context
- ウ．Input Data
- エ．Output Indicator
正解：イ．Context
解説：プロンプトの構成要素は、実行させたい作業を示すInstruction（指示）、背景や前提を伝えるContext（文脈）、処理の対象となるInput Data（入力データ）、出力の形式を示すOutput Indicator（出力指示子）に整理される。設問の例は背景・前提にあたるのでContextである。
-
問179．次のうち「悪い（不十分な）プロンプト」に最も近いものはどれか。
- ア．対象読者を小学生と指定し平易に説明させる
- イ．箇条書きで5項目にまとめるよう指定する
- ウ．目的と字数の上限を明示して要約させる
- エ．「この文章をいい感じにして」とだけ伝える
正解：エ．「この文章をいい感じにして」とだけ伝える
解説：「いい感じにして」は目的・条件・出力形式が不明で解釈が大きくぶれる、曖昧な丸投げの例である。目的や読者、形式を具体的に示した指示は良いプロンプトに近い。
-
問180．同じ内容の説明でも、読者に合わせて難易度を変えたい。プロンプトに加えるべき指示として最も適切なものはどれか。
- ア．できるだけ専門用語を多く使うよう指示する
- イ．想定する読者層を具体的に指定する
- ウ．文字数の下限だけを大きく設定する
- エ．回答の根拠を書かないよう指示する
正解：イ．想定する読者層を具体的に指定する
解説：想定読者（例：小学生向け、専門家向け）を明示すると、語彙や説明の詳しさが調整され、読者に合った出力を得やすい。文字数の下限だけを増やしても難易度は制御できない。
-
問181．モデルの重みには手を加えず、入力する指示文の書き方を設計・改善して、望む出力を引き出すための技術や取り組みを何と呼ぶか。
- ア．ファインチューニング
- イ．プロンプトエンジニアリング
- ウ．プレトレーニング
- エ．RLHF
正解：イ．プロンプトエンジニアリング
解説：プロンプトエンジニアリングは、モデル自体は変えずに指示文（プロンプト）の設計・改善で出力を引き出す技術である。ファインチューニング・プレトレーニング・RLHFはいずれもモデルの重みを学習で更新する手法である。
-
問182．RAG（検索拡張生成）は、外部の知識源を検索し、その内容を踏まえて回答を生成することで、ハルシネーションの低減や最新情報への対応を図る手法である。
正解：○（正しい）
解説：RAG（Retrieval-Augmented Generation）は、質問に関連する文書を検索し、その内容をプロンプトに与えて回答させる手法です。社内文書や最新情報に基づく回答が可能になり、誤りの低減に役立ちます。
-
問183．AIエージェントとは、目標を与えると自らタスクを計画・分解し、ツールを使いながら自律的に実行しようとするAIの仕組みである。
正解：○（正しい）
解説：AIエージェントは、目標達成のために手順を考え、検索・計算・外部ツール呼び出しなどを組み合わせて自律的に作業を進めます。2024〜2025年にかけて注目が高まっています。
-
問184．主要な対話型AIサービスは特定の一社が独占しているわけではなく、複数の企業がそれぞれ独自のサービスを開発・提供して競合している。
正解：○（正しい）
解説：対話型AIは複数の企業がそれぞれ独自のサービスを開発・提供して競合している分野である。個々の製品名や提供元は改称・統廃合されることがあるため、最新の対応関係は各社の公式情報で確認するのが確実である。
-
問185．RAGは、モデル本体を再学習（再訓練）することによってのみ最新知識を反映する手法であり、外部データの検索は行わない。
正解：×（誤り）
解説：誤り。RAGはモデルを再学習せず、外部の知識を検索してプロンプトに与える（文脈として渡す）ことで最新・専門情報に対応します。再学習が不要な点が利点です。
-
問186．生成AIは一度学習を終えると内部の知識が固定されるため、学習の締め切り（知識カットオフ）以降に起きた出来事は、そのままでは正確に答えられないことがある。
正解：○（正しい）
解説：モデルの知識は学習時点で固定されます（知識カットオフ）。それ以降の最新情報に対応するには、RAGやWeb検索連携などの仕組みが必要になります。
-
問187．AIエージェントやRAGでは、外部のツールやデータに接続するための仕組み・プロトコル（例：MCPなど）が用いられることがある。
正解：○（正しい）
解説：AIを外部ツールやデータソースへ安全に接続するための標準的な仕組みとして、MCP（Model Context Protocol）などが登場しています。エージェント活用の基盤技術の一つです。
-
問188．生成AIの業務活用例として、文章の要約・翻訳・下書き作成・アイデア出し・プログラムコードの生成などがある。
正解：○（正しい）
解説：生成AIは、要約・翻訳・メールや文書の下書き・アイデア出し・コード生成など、幅広い業務で活用されています。ただし出力の確認は利用者の責任で行う必要があります。
-
問189．テキストの指示から動画を生成するAIが登場しており、OpenAIのSoraやGoogleのVeoがその例として知られている。
正解：○（正しい）
解説：テキストから動画を生成する技術（Text-to-Video）は、OpenAIのSora（2024年発表）やGoogleのVeoなどで実用化が進んだ。なおSoraはWeb・アプリが2026年4月26日、APIが2026年9月24日に提供を終了している（OpenAI発表）。
-
問190．RAGで、検索の対象とする長い文書を、あらかじめ検索しやすい大きさに分割したひとまとまりを何と呼ぶか。
- ア．チャンク
- イ．トークン
- ウ．エポック
- エ．パラメータ
正解：ア．チャンク
解説：RAGでは文書を一定の長さのチャンクに分割し、埋め込みベクトルにしてベクトルデータベースに保存しておき、質問に近いチャンクを検索して回答生成に使う。トークンはモデルが文章を処理する単位で、分割した文書のまとまりとは別物である。
-
問191．AIエージェントの仕組みで、大規模言語モデルが、使いたい外部の処理の名前とそこに渡す引数を決まった形式で出力し、アプリ側がその処理を実行して結果をモデルに返すやり取りを何と呼ぶか。
- ア．検索拡張生成（RAG）
- イ．思考の連鎖（Chain-of-Thought）
- ウ．ツール呼び出し（Function Calling）
- エ．文脈内学習（In-Context Learning）
正解：ウ．ツール呼び出し（Function Calling）
解説：モデルが使う処理（ツール）の名前と引数を構造化して出力し、アプリ側が実行した結果をモデルに返す仕組みは、ツール呼び出し（Function Calling。AnthropicはTool Useとも呼ぶ）である。AIエージェントはこのやり取りをくり返して作業を進める（提供元の基盤側で実行されるツールもある）。検索拡張生成は外部の文書を検索して得た内容を踏まえて回答させる手法、思考の連鎖は途中の考えを段階的に書かせるプロンプトの技法、文脈内学習はプロンプトに示した例から振る舞いを合わせることで、いずれもこのやり取りそのものの名前ではない。
根拠： Anthropic「Tool use with Claude」 How tool use works（client tools / server tools） ／ OpenAI API「Function calling」 ツール呼び出しの流れ（関数の実行と結果の返却） ／ 生成AIパスポート試験シラバス（GUGA） AIエージェントの仕組み（Function Calling・Tool Use）／RAG／プロンプトエンジニアリング（Chain-of-Thought・In-Context Learning）
-
問192．対話型AIサービスと提供企業の組み合わせとして、誤っているものはどれか。
- ア．ChatGPT ― OpenAI
- イ．Gemini ― Google
- ウ．Claude ― Anthropic
- エ．Copilot ― Apple
正解：エ．Copilot ― Apple
解説：CopilotはMicrosoftが提供するAIアシスタントです（Appleではありません）。ChatGPT＝OpenAI、Gemini＝Google、Claude＝Anthropicは正しい組み合わせです。
-
問193．テキストの指示から画像を生成するサービス・モデルだけを並べた組み合わせはどれか。
- ア．GPT-2・GPT-3・InstructGPT
- イ．BERT・RoBERTa・ALBERT
- ウ．Stable Diffusion・Midjourney・Firefly
- エ．Whisper・VALL-E・wav2vec 2.0
正解：ウ．Stable Diffusion・Midjourney・Firefly
解説：Stable Diffusion・Midjourney・Adobe Fireflyは、テキストの指示から画像を生成する代表的なサービス・モデルである。GPT-2・GPT-3・InstructGPTは文章を生成する言語モデル、BERT・RoBERTa・ALBERTは文章の理解（分類や穴埋め）に使う言語モデル、Whisper・VALL-E・wav2vec 2.0は音声の認識や合成に使うモデルで、画像は生成しない。なおOpenAIのDALL·E 2・3は2026年5月12日にAPIの提供を終了している。
-
問194．RAGを使う主な目的として、最も適切なものはどれか。
- ア．外部の文書を検索して回答の根拠に使い、事実に即した回答にする
- イ．モデルのパラメータ数を減らして、推論を速く軽くする
- ウ．生成した文章の文体を、指定した形式にそろえる
- エ．入力された長い文章を要約して、プロンプトを短くする
正解：ア．外部の文書を検索して回答の根拠に使い、事実に即した回答にする
解説：RAG（検索拡張生成）は、事前学習済みの言語モデルに文書を検索する仕組みを組み合わせる手法である。質問に関係する文書を外部の知識源から検索し、その内容を踏まえて回答を生成するため、モデル内部の知識だけで答えるより具体的で事実に即した回答になりやすく、誤り（ハルシネーション）を減らしたり根拠を示したりしやすい。モデルの軽量化・高速化、文体の統一、入力の要約は、それぞれ別の手法の目的である。
-
問195．テキスト・画像・音声など複数の種類の情報をまとめて扱えるAIはマルチモーダルAIと呼ばれ、文章と画像を組み合わせて入力・出力するといった活用が考えられる。
正解：○（正しい）
解説：複数種類（モーダル）の情報を横断して扱えるAIをマルチモーダルAIという。文章だけでなく画像や音声も併せて理解・生成できるため、用途の幅が広がる考え方である。
-
問196．特定の用途に合わせてモデル自体を追加で学習させ、振る舞いを恒常的に最適化する手法をファインチューニングと呼び、プロンプトの工夫だけでは対応しにくい場合の選択肢となる。
正解：○（正しい）
解説：ファインチューニングはモデルそのものを追加学習させて特定タスクに適応させる手法である。都度の指示で調整するプロンプト活用と、モデルを作り込むファインチューニングは、目的やコストに応じて使い分けるという考え方が基本となる。
-
問197．専門的な知識を持たない人でも高度なAIを利用・活用できるようになっていく流れは、一般に「AIの民主化」と呼ばれる。
正解：○（正しい）
解説：AIの民主化とは、限られた専門家だけでなく幅広い人々がAIを使えるようになる動きを指す考え方である。利用の裾野が広がる一方で、使いこなすためのリテラシーの重要性も増す。
-
問198．内部構造や重み（パラメータ）が公開され、利用者が自分の環境で改変・再配布しやすいという特徴は、一般に非公開（クローズド）なモデルの側の特徴である。
正解：×（誤り）
解説：誤り。内部が公開され改変・再配布しやすいのはオープンソース型のモデルの考え方である。非公開（クローズド）型は提供元が内部を管理し、利用者は改変できないのが一般的である。
-
問199．生成AIの業務活用は文章の生成に限られており、要約・翻訳・アイデア出し・コード補助といった用途に用いることはできない。
正解：×（誤り）
解説：誤り。生成AIは文章生成のほか、要約・翻訳・アイデア出し・コード補助・画像生成など多様な用途カテゴリで活用できる。目的に応じて用途を選ぶという考え方が大切である。
-
問200．生成AIは誰でも手軽に使えるようになったため、利用者が仕組みやリスクを理解するためのリテラシーは、もはや不要になったといえる。
正解：×（誤り）
解説：誤り。手軽に使えるようになったからこそ、誤情報・情報漏えい・著作権などのリスクを踏まえて適切に扱うリテラシーの重要性はむしろ高まっている。
-
問201．人をだます意図をもって作られ、拡散される虚偽の情報を何と呼ぶか。
- ア．ミスインフォメーション
- イ．ディスインフォメーション
- ウ．マルインフォメーション
- エ．ハルシネーション
正解：イ．ディスインフォメーション
解説：ディスインフォメーション（偽情報）は、意図的にだます目的で作られた虚偽の情報を指す。意図せず広まった誤った情報はミスインフォメーション（誤情報）、事実に基づく情報を、害を与える目的で使うものはマルインフォメーションと区別される。
-
問202．モデルの内部構造や重みが公開され、利用者が自分の環境で改変・再配布しやすいという特徴に最も近い考え方はどれか。
- ア．内部が非公開で提供元だけが管理するモデル
- イ．オープンソースのモデル
- ウ．通信を暗号化するための仕組み
- エ．表計算を行うためのソフトウェア
正解：イ．オープンソースのモデル
解説：内部が公開され改変・再配布しやすいのはオープンソース型のモデルの考え方である。内部が非公開で提供元が管理するモデルはこれと対照的であり、暗号化や表計算はモデルの公開性とは関係しない。
-
問203．専門的な知識を持たない人でも高度なAIを利用・活用できるようになっていく流れを表す言葉として、最も適切なものはどれか。
- ア．通信の暗号化
- イ．画像の圧縮
- ウ．AIの民主化
- エ．知識のカットオフ
正解：ウ．AIの民主化
解説：幅広い人がAIを使えるようになる流れをAIの民主化という。通信の暗号化や画像の圧縮は無関係であり、知識のカットオフは学習の締め切り時点を指す別概念である。
-
問204．MCP（Model Context Protocol）の説明として最も適切なものはどれか。
- ア．AIアプリと外部のツールやデータをつなぐ方法をそろえた、公開された標準規格
- イ．大規模言語モデルの学習データの形式をそろえた、公開された標準規格
- ウ．AIアプリと外部のツールやデータをつなぐ方法をそろえた、一社専用の非公開規格
- エ．大規模言語モデルの学習データの形式をそろえた、一社専用の非公開規格
正解：ア．AIアプリと外部のツールやデータをつなぐ方法をそろえた、公開された標準規格
解説：MCPは、AIアプリ（MCPクライアント）と、外部のツールやデータを提供するMCPサーバーとの接続方法をそろえるための規格で、Anthropicが2024年11月にオープンな標準としてオープンソースで公開した。連携先ごとに個別の接続を作る手間を減らすためのもので、モデルの学習データの形式を定める規格ではない。
-
問205．AIエージェントは、ツールを実行して得た結果を確かめ、その結果をふまえて次に行う手順を決め直しながら作業を進める。
正解：○（正しい）
解説：AIエージェントは、計画を立ててツールを実行し、返ってきた結果（検索結果やエラーなど）を観察して次の行動を決める、というくり返しで目標に近づいていく。最初の計画をそのままなぞるだけでなく、途中の結果に応じて手順を修正できる点が、定型の処理を順に実行するだけのプログラムとの違いである。