DS検定 第2章 データ可視化とAI活用の基礎 予想問題と解説
DS検定「第2章 データ可視化とAI活用の基礎」の予想問題を32問収録しています。各問を解説つきで掲載し、全問は演習画面で解けます。公式シラバスの範囲で作成しています。
この章の要点
生成AI活用・データ可視化の方向性・ITセキュリティ基礎などを扱う分野です。全32問（基礎5問・標準6問・応用21問）を収録しています。
- 生成AI活用
- データ可視化の方向性
- ITセキュリティ基礎
情報源と編集区分
公式範囲を確認し、問題数・難易度・確認点は当サイトが集計・編集。 一次情報確認日: 2026-07-12。
試験概要（公式）確認しておきたいポイント
当サイトの作問時に観察した、取り違えやすい論点です（公式の統計ではありません）。
- Hallucinationを『まれに起こる不具合』と誤解する。大規模言語モデルの構造上根本的に避けられない現象として理解する必要がある。
- Hallucination対策を『使わない』ことだと誤解する。検索によるリサーチ結果との比較や他LLMの出力との比較など、気づくための具体的な行動が問われる。
- ITセキュリティのリスク種類（消失・漏洩・サービスの停止）を漠然と『危険』とまとめてしまい、どの種類のリスクかを区別できない。
この章の関連用語
この分野の問題で扱う用語です。意味があいまいなものは、用語集で定義を確認できます。
よくある質問
Q第2章 データ可視化とAI活用の基礎は何問収録されていますか？
現在32問を収録しています。内訳は基礎5問・標準6問・応用21問です。
Q第2章 データ可視化とAI活用の基礎の頻出論点は何ですか？
生成AI活用・データ可視化の方向性・ITセキュリティ基礎などが出題対象です（当サイト収録問題に基づく編集部集計）。
Q間違えた問題はどう復習すればいいですか？
誤答した選択肢のどこがずれていたかを解説で確認し、関連用語がある場合は用語集で定義に戻ってから再演習することをおすすめします。
大規模言語モデル（LLM）のHallucinationについて、最も適切な説明はどれか。
答えと解説を見る
正解は「事実と異なる内容がさも正しいかのように生成されること」である。Hallucinationは通信エラーや警告メッセージではなく、大規模言語モデルがもっともらしいが事実と異なる内容を出す現象を指す。根本的に完全回避は難しいため、検索や一次情報と照合し、出力を鵜呑みにしない姿勢が必要である。設問はエラーの発生原因や入力検知機能ではなく、生成された内容の事実性を問うている。「もっともらしい表現」と「事実との不一致」の両方を含む選択肢を選ぶ。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
LLMのHallucinationに気づくための適切なアクションとして最も適切なものはどれか。
答えと解説を見る
正解は「検索によるリサーチ結果や他LLMの出力結果と比較する」である。Hallucinationはもっともらしい文章として出るため、出力を読んだだけでは誤りに気づきにくい。検索結果、一次情報、他LLMの出力、追加情報を与えた場合の変化を比べることで、事実と異なる生成を発見しやすくなる。設問はHallucinationに気づくための具体的な確認行動を問う。出力をそのまま採用する、確認せず進む、利用自体を全面中止するのではなく、外部の情報と比較する選択肢を選ぶ。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
データの性質を理解する上で重要とされる基本的な姿勢として最も適切なものはどれか。
答えと解説を見る
正解は「データを可視化し眺めて考える」である。可視化は分析結果をきれいに見せるためだけでなく、分布の偏り、外れ値、欠損の偏り、変数間の関係を早い段階で確認するために使う。数値表だけで進めると、データの形や異常に気づくのが遅れる。設問は分析の最後だけに行う作業ではなく、データの性質を理解するための基本姿勢を問う。可視化を避ける、後回しにする、担当外にする選択肢を除外し、データを眺めて考える行動を選ぶ。分析の早い段階から繰り返し確認する姿勢として捉える。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
マルウェアによる深刻なリスクの種類として当てはまらないものはどれか。
答えと解説を見る
正解は「データの標準化」である。マルウェアによる深刻なリスクには、データが利用できなくなる消失、外部へ流出する漏洩、システムが止まるサービスの停止などが含まれる。一方、標準化は数値特徴量のスケールをそろえるデータ準備の手法であり、攻撃によって発生する被害の種類ではない。データの消失・漏洩・サービスの停止はいずれも「マルウェアに感染した結果、何が起きるか」という同じ問いに対する答えである一方、標準化は攻撃とは無関係にモデル構築の前処理として行う作業であり、この4択の中で単独で異なる文脈に属する語である。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
生成AIの活用に関する基礎的な理解として最も適切なものはどれか。
答えと解説を見る
正解は「生成AIの仕組みを理解し、業務や課題解決に活用できることが求められる」である。DS検定では、生成AIを避けるのではなく、仕組みや限界を理解したうえで活用する姿勢が問われる。出力を常に事実として扱う、仕組みを理解せずに使う、といった選択肢はHallucinationへの注意を欠いている。設問では利用するかしないかの二択ではなく、理解と活用を組み合わせた姿勢を探す。無理解での利用、全面的な不使用、出力の無条件な事実扱いを明確に除外する。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
生成AIの出力を業務で使う前の確認として最も適切なものはどれか。
答えと解説を見る
正解は「検索結果や他LLMの出力結果と比較し、出力を鵜呑みにしない」である。大規模言語モデルはHallucinationを起こすことがあり、文章が自然でも内容が事実と異なる場合がある。業務で使う前には、検索結果や一次情報、他のLLMの出力と比較して、出力をそのまま鵜呑みにしないことが求められる。「大規模言語モデルの出力は常に正しいため、そのまま採用する」は、Hallucinationが起きる可能性を無視した姿勢である。「Hallucinationは画像生成だけで起きるため、文章では確認しない」は、Hallucinationを画像生成に限定しており、文章生成でも誤った内容が出力されうる点を見落としている。「追加情報を与えても出力結果は変わらないため比較しない」は、他LLMの出力結果との比較や追加情報による確認という、鵜呑みにしないための具体的な行動を放棄する考え方である。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
マルウェアによって起こり得るリスクとして最も適切な組み合わせはどれか。
答えと解説を見る
正解は「消失・漏洩・サービスの停止」である。マルウェアはデータを削除する、外部に漏らす、システムやサービスを停止させるといった被害を起こし得る。標準化、正規化、推定・検定はデータ処理や統計の手法であり、マルウェア被害の種類として並べるのは不適切である。組み合わせ問題では、三つの語がすべてセキュリティ上の被害かを確認する。他の選択肢はデータ準備、データ加工、統計的推定・検定の用語を並べているため除外できる。三語のうち一つだけでなく、組み合わせ全体の分類を確認する。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
生成AIが、存在しない資料を自然な文章と架空の書誌情報付きで回答した。この現象はどれか。
答えと解説を見る
この事例では、状況を表す条件を定義や役割へ対応させると「事実と異なる内容がさも正しいかのように生成されること」に絞れる。正解は「事実と異なる内容がさも正しいかのように生成されること」である。Hallucinationは通信エラーや警告メッセージではなく、大規模言語モデルがもっともらしいが事実と異なる内容を出す現象を指す。根本的に完全回避は難しいため、検索や一次情報と照合し、出力を鵜呑みにしない姿勢が必要である。設問はエラーの発生原因や入力検知機能ではなく、生成された内容の事実性を問うている。「もっともらしい表現」と「事実との不一致」の両方を含む選択肢を選ぶ。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
生成AIが提示した制度説明を社内資料へ載せる前に、担当者が取るべき確認方法として最も適切なものはどれか。
答えと解説を見る
この事例では、状況を表す条件を定義や役割へ対応させると「検索によるリサーチ結果や他LLMの出力結果と比較する」に絞れる。正解は「検索によるリサーチ結果や他LLMの出力結果と比較する」である。Hallucinationはもっともらしい文章として出るため、出力を読んだだけでは誤りに気づきにくい。検索結果、一次情報、他LLMの出力、追加情報を与えた場合の変化を比べることで、事実と異なる生成を発見しやすくなる。設問はHallucinationに気づくための具体的な確認行動を問う。出力をそのまま採用する、確認せず進む、利用自体を全面中止するのではなく、外部の情報と比較する選択肢を選ぶ。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
集計表の平均値は妥当だが、外れ値や分布の偏りが疑われる。最初に行う確認として最も適切なものはどれか。
答えと解説を見る
この事例では、状況を表す条件を定義や役割へ対応させると「データを可視化し眺めて考える」に絞れる。正解は「データを可視化し眺めて考える」である。可視化は分析結果をきれいに見せるためだけでなく、分布の偏り、外れ値、欠損の偏り、変数間の関係を早い段階で確認するために使う。数値表だけで進めると、データの形や異常に気づくのが遅れる。設問は分析の最後だけに行う作業ではなく、データの性質を理解するための基本姿勢を問う。可視化を避ける、後回しにする、担当外にする選択肢を除外し、データを眺めて考える行動を選ぶ。分析の早い段階から繰り返し確認する姿勢として捉える。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
セキュリティ事故の影響調査に、機械学習の前処理が誤って含まれている。それはどれか。
答えと解説を見る
この事例では、状況を表す条件を定義や役割へ対応させると「データの標準化」に絞れる。正解は「データの標準化」である。マルウェアによる深刻なリスクには、データが利用できなくなる消失、外部へ流出する漏洩、システムが止まるサービスの停止などが含まれる。一方、標準化は数値特徴量のスケールをそろえるデータ準備の手法であり、攻撃によって発生する被害の種類ではない。データの消失・漏洩・サービスの停止はいずれも「マルウェアに感染した結果、何が起きるか」という同じ問いに対する答えである一方、標準化は攻撃とは無関係にモデル構築の前処理として行う作業であり、この4択の中で単独で異なる文脈に属する語である。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
生成AIを業務へ導入するチームの基本方針として、最も適切なものはどれか。
答えと解説を見る
この事例では、状況を表す条件を定義や役割へ対応させると「生成AIの仕組みを理解し、業務や課題解決に活用できることが求められる」に絞れる。正解は「生成AIの仕組みを理解し、業務や課題解決に活用できることが求められる」である。DS検定では、生成AIを避けるのではなく、仕組みや限界を理解したうえで活用する姿勢が問われる。出力を常に事実として扱う、仕組みを理解せずに使う、といった選択肢はHallucinationへの注意を欠いている。設問では利用するかしないかの二択ではなく、理解と活用を組み合わせた姿勢を探す。無理解での利用、全面的な不使用、出力の無条件な事実扱いを明確に除外する。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
生成AIの回答を顧客向け文書へ転記する前の確認手順として最も適切なものはどれか。
答えと解説を見る
この事例では、状況を表す条件を定義や役割へ対応させると「検索結果や他LLMの出力結果と比較し、出力を鵜呑みにしない」に絞れる。正解は「検索結果や他LLMの出力結果と比較し、出力を鵜呑みにしない」である。大規模言語モデルはHallucinationを起こすことがあり、文章が自然でも内容が事実と異なる場合がある。業務で使う前には、検索結果や一次情報、他のLLMの出力と比較して、出力をそのまま鵜呑みにしないことが求められる。「大規模言語モデルの出力は常に正しいため、そのまま採用する」は、Hallucinationが起きる可能性を無視した姿勢である。「Hallucinationは画像生成だけで起きるため、文章では確認しない」は、Hallucinationを画像生成に限定しており、文章生成でも誤った内容が出力されうる点を見落としている。「追加情報を与えても出力結果は変わらないため比較しない」は、他LLMの出力結果との比較や追加情報による確認という、鵜呑みにしないための具体的な行動を放棄する考え方である。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
ランサムウェア感染後の影響として整合する項目だけをまとめた組合せはどれか。
答えと解説を見る
この事例では、状況を表す条件を定義や役割へ対応させると「消失・漏洩・サービスの停止」に絞れる。正解は「消失・漏洩・サービスの停止」である。マルウェアはデータを削除する、外部に漏らす、システムやサービスを停止させるといった被害を起こし得る。標準化、正規化、推定・検定はデータ処理や統計の手法であり、マルウェア被害の種類として並べるのは不適切である。組み合わせ問題では、三つの語がすべてセキュリティ上の被害かを確認する。他の選択肢はデータ準備、データ加工、統計的推定・検定の用語を並べているため除外できる。三語のうち一つだけでなく、組み合わせ全体の分類を確認する。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
品質レビューで次の判断を再検証する。生成AIが、存在しない資料を自然な文章と架空の書誌情報付きで回答した。この現象はどれか 根拠と用語の対応まで確認して選べ。
答えと解説を見る
レビューでは、設問の対象と役割を分けると「事実と異なる内容がさも正しいかのように生成されること」を採用できる。正解は「事実と異なる内容がさも正しいかのように生成されること」である。Hallucinationは通信エラーや警告メッセージではなく、大規模言語モデルがもっともらしいが事実と異なる内容を出す現象を指す。根本的に完全回避は難しいため、検索や一次情報と照合し、出力を鵜呑みにしない姿勢が必要である。設問はエラーの発生原因や入力検知機能ではなく、生成された内容の事実性を問うている。「もっともらしい表現」と「事実との不一致」の両方を含む選択肢を選ぶ。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
品質レビューで次の判断を再検証する。生成AIが提示した制度説明を社内資料へ載せる前に、担当者が取るべき確認方法として最も適切なものはどれか 根拠と用語の対応まで確認して選べ。
答えと解説を見る
レビューでは、設問の対象と役割を分けると「検索によるリサーチ結果や他LLMの出力結果と比較する」を採用できる。正解は「検索によるリサーチ結果や他LLMの出力結果と比較する」である。Hallucinationはもっともらしい文章として出るため、出力を読んだだけでは誤りに気づきにくい。検索結果、一次情報、他LLMの出力、追加情報を与えた場合の変化を比べることで、事実と異なる生成を発見しやすくなる。設問はHallucinationに気づくための具体的な確認行動を問う。出力をそのまま採用する、確認せず進む、利用自体を全面中止するのではなく、外部の情報と比較する選択肢を選ぶ。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
品質レビューで次の判断を再検証する。集計表の平均値は妥当だが、外れ値や分布の偏りが疑われる。最初に行う確認として最も適切なものはどれか 根拠と用語の対応まで確認して選べ。
答えと解説を見る
レビューでは、設問の対象と役割を分けると「データを可視化し眺めて考える」を採用できる。正解は「データを可視化し眺めて考える」である。可視化は分析結果をきれいに見せるためだけでなく、分布の偏り、外れ値、欠損の偏り、変数間の関係を早い段階で確認するために使う。数値表だけで進めると、データの形や異常に気づくのが遅れる。設問は分析の最後だけに行う作業ではなく、データの性質を理解するための基本姿勢を問う。可視化を避ける、後回しにする、担当外にする選択肢を除外し、データを眺めて考える行動を選ぶ。分析の早い段階から繰り返し確認する姿勢として捉える。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
品質レビューで次の判断を再検証する。セキュリティ事故の影響調査に、機械学習の前処理が誤って含まれている。それはどれか 根拠と用語の対応まで確認して選べ。
答えと解説を見る
レビューでは、設問の対象と役割を分けると「データの標準化」を採用できる。正解は「データの標準化」である。マルウェアによる深刻なリスクには、データが利用できなくなる消失、外部へ流出する漏洩、システムが止まるサービスの停止などが含まれる。一方、標準化は数値特徴量のスケールをそろえるデータ準備の手法であり、攻撃によって発生する被害の種類ではない。データの消失・漏洩・サービスの停止はいずれも「マルウェアに感染した結果、何が起きるか」という同じ問いに対する答えである一方、標準化は攻撃とは無関係にモデル構築の前処理として行う作業であり、この4択の中で単独で異なる文脈に属する語である。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
品質レビューで次の判断を再検証する。生成AIを業務へ導入するチームの基本方針として、最も適切なものはどれか 根拠と用語の対応まで確認して選べ。
答えと解説を見る
レビューでは、設問の対象と役割を分けると「生成AIの仕組みを理解し、業務や課題解決に活用できることが求められる」を採用できる。正解は「生成AIの仕組みを理解し、業務や課題解決に活用できることが求められる」である。DS検定では、生成AIを避けるのではなく、仕組みや限界を理解したうえで活用する姿勢が問われる。出力を常に事実として扱う、仕組みを理解せずに使う、といった選択肢はHallucinationへの注意を欠いている。設問では利用するかしないかの二択ではなく、理解と活用を組み合わせた姿勢を探す。無理解での利用、全面的な不使用、出力の無条件な事実扱いを明確に除外する。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
品質レビューで次の判断を再検証する。生成AIの回答を顧客向け文書へ転記する前の確認手順として最も適切なものはどれか 根拠と用語の対応まで確認して選べ。
答えと解説を見る
レビューでは、設問の対象と役割を分けると「検索結果や他LLMの出力結果と比較し、出力を鵜呑みにしない」を採用できる。正解は「検索結果や他LLMの出力結果と比較し、出力を鵜呑みにしない」である。大規模言語モデルはHallucinationを起こすことがあり、文章が自然でも内容が事実と異なる場合がある。業務で使う前には、検索結果や一次情報、他のLLMの出力と比較して、出力をそのまま鵜呑みにしないことが求められる。「大規模言語モデルの出力は常に正しいため、そのまま採用する」は、Hallucinationが起きる可能性を無視した姿勢である。「Hallucinationは画像生成だけで起きるため、文章では確認しない」は、Hallucinationを画像生成に限定しており、文章生成でも誤った内容が出力されうる点を見落としている。「追加情報を与えても出力結果は変わらないため比較しない」は、他LLMの出力結果との比較や追加情報による確認という、鵜呑みにしないための具体的な行動を放棄する考え方である。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
品質レビューで次の判断を再検証する。ランサムウェア感染後の影響として整合する項目だけをまとめた組合せはどれか 根拠と用語の対応まで確認して選べ。
答えと解説を見る
レビューでは、設問の対象と役割を分けると「消失・漏洩・サービスの停止」を採用できる。正解は「消失・漏洩・サービスの停止」である。マルウェアはデータを削除する、外部に漏らす、システムやサービスを停止させるといった被害を起こし得る。標準化、正規化、推定・検定はデータ処理や統計の手法であり、マルウェア被害の種類として並べるのは不適切である。組み合わせ問題では、三つの語がすべてセキュリティ上の被害かを確認する。他の選択肢はデータ準備、データ加工、統計的推定・検定の用語を並べているため除外できる。三語のうち一つだけでなく、組み合わせ全体の分類を確認する。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
誤答除外の観点から次のケースを検討する。生成AIが、存在しない資料を自然な文章と架空の書誌情報付きで回答した。この現象はどれか 他の候補が条件を満たさないことも確認して選べ。
答えと解説を見る
誤答候補を役割ごとに除外すると「事実と異なる内容がさも正しいかのように生成されること」だけが条件を満たす。正解は「事実と異なる内容がさも正しいかのように生成されること」である。Hallucinationは通信エラーや警告メッセージではなく、大規模言語モデルがもっともらしいが事実と異なる内容を出す現象を指す。根本的に完全回避は難しいため、検索や一次情報と照合し、出力を鵜呑みにしない姿勢が必要である。設問はエラーの発生原因や入力検知機能ではなく、生成された内容の事実性を問うている。「もっともらしい表現」と「事実との不一致」の両方を含む選択肢を選ぶ。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
誤答除外の観点から次のケースを検討する。生成AIが提示した制度説明を社内資料へ載せる前に、担当者が取るべき確認方法として最も適切なものはどれか 他の候補が条件を満たさないことも確認して選べ。
答えと解説を見る
誤答候補を役割ごとに除外すると「検索によるリサーチ結果や他LLMの出力結果と比較する」だけが条件を満たす。正解は「検索によるリサーチ結果や他LLMの出力結果と比較する」である。Hallucinationはもっともらしい文章として出るため、出力を読んだだけでは誤りに気づきにくい。検索結果、一次情報、他LLMの出力、追加情報を与えた場合の変化を比べることで、事実と異なる生成を発見しやすくなる。設問はHallucinationに気づくための具体的な確認行動を問う。出力をそのまま採用する、確認せず進む、利用自体を全面中止するのではなく、外部の情報と比較する選択肢を選ぶ。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
誤答除外の観点から次のケースを検討する。集計表の平均値は妥当だが、外れ値や分布の偏りが疑われる。最初に行う確認として最も適切なものはどれか 他の候補が条件を満たさないことも確認して選べ。
答えと解説を見る
誤答候補を役割ごとに除外すると「データを可視化し眺めて考える」だけが条件を満たす。正解は「データを可視化し眺めて考える」である。可視化は分析結果をきれいに見せるためだけでなく、分布の偏り、外れ値、欠損の偏り、変数間の関係を早い段階で確認するために使う。数値表だけで進めると、データの形や異常に気づくのが遅れる。設問は分析の最後だけに行う作業ではなく、データの性質を理解するための基本姿勢を問う。可視化を避ける、後回しにする、担当外にする選択肢を除外し、データを眺めて考える行動を選ぶ。分析の早い段階から繰り返し確認する姿勢として捉える。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
誤答除外の観点から次のケースを検討する。セキュリティ事故の影響調査に、機械学習の前処理が誤って含まれている。それはどれか 他の候補が条件を満たさないことも確認して選べ。
答えと解説を見る
誤答候補を役割ごとに除外すると「データの標準化」だけが条件を満たす。正解は「データの標準化」である。マルウェアによる深刻なリスクには、データが利用できなくなる消失、外部へ流出する漏洩、システムが止まるサービスの停止などが含まれる。一方、標準化は数値特徴量のスケールをそろえるデータ準備の手法であり、攻撃によって発生する被害の種類ではない。データの消失・漏洩・サービスの停止はいずれも「マルウェアに感染した結果、何が起きるか」という同じ問いに対する答えである一方、標準化は攻撃とは無関係にモデル構築の前処理として行う作業であり、この4択の中で単独で異なる文脈に属する語である。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
誤答除外の観点から次のケースを検討する。生成AIを業務へ導入するチームの基本方針として、最も適切なものはどれか 他の候補が条件を満たさないことも確認して選べ。
答えと解説を見る
誤答候補を役割ごとに除外すると「生成AIの仕組みを理解し、業務や課題解決に活用できることが求められる」だけが条件を満たす。正解は「生成AIの仕組みを理解し、業務や課題解決に活用できることが求められる」である。DS検定では、生成AIを避けるのではなく、仕組みや限界を理解したうえで活用する姿勢が問われる。出力を常に事実として扱う、仕組みを理解せずに使う、といった選択肢はHallucinationへの注意を欠いている。設問では利用するかしないかの二択ではなく、理解と活用を組み合わせた姿勢を探す。無理解での利用、全面的な不使用、出力の無条件な事実扱いを明確に除外する。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
誤答除外の観点から次のケースを検討する。生成AIの回答を顧客向け文書へ転記する前の確認手順として最も適切なものはどれか 他の候補が条件を満たさないことも確認して選べ。
答えと解説を見る
誤答候補を役割ごとに除外すると「検索結果や他LLMの出力結果と比較し、出力を鵜呑みにしない」だけが条件を満たす。正解は「検索結果や他LLMの出力結果と比較し、出力を鵜呑みにしない」である。大規模言語モデルはHallucinationを起こすことがあり、文章が自然でも内容が事実と異なる場合がある。業務で使う前には、検索結果や一次情報、他のLLMの出力と比較して、出力をそのまま鵜呑みにしないことが求められる。「大規模言語モデルの出力は常に正しいため、そのまま採用する」は、Hallucinationが起きる可能性を無視した姿勢である。「Hallucinationは画像生成だけで起きるため、文章では確認しない」は、Hallucinationを画像生成に限定しており、文章生成でも誤った内容が出力されうる点を見落としている。「追加情報を与えても出力結果は変わらないため比較しない」は、他LLMの出力結果との比較や追加情報による確認という、鵜呑みにしないための具体的な行動を放棄する考え方である。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
誤答除外の観点から次のケースを検討する。ランサムウェア感染後の影響として整合する項目だけをまとめた組合せはどれか 他の候補が条件を満たさないことも確認して選べ。
答えと解説を見る
誤答候補を役割ごとに除外すると「消失・漏洩・サービスの停止」だけが条件を満たす。正解は「消失・漏洩・サービスの停止」である。マルウェアはデータを削除する、外部に漏らす、システムやサービスを停止させるといった被害を起こし得る。標準化、正規化、推定・検定はデータ処理や統計の手法であり、マルウェア被害の種類として並べるのは不適切である。組み合わせ問題では、三つの語がすべてセキュリティ上の被害かを確認する。他の選択肢はデータ準備、データ加工、統計的推定・検定の用語を並べているため除外できる。三語のうち一つだけでなく、組み合わせ全体の分類を確認する。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
多変量データを1つの図表で比較する可視化技法のうち、各軸を放射状ではなく複数の平行な軸として並べ、1件のデータを軸をまたぐ折れ線として表現する手法はどれか。
答えと解説を見る
正解は「平行座標」である。平行座標は、複数の変数（軸）を横に並べた平行な直線として配置し、1件のデータをその軸をまたぐ折れ線として表現することで、多変量データの全体的な傾向や変数間の関係を一度に比較できるようにする可視化技法である。「ヒートマップ」は値の大小を色の濃淡で表現する技法であり、軸を平行に並べて折れ線で結ぶ表現とは異なる。「散布図行列」は2変数の組み合わせごとに散布図を格子状に並べる技法であり、1件のデータを折れ線で表すものではない。「テーブルレンズ」は表形式のデータに小さなグラフを埋め込んで一覧性を高める技法であり、軸を平行に並べる平行座標とは構造が異なる。したがって、軸を平行に並べ折れ線で表現する手法は「平行座標」のみである。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
多変量データを比較する際、複数の数値指標をそれぞれ平行な軸に置き、同一の観測値を軸間の線でたどれるようにしたい。最も適した可視化手法はどれか。
答えと解説を見る
正解は「平行座標」である。平行座標は複数の変数を平行な軸として並べ、同じ観測値の各変数の値を線で結ぶため、1件ごとの値の並びを軸を横断して追える。ヒートマップは値の大小を色で示す表現であり、観測値の軸間のつながりを線で追う用途とは異なる。散布図行列は変数の組み合わせごとの散布図を並べる手法であり、テーブルレンズは表の一覧性を保ちながら小さなグラフを埋め込む手法である。比較したいのが二変数の関係か、表の各セルか、全変数を横断する1件の軌跡かを先に切り分けると選びやすい。したがって、複数の平行軸を線で横断する条件に合うのは平行座標である。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
三つ以上の数値変数について、二変数ごとの関係を小さな散布図として格子状に並べて確認したい。最も適した可視化手法はどれか。
答えと解説を見る
正解は「散布図行列」である。散布図行列は複数の数値変数について、二変数の組み合わせごとの散布図を格子状に並べ、組み合わせごとの関係を比較する手法である。平行座標は一つの観測値を複数の平行軸の間の線として示すため、各観測値の値の並びを追う用途に向く。ヒートマップは値の大小を色で示す表現、テーブルレンズは表形式の一覧を保ちながら小さなグラフを埋め込む表現である。まず、設問が二変数の組を並べるのか、一件の観測値を横断させるのかを分けると判断できる。したがって散布図行列を選ぶ。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）
グラフで、データを伝えるために使われるインクの割合に着目する考え方はどれか。
答えと解説を見る
正解は「データインク比」である。データインク比は、グラフに使われる表現のうち、データそのものを伝えるために使われる要素の割合に着目する考え方である。余分な装飾が多いと、読み手が値や比較対象を把握しにくくなる場合がある。ヒートマップは値を色で表現する図、散布図行列は複数変数の散布図を並べる表現、テーブルレンズは表形式の情報を見やすくする可視化手法であり、いずれも割合を評価する考え方ではない。情報を伝える要素と装飾を区別して問う設問なので、データインク比を選ぶ。
https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）