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

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）

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。この設問は、Hallucinationに気づくために何をするかを問う。出力をそのまま使う、確認せずに進める、利用をすべてやめる、のいずれでもなく、外部の情報と比べる選択肢が正解になる。

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）

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）

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）

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）

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）

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）

この事例では、生成AIが存在しない資料について、自然な文章と架空の書誌情報を付けて回答している。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、この現象はハルシネーション（Hallucination）と呼ばれる。「参照先の取得に失敗して、回答が空になること」は、回答が返らない不具合であり、この事例のように内容が生成される現象とは異なる。「入力文の誤字を自動的に修正してから回答すること」は、入力を整える補助であり、事実と異なる内容を出力することとは関係がない。「確率の高い語から順に文章を出力するという、生成の通常の仕組み」は、モデルが文章を作る一般的な動作であり、それ自体は事実と異なる内容を指す語ではない。したがって、存在しない資料を本物のように示す現象に対応するのは、事実と異なる内容の生成である。

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）

この事例では、生成AIが示した制度の説明を、社内資料へ載せる前に確認する方法が問われている。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。生成AIの出力は事実と異なる場合があるため、出力を鵜呑みにせず、独立した情報源や別のLLMの出力と突き合わせて確かめる。「同じ会話で「本当に正しいか」と聞き返し、肯定の回答が返れば採用する」は、同じ生成AIに確認させるだけで、独立した裏付けにならない。「文章が自然で断定的な書き方なら、正確とみなして採用する」は、文体の自然さと内容の正しさを混同している。「生成AIが示した出典名が実在するかは確かめず、そのまま引用する」は、存在しない出典が示される場合があるのに、確認を省いている。したがって、外部の情報源やほかのLLMと比較する確認方法が適切である。

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）

この事例では、集計表の平均値は妥当に見えるものの、外れ値や分布の偏りが疑われており、最初に行う確認が問われている。正解は「データを可視化し眺めて考える」である。平均値だけでは分布の形や外れ値が見えないため、ヒストグラムや散布図などで可視化して全体を眺めると、偏りの有無に気付ける。「平均値が妥当なので、追加の確認は不要とみなす」は、平均値が同じでも分布が大きく異なる場合があることを見落としている。「外れ値が見つかり次第、理由を調べずに削除する」は、外れ値が入力ミスなのか意味のある値なのかを確かめないまま、情報を失う。「可視化は報告資料を作る段階まで後に回す」は、分析の途中で偏りに気付く機会を逃す。したがって、最初の確認は可視化して眺めることである。

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）

この事例では、セキュリティ事故の影響調査の一覧に、機械学習の前処理が誤って含まれており、該当する項目が問われている。正解は「データの標準化」である。標準化は、データの平均や散らばりをそろえて機械学習で扱いやすくする前処理であり、マルウェアによる被害ではない。「ランサムウェアによるデータの暗号化」は、データを使えなくして身代金を要求する被害であり、セキュリティ事故にあたる。「情報窃取型マルウェアによる情報の持ち出し」は、端末内の情報が外部へ渡る漏洩にあたる。「マルウェアに感染した端末の遠隔操作」は、第三者に端末を操られる被害であり、いずれもセキュリティ事故として調べる対象である。したがって、事故の影響ではなく前処理の手法である「データの標準化」が、誤って含まれている。

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）

この事例では、生成AIを業務へ導入するチームの基本方針が問われている。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。仕組みを理解したうえで、業務や課題の解決に活用できることが、導入するチームに求められる姿勢である。「操作方法だけ覚えれば、生成AIの仕組みの理解は不要である」は、出力が誤る場面や限界を判断できず、活用が場当たり的になる。「機密情報を含む社内資料も、入力の制限を設けず生成AIへ入れてよい」は、情報の取扱いへの配慮を欠き、情報漏えいの危険を招く。「生成AIの出力は、確認せずに顧客へ提示してよい」は、出力に誤りが含まれる場合があるのに、確認を省いている。したがって、仕組みの理解と業務での活用を両立させる方針が適切である。

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の回答は、そのまま顧客向け文書へ転記せず、事実を別の情報源で確かめる必要がある。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、自然な文章でも内容が事実と異なる場合がある。「自然な文章だから確認を省く」「詳しいプロンプトなら誤りは起きない」は、誤りの可能性を無視している。「同じ回答が返れば確認できた」は、出力の安定を事実の確認と取り違えている。したがって、別の情報源と比較して鵜呑みにしないことが、適切な確認手順である。

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をまとめた組合せなので、3つともセキュリティ上の被害であるかを確認する。正解は「消失・漏洩・サービスの停止」である。ランサムウェアなどのマルウェアは、データを失わせる、外部に漏らす、サービスを止めるといった被害を起こしうる。「転置・リシェイプ・ブロードキャスト」は配列の形状操作、「内部結合・外部結合・自己結合」は表の結合方式、「第一正規化・第二正規化・第三正規化」はテーブルの整理の段階であり、いずれも被害ではない。したがって、3つすべてが感染後の影響として整合するのは、消失・漏洩・サービスの停止の組合せである。

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）

存在しない規程が実在するかのように回答された事例は、事実と異なる内容を正しそうに生成するHallucinationにあたり、その原因を問われている。正解は「対応する学習用データがない内容についても、もっともらしい文章を生成してしまうため」である。未公開の規程は学習用データに含まれていない可能性が高く、その場合でも生成AIは、文章として自然な回答を作ってしまうことがある。「回線の遅延」は通信の問題、「質問文が長すぎる」は回答の打ち切りの問題であり、存在しない規程を作る理由にならない。「検知機能が回答を書き換えた」は、検知機能の役割と食い違う。したがって、回答が生じた理由は、学習用データの不在にもかかわらず文章を生成することである。

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）

最新の社内規程は生成AIの学習用データにない可能性が高いので、必要な情報を入力側で与える工夫が求められる。正解は「正確な追加情報として、該当する規程の本文を入力データに付与して質問する」である。回答の根拠になる正確な情報を入力データに付けると、生成AIはその情報に基づいて答えやすくなり、事実と異なる内容が出にくくなる。「質問を短くして依頼を繰り返す」は根拠を増やさず、「出力をそのまま次の処理に渡す」は確認を省いている。「学習済みの知識だけで答えられると期待する」は、規程が学習用データにない可能性を無視している。したがって、設問の工夫は正確な追加情報を入力に付与することである。

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）

分布の違いを並べて比較し、外れ値も確認したいので、分布を要約して外れ値を示せる図が必要になる。正解は「箱ひげ図」である。箱ひげ図は、中央値や四分位範囲などでデータの分布を表し、外れ値も点として示せるため、店舗ごとに並べると分布を比較しやすい。「ヒートマップ」は値を色の濃淡で表す図、「散布図行列」は変数どうしの関係を並べて見る図、「平行座標」は多変量のデータを線で結んで見る図であり、店舗ごとの分布と外れ値を比べる用途には合わない。したがって、設問に適した図は箱ひげ図である。

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）

顧客データが外部へ送信されたという記述から、被害の種類を判断する。正解は「データの漏洩」である。データの漏洩は、本来外部に出してはならないデータが外へ出てしまう被害で、マルウェアによって起こりうる。「データの標準化」は機械学習の前処理であり、被害の種類ではない。「サービスの停止」はシステムが使えなくなる被害で、事例にその記述はない。「データの消失」はデータが失われる被害であり、外部へ送られたことそのものとは別の被害である。したがって、事例の被害の種類はデータの漏洩である。

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）

回答の偏りが繰り返し現れる事例なので、生成AIが学んだデータの側に原因を探す。正解は「学習に使われたデータに、誤りや歪みが含まれていたため」である。生成AIは学習用データの傾向を反映して出力を作るので、データに誤りや歪みがあれば、特定の属性に偏った回答が繰り返し出てくることがある。「入力した文字数が少ない」「回線が不安定」は、内容の偏りが繰り返し現れる理由にならない。「常に偏りのない回答だけを出力する」は、学習用データの影響を無視した説明である。したがって、原因として最も適切なのは学習用データの誤りや歪みである。

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）

追加情報の前後で出力を比べる目的は、出力を確かめることにある。正解は「追加情報が出力にどう影響するかを確かめ、出力を鵜呑みにしないため」である。正確な追加情報を与えると回答が変わることがあり、その変化を比べると、出力が何に基づいているかを検討できる。「比べずに最初の出力だけを採用する」は確認を省いている。「出力が変わらなければ必ず事実」は、安定した出力が正しいとは限らないことを見落としている。「追加情報は影響しないと証明する」は、比べる目的と食い違う。したがって、設問の比較の目的は、影響を確かめて出力を鵜呑みにしないことである。

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）

マルウェアが何かを問う問題なので、被害を与える目的に注目する。正解は「利用者に被害を与える目的で作られた、悪意のあるソフトウェア」である。マルウェアは、データの消失、漏洩、サービスの停止といった被害を起こしうる悪意のあるソフトウェアの総称である。「値を整える前処理」は分析の準備、「処理を複数のサーバーに分ける仕組み」は分散技術、「開発用のキット」はSDKの説明であり、いずれもマルウェアではない。したがって、マルウェアの説明として適切なのは、被害を与える目的で作られたソフトウェアとする選択肢である。

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）

誤っている説明を選ぶので、Hallucinationの性質と食い違うものを探す。正解は「画像の生成でだけ起こり、文章を生成するAIでは起こらない」である。Hallucinationは、事実と異なる内容を正しそうに生成する現象で、大規模言語モデルのように文章を生成するAIでも起こる。自然な文章でも誤りが含まれること、対応する学習用データがない内容でも回答が作られること、存在しない資料名を書誌情報付きで示すことは、いずれもHallucinationの特徴にあたる正しい説明である。したがって、文章では起こらないとする説明が、設問の求める誤った説明である。

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）

不適切な対応を選ぶので、出力を確認せずに使う対応を探す。正解は「文章が自然であれば、確認せずに顧客向けの資料へ転記する」である。生成AIの出力は、文章が自然でも、Hallucinationによって事実と異なる内容が含まれることがある。他のLLMや検索結果との比較、正確な追加情報による出力の変化の確認、一次情報での確認は、いずれも出力を鵜呑みにしないための適切な対応である。したがって、確認を省いて顧客向けの資料へ転記する対応が、設問の不適切な対応である。

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）

誤っている説明を選ぶので、可視化の考え方と食い違うものを探す。正解は「可視化は分析の最後に、結果を説明するときにだけ行うものである」である。可視化は、結果を伝えるためだけでなく、分析の途中でデータを眺めて、外れ値や分布の偏りなどの性質に気づくためにも行う。箱ひげ図が分布と外れ値を表せること、コラムチャートのY軸の基準点を0にすることは、いずれも正しい説明である。したがって、最後にだけ行うとする説明が、設問の誤った説明である。可視化を分析の途中にも行うことで、データの性質に早く気づき、その後の分析の方針を決めやすくなる。

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）

マルウェアによる被害の説明として誤っているものを選ぶので、被害にあたらない内容を探す。正解は「特徴量の平均やばらつきがそろい、モデルの学習が安定する」である。これは標準化という前処理の説明であり、マルウェアによる被害ではない。マルウェアは、データの消失、データの漏洩、サービスの停止といった被害を起こしうる。したがって、前処理の説明を被害として挙げた選択肢が、設問の誤った説明である。標準化は、特徴量の平均やばらつきをそろえてモデルの学習に使いやすくする前処理で、データを守る観点の被害とは関係しない。

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）

誤っている考え方を選ぶので、生成AIの出力の性質を無視したものを探す。正解は「生成AIの出力は、確認せずに事実として扱ってよい」である。生成AIの出力には、Hallucinationによって事実と異なる内容が含まれることがあり、確認せずに事実として扱うことはできない。仕組みを理解して活用すること、出力を鵜呑みにせず確かめて使うこと、学習用データの誤りや歪みが出力に影響することを理解しておくことは、いずれも適切な考え方である。したがって、確認せずに事実として扱うとする考え方が、設問の誤った考え方である。

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）

誤っている考え方を選ぶので、出力の確認を省くものを探す。正解は「Hallucinationを避けるため、出力は他の情報源と比べずに使う方がよい」である。Hallucinationを避けるには、検索結果や他のLLMの出力など、他の情報源と比べて確かめる必要がある。出力を鵜呑みにしない姿勢、他のLLMの出力との比較、正確な追加情報を入力に付けることは、いずれも適切な考え方である。したがって、他の情報源と比べずに使う方がよいとする考え方が、設問の誤った考え方である。

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）

誤っている説明を選ぶので、マルウェアの位置づけと食い違うものを探す。正解は「ランサムウェアは、データの分析精度を高めるための前処理の一種である」である。ランサムウェアは、データを使えなくするなどして利用者に被害を与えるマルウェアの一種で、前処理ではない。マルウェアが被害を与える目的で作られたソフトウェアであること、データの消失や漏洩、サービスの停止を起こしうることは、正しい説明である。したがって、ランサムウェアを前処理の一種とする説明が、設問の誤った説明である。

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）

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）

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）

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）

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）

正解は「テーブルレンズ」である。テーブルレンズは、表形式データの各セルを色や長さなどの視覚要素で表現し、大量データの分布や傾向を一覧できるようにする可視化手法である。設問は行と列で構成された表を保ったまま各セルの値を見せる点が決め手になる。平行座標は複数の平行な軸を線で結んで一件の観測値を表す。散布図行列は二変数ごとの関係を小さな散布図で並べる。ヒートマップは値を色で表すが、表の各セルへ棒の長さなども組み合わせて一覧するテーブルレンズの説明とは異なる。

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）

正解は「ヒートマップ」である。ヒートマップは値の大小を色の濃淡で表し、二次元に並ぶデータの分布や傾向を直感的に把握する可視化である。設問では店舗と月の組合せごとの売上を、値が大きいほど濃い色で示すためヒートマップが適する。散布図行列は複数の数値変数について二変数ごとの関係を格子状に並べ、平行座標は複数の軸を並べて一件のデータを折れ線で結ぶ。ER図はデータベースの実体間関係を表す。色の濃淡が数値の大小へ対応する点を決め手にする。店舗と月の交点を見れば、高い売上が特定時期や店舗へ集中しているかも探しやすい。

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）

正解は「大規模言語モデル」である。大規模言語モデルは大量のテキストを学習し、入力された文脈に応じて自然な文章を生成する言語モデルである。設問では入力がテキストで、文脈に応じた文章生成を行うモデルの種類を問うため大規模言語モデルを選ぶ。CNNは畳み込みで画像などの局所特徴を扱うニューラルネットワーク、RNNは前時点の内部状態を次へ引き継いで系列を逐次処理する構造、Random Forestは複数の決定木を組み合わせる手法である。生成された内容が常に正しいとは限らず、Hallucinationや出力確認はモデル利用時の別の論点として扱う。

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）

正解は「漏洩」である。漏洩は管理すべきデータが、許可されていない相手や場所へ流出した状態を指す。設問では顧客データ自体は社内に残っている一方、外部の無許可の相手へコピーが渡っているため漏洩である。消失は保存していたデータが失われて必要なときに参照できない状態、サービスの停止は障害や攻撃などでシステムの機能を使えない状態、標準化は数値データの尺度をそろえる前処理である。データが残っているかではなく、管理外の相手へ渡ったかを漏洩の判断軸にする。

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）

正解は「マルウェア」である。マルウェアは、情報の窃取や破壊など、利用者へ害を与える目的で作られたソフトウェアの総称である。設問では添付ファイルを介して端末へ入り、情報窃取やデータ破壊を行うためマルウェアに当たる。暗号化は権限のない者が内容を読めない形へデータを変換する処理、ハッシュ関数は入力から固定長の値を生成して改ざん検出などに使う関数、標準化は数値データの尺度をそろえる前処理である。害を与えるソフトウェアそのものか、データを守る処理・関数か、分析前処理かを分ける。漏洩・消失・サービス停止はマルウェアが引き起こし得る結果であり、ソフトウェアの総称とは異なる。

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）

正解は「正確な追加情報を入力データに付与し、出力結果の変化を比較する」である。公式スキルチェックリストは、Hallucinationに気づくための行動として、正確な追加情報を入力データへ付与し、その前後で出力がどう変わるかを比較する方法を挙げている。設問では正確な社内規程を利用でき、追加情報の効果を確かめたいので、この方法が直接対応する。最初の出力を採用するのは出力を鵜呑みにする行為である。他LLMとの比較も確認方法の一つだが、追加した規程の影響を比較する設問の目的とは異なる。ヒートマップは値を色の濃淡で示す可視化であり、回答の根拠確認にはならない。

https://raw.githubusercontent.com/The-Japan-DataScientist-Society/skills-checklist/main/foundation.csv （2026-08-30公式CSV No.18照合）

正解は「学習用データに誤りや歪みがある場合や、問いに対応する学習用データが存在しない場合がある」である。公式スキルチェックリストは、大規模言語モデルでHallucinationが起こる理由として、学習データに関するこの二つを挙げている。誤った内容や偏った内容を含むデータから学習すれば、その影響が出力へ現れ得る。また、問いに対応する学習用データがない場合にも、事実と異なる内容をもっともらしく生成する可能性がある。他のLLMとの比較や正確な追加情報の付与は、Hallucinationに気づくための確認方法であり、学習データ側の原因ではない。

https://raw.githubusercontent.com/The-Japan-DataScientist-Society/skills-checklist/main/data_science.csv （2026-08-30公式CSV No.324照合）