G検定 大項目10 AI倫理・AIガバナンス 予想問題と解説

正解は「人間中心のAI社会原則」である。設問の識別条件は、日本政府が2019年に取りまとめたこと、AIを社会で活用する際の基本理念を示す原則であることの二点である。これに一致するのが、人間を中心に据える人間中心のAI社会原則である。EU AI ActはEUのAI規制法、EU一般データ保護規則（GDPR）はEUの個人データ保護を定める規則であり、国と対象が異なる。個人情報保護法は日本の法律だが、個人情報の取扱いを定めるもので、AI社会全体の基本理念を示した原則ではない。国だけでなく、原則・法律・規則という文書の役割まで照合して選ぶ。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「トロッコ問題」である。事故を避けられず、誰の安全を優先しても犠牲が生じるという設問は、複数の人を救うために進路を切り替えるかを問う倫理的ジレンマの思考実験に対応する。これがトロッコ問題であり、自動運転の優先判断などAI倫理の文脈でも扱われる。シンボルグラウンディング問題は記号と実世界の意味の接続、信用割当問題は学習結果への寄与の割当て、フレーム問題は今考慮すべき事柄の切出しに関する問題である。いずれもAIの技術的・認知的課題であり、犠牲を伴う道徳的選択を迫る思考実験ではない。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「ELSI」である。設問は、新しい科学技術の研究開発や社会実装に伴う倫理的・法的・社会的課題を、三つの側面から包括的に捉える概念を問うている。この組み合わせを表す略語がELSIであり、技術的に実現できるかだけでなく、倫理・法・社会への影響も検討する。XAIはAIの判断根拠を人間が理解できるようにする説明可能AI、MLOpsは機械学習モデルの開発と運用を継続的に回す仕組み、FATは公平性・説明責任・透明性の枠組みである。三側面の頭文字に対応する包括的課題なのか、説明手法・運用・評価原則なのかで分ける。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「ディープフェイク」である。深層学習や敵対的生成ネットワークなどを用い、実在人物が実際にはしていない発言や動作をしているような偽の映像・音声を合成する技術がディープフェイクである。プロファイリングは個人データから本人の特徴や傾向を予測する処理で、メディアを合成しない。ハルシネーションは大規模言語モデルなどが事実でない内容をもっともらしく生成する現象である。フェイクニュースは虚偽の情報やニュースという内容を指し、それを作る特定の映像・音声合成技術の名称ではない。媒体、生成方法、対象が実在人物かを照合して選ぶ。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「ロバスト性」である。ノイズの多い入力、想定外のデータ、敵対的攻撃による改変を受けても、性能を大きく損なわず安定して動作できる頑健さがロバスト性である。透明性はAIの動作や判断過程を把握・追跡できること、公平性は特定の属性に不当な差を生まないこと、説明責任は判断や結果について責任を明確にして説明できることを指す。いずれも信頼できるAIに関係するが、設問は判断過程の見え方、属性間の扱い、責任主体ではなく、入力の乱れや攻撃を受けた後も性能を保つ性質を尋ねている。変化前後の性能に注目して選ぶ。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「アジャイル・ガバナンス」である。技術や社会環境の変化に応じ、目標・ルール・運用を一度定めて終わりにせず、継続的に評価して見直す統治の考え方がアジャイル・ガバナンスである。AI事業者ガイドラインはAIを扱う事業者向けの指針という文書、プライバシー・バイ・デザインは設計段階からプライバシー保護を組み込む考え方である。リスクベースアプローチはリスクの大きさに応じて対応の強さを変える。設問の焦点は保護を組み込む時期やリスクの大小ではなく、環境変化に合わせて統治の仕組みを反復更新する点にある。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「プロファイリング」である。個人に関するデータを自動処理し、趣味嗜好、行動傾向、信用力、健康状態など本人の特徴を予測・評価する処理がプロファイリングである。自動意思決定は、その分析結果などを使って人間の関与なく決定そのものを下す段階を指し、特徴の予測・評価とは区別する。アノテーションは学習データへ正解ラベルを付ける作業、クラスタリングはデータを似たもの同士に分ける一般的な教師なし学習である。設問では対象が個人データで、出力が本人の特徴の予測・評価であるため、決定・ラベル付け・集団分けではなくプロファイリングを選ぶ。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「透明性」である。AIがどのようなデータを用い、どのような仕組みで結論に至ったのかを、利用者や社会の側から把握・検証できる状態に保つべきだとする考え方が「透明性」である。「プライバシー」は個人の私的情報を保護すべきだという価値であり、判断過程の開示ではなく情報の非開示・保護を求める点で開示の方向とは逆を向いている。「公平性」は人種や性別などの属性で不当な差別をしないという価値で、データや仕組みを外部から検証できる状態そのものではなく判断結果の偏りの有無を問題にする。「人間中心」はAIが人間の尊厳を損なわず人間が主体的に判断できるようにするという理念で、透明性を含むより広いAI社会原則全体の名称であり、データ・仕組みの把握可能性を直接指す語ではない。問題文の「データ」「仕組み」「把握し検証できる」という開示・検証可能性の条件が透明性の定義に一致する。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は技術的失業。AIやロボットによる自動化が進み、これまで人間が担ってきた仕事が機械に取って代わられることで、その仕事に就いていた人々が職を失っていく事態を指す。「フィルターバブル」は利用者の好みに合う情報ばかりが優先表示されて視野が狭まる情報環境の問題であり、雇用の喪失とは無関係な情報接触の偏りを指す。「監視社会」は監視技術の普及によって個人の行動が常時把握される社会状況を指し、雇用の喪失ではなく行動把握の広がりを問題にする。「自律型致死兵器（LAWS）」は人間の判断を介さずに攻撃対象を選び攻撃するAI兵器であり、軍事利用の倫理問題であって雇用の喪失とは論点が異なる。問題文の「仕事が機械に取って代わられる」「雇用が失われる」という労働代替の帰結が技術的失業の定義に一致する。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

このタイプの設問を見分ける軸は、対象を高度なAI全般に置くか生成AIなど高度なAIに絞り込むか、そして単一地域の法規制か複数国が連携した枠組みかという2点にある。広島AIプロセスは2023年にG7が主導し、対象を生成AIなど高度なAIに絞ったうえで、全てのAI関係者向けの指針と開発組織向けの行動規範という性質が異なる2種類の文書を同時に取りまとめた点に特徴がある。この「対象の絞り込み」と「複数国の連携」という2条件は、より対象の広いOECD AI原則にも、単一地域の規制であるEU AI Actにも当てはまらない。他の選択肢は、規制の設計思想を指す語も含め、いずれかの条件を満たさない。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「アルゴリズムの設計や学習の仕組み自体に起因して生じるもの」である。アルゴリズムバイアスは、アルゴリズムの設計や学習の仕組み自体に起因して生じる偏りを指す。一方、「学習データの収集方法や構成の偏りが原因で生じるもの」はデータバイアスの説明であり、原因がデータの側にあるという点でアルゴリズムバイアスとは区別される。「通信回線の速度低下によって生じるもの」はネットワーク環境の問題であり、AIの判断の偏りとは無関係な通信品質の話である。「画面の解像度の違いによって生じるもの」は表示機器の性能差であり、これもAIの判断ロジックとは無関係な表示環境の話である。問題文が「アルゴリズムバイアス」を「データバイアス」と対比させたうえでその説明を求めている点が、アルゴリズムの設計・学習の仕組み自体に起因するという選択肢に一致する。

https://www.jdla.org/certificate/general/

正解は「フィルターバブル」である。レコメンドなどのアルゴリズムが利用者の好みに合う情報ばかりを優先的に提示し続けた結果、利用者が自分の興味に近い情報の泡（バブル）の中に閉じ込められ、多様な情報に触れにくくなる現象を指す。「オーバーフィッティング」は訓練データに適合しすぎて未知データへの汎化性能が落ちる現象であり、情報提示の偏りではなくモデルの学習状態を表す語である。「ハルシネーション」は生成AIが事実に基づかない内容をもっともらしく生成する現象であり、情報が特定の好みに偏って提示され続けることとは異なる論点である。「アノテーション」は学習データに正解ラベルを付与する作業であり、レコメンドの提示結果に関する現象ではない。問題文の「好みに合う情報ばかり」「閉じ込められ」という条件がフィルターバブルの定義に一致する。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

正解は「エコーチェンバー」である。SNSなどで自分と似た意見を持つ人々ばかりが集まる閉じた環境の中で、同じ意見が反響（エコー）するように繰り返し共有され、特定の意見が増幅・強化されていく現象を指す。「フェイクニュース」は虚偽の情報そのものを指す語であり、意見が閉じた環境で反復・増幅される仕組みを指す語ではない。「ドロップアウト」はニューラルネットワークの学習時に一部のユニットを確率的に無効化して過学習を防ぐ手法であり、SNS上の意見の偏りとは無関係な学習手法である。「転移学習」はあるタスクで学習した知識を別のタスクに転用する学習手法であり、これも意見の増幅・強化とは異なる論点である。フィルターバブルはアルゴリズムによる情報提示の偏りを指す近い概念だが、本問は人々の集まりの中での意見の反響・増幅を問うている点でエコーチェンバーが対応する。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

ディープラーニングは内部の処理が複雑で、なぜその結論に至ったかが外部から見えにくいという性質（ブラックボックス性）を持つ。この弱点を補うために、判断の根拠や理由を人間が理解できる形で示す取り組みとして位置づけられているのが説明可能AI（XAI）である。設問を見分ける軸は、AIの動作そのものに介入したり学習データを加工したりする処理なのか、それとも判断が出た後に理由を人間へ提示する取り組みなのかという点にあり、他の選択肢はいずれも判断結果を誤らせる、学習データを水増しする、モデルの学習状態を表すといった、根拠の提示とは別の局面を扱う語である。

https://www.jdla.org/certificate/general/

正解は「信頼できるAI」である。信頼できるAIは、公平性・透明性・安全性・ロバスト性などを兼ね備え、人間が安心して利用でき社会に受け入れられることを目指す考え方である。「汎用AI」は領域を限定せず幅広い課題へ対応できるかという課題範囲の広さによる分類、「特化型AI」は特定の課題で能力を発揮するかという同じ観点の分類であり、いずれも公平性や安全性への配慮の有無を表す語ではない。「弱いAI」は意識や真の理解を持たず、特定の知的作業を道具として処理しているにすぎないとみなす立場であり、これも信頼性の観点とは別の軸である。問題文が列挙する「公平性・透明性・安全性・ロバスト性」という複数の価値を束ねる語という条件に一致するのは信頼できるAIだけである。

https://www.jdla.org/certificate/general/

正解は「EU AI Act（EU AI規制法）」である。EU AI Act（EU AI規制法）は、AIを用途のリスクの大きさに応じて分類し、それぞれに異なる規律を課すリスクベースアプローチを特徴とする、EUが定めたAIに関する包括的な規制である。「GDPR」はEUの個人データ保護規則で、個人データの取り扱い自体を規律する点でAIのリスク分類とは論点が異なる。「不正競争防止法」「個人情報保護法」はいずれも日本の法律であり、EUが定めたAIの包括的規制ではない。問題文の「EUが定めた」「用途のリスクの大きさに応じて分類」「異なる規律を課す」という3条件をすべて満たすのはEU AI Actだけである。

https://www.jdla.org/certificate/general/

識別の決め手は、定めた主体の国、指針が向けられる対象、文書の性質という3つの軸を順に絞り込めるかにある。まず「日本」という国の軸でEUが定めた選択肢を外し、次に「開発・提供・利用という役割ごとの実務指針」という対象の軸で、社会全体の理念を示す文書と区別する。AI事業者ガイドラインは、それぞれの役割を担う事業者が安全性・公平性・透明性に配慮して取り組むための実務上の指針という性質を持ち、この2段階の絞り込みを通過する唯一の選択肢になる。他の選択肢は、定める主体の地域か、指針が向けられる対象という、いずれかの軸で条件から外れる。

https://www.jdla.org/certificate/general/

この設問と対になる論点は、ルールそのものを反復的に見直すのか、それとも影響の大きさに応じて対応の強弱を段階づけるのかという違いである。前者はアジャイル・ガバナンス、後者がリスクベースアプローチにあたり、問題文が示す「禁止・厳格な管理・比較的軽い対応」という3段階の強弱づけは後者の考え方に固有の特徴になる。用途や影響の大きさという評価軸そのものが選択肢の中に明示されている点も、この考え方を特定する手がかりになる。他の選択肢は、ルールの継続的な見直し、個人特定を防ぐ技術、個人データの分析処理という、対策の強弱を段階づける考え方とは異なる論点を扱う語である。

https://www.jdla.org/certificate/general/

正解は「自律型致死兵器（LAWS）」である。自律型致死兵器（LAWS）は、人間による意味のある統制を十分に確保しないまま標的の選択や攻撃を自律的に行う兵器システムをめぐる倫理・国際法上の論点で用いられる語である。「ディープフェイク」は本物のように見える偽の映像・音声・画像を生成する技術やコンテンツを指す語であり、兵器システムの自律性をめぐる論点ではない。「フィルターバブル」は利用者の好みに近い情報だけに囲まれる現象を指す語であり、兵器の統制に関する論点とは異なる。「データポータビリティの権利（第20条）」はGDPR上、本人が自身のデータを他の管理者へ移転できる権利であり、兵器システムの統制に関する論点ではない。問題文の「標的の選択や攻撃を自律的に行う兵器システム」という条件に一致するのは自律型致死兵器（LAWS）だけである。

https://www.jdla.org/certificate/general/

人間中心のAI社会原則は、問題文にある人間の尊厳・多様性・持続可能性という価値に加えて、公平性や透明性といった価値も併せて重視する、日本の社会全体を対象にした基本方針という性質を持つ。設問を見分ける軸は、定めた主体が日本かEUかという点と、対象が社会全体の基本方針か契約実務の指針かという点の2つであり、この2軸で残るのは人間中心のAI社会原則だけになる。他の選択肢は、EUが定めた規制・規則である点、あるいは契約実務という個別の場面に限定された指針である点のいずれかで、社会全体を対象にした日本の基本方針という条件から外れる。

https://www.jdla.org/certificate/general/

フィルターバブルとエコーチェンバーは、いずれも利用者を取り巻く情報の分布や意見の反響という、情報環境側の偏りを表す語であり、コンテンツそのものを偽造する技術ではない点で一括りにできる。これに対しディープフェイクは、敵対的生成ネットワークなどの深層学習技術を用いて、実在の人物が行っていない発言や動作をしているかのような映像・音声・画像を合成する技術そのものを指す。設問を見分ける軸は、利用者が触れる情報の見え方が偏るだけなのか、媒体そのものが本物と誤認するレベルで作り替えられるのかという、レイヤーの違いにある。差分プライバシーも個人特定を防ぐデータ保護技術であり、媒体の合成技術とは論点が異なる。

https://www.jdla.org/certificate/general/

リスクベースアプローチが用途や影響の大きさに応じて対応の強弱を段階づける考え方であるのに対し、アジャイル・ガバナンスは対応の強弱そのものではなく、目標・ルール・運用という統治の仕組みを技術や社会環境の変化、リスクの状況に応じて反復的に評価し見直し続ける考え方である。設問を見分ける軸は、対策を強弱で分類する話なのか、ルールや管理方法を固定せず繰り返し更新する話なのかという点にあり、問題文の「継続的に見直す」という表現が後者を指し示している。他の選択肢は、対策の強弱の段階分け、個人データの分析処理、データを分散させたままの学習手法という、統治の仕組みを反復更新する考え方とは異なる論点を扱う語である。

https://www.jdla.org/certificate/general/

データバイアスとアルゴリズムバイアスは、AIの出力に生じる偏りの原因をどこに置くかで対をなす概念として扱われる。設問を見分ける軸は、偏りの発生源が学習データの収集方法や母集団にあるのか、それともモデルの設計や処理手順そのものにあるのかという、原因の所在の切り分けにある。問題文が「学習データに偏りがあることで」と原因を明示しているため、原因をデータ側に置くデータバイアスが対応する。他の選択肢は、原因をアルゴリズム側に置く語、入力を細工する攻撃行為を指す語、公平性やロバスト性を備えた望ましい状態を表す概念であり、いずれも偏りの発生源を学習データそのものに置く語ではない。

https://www.jdla.org/certificate/general/

敵対的攻撃は、ノイズの多い入力や想定外のデータと並んで、AIのロバスト性、すなわち乱れた入力にさらされても性能を大きく損なわず安定して動作できる性質が試される代表的な外乱として位置づけられる。設問を見分ける軸は、利用者を取り巻く情報環境が受け身に偏っていく現象なのか、それとも攻撃者が能動的に入力を細工してAIを誤らせようとする行為なのかという点にある。フィルターバブルとエコーチェンバーはいずれも前者の情報環境側の現象であり、AIそのものへ細工した入力を与える行為ではない。信頼できるAIも公平性やロバスト性を備えた状態を表す概念であって、攻撃行為そのものを指す語ではない。

https://www.jdla.org/certificate/general/

正解は「システムの設計・開発段階からあらかじめプライバシー保護の仕組みを組み込む」である。プライバシー・バイ・デザインは、事後的な対応ではなく、設計・開発段階からあらかじめプライバシー保護の取り組みを検討・実践する予防的なアプローチを核とする考え方であり、問題文の条件に直接対応する。漏えい発生後の被害対応マニュアル整備、サービス公開後の事後同意取得、個人情報取得後の匿名加工処理は、いずれも個人情報を取得・収集した後の事後的な対応である点で、設計段階から組み込むという考え方とは異なる。

https://www.jipdec.or.jp/library/word/csm0kn0000000czi.html

正解は「フィルターバブル」である。設問では、情報が偏る原因をアルゴリズムによる個人最適化に置いている。似た意見を持つ人々の間で意見が反響するエコーチェンバーとは原因が異なる。ハルシネーションは生成内容の誤り、オーバーフィッティングは未知データへの汎化性能の低下であり、情報表示の個人最適化を表さない。表示内容を選ぶ主体が推薦アルゴリズムなのか、利用者同士の集団なのかを先に確認すると、似た現象名を切り分けられる。個人ごとに見える情報が狭まる結果も、個人最適化という原因とセットで捉える。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「ディープフェイク」である。判断の軸は、虚偽の内容一般ではなく、深層学習を使って実在人物の映像や音声を合成する技術が問われている点にある。フェイクニュースは情報の内容、アルゴリズムバイアスは判断の偏り、プロファイリングは個人データからの予測・評価を指すため、設問の合成技術には当たらない。何が問題かではなく、どの技術で何を生成したかを読む。実在人物らしく見せる映像・音声の合成という二つの条件がそろう名称を選ぶ。虚偽かどうかだけでなく生成手段まで確認する。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「公平性」である。ここで問われているのは、判断結果が属性によって不当に偏るかどうかである。判断過程を把握できるかは透明性、個人情報を守る論点はプライバシー、判断の責任を説明できるかは説明責任に対応する。結果の偏りを主語にすれば公平性を選べる。設問中の対象を、結果、過程、個人情報、責任の四つに分けて読むとよい。属性間で結果に不当な差が生じないことを求める論点だけが公平性に対応する。何を守る原則かという目的語も固定して読む。判断結果の扱いが設問の中心である。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「AIガバナンス」である。設問の「統治の仕組み全体」が決め手になる。リスクベースアプローチは影響に応じて対策の強さを変える考え方、アジャイル・ガバナンスは環境変化に合わせて運用を見直す考え方であり、いずれも全体を運用するための手段である。プロファイリングは個人データから特徴を予測・評価する処理なので統治を指さない。組織の方針・体制・運用を包む上位概念か、その中で使う個別の考え方やデータ処理かという階層を確認すれば判別できる。統治の対象と進め方を分けて読む。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解は「アルゴリズムバイアス」である。原因と意図の有無を分けると判断できる。設計や学習の仕組みに内在して意図せず生じる偏りがアルゴリズムバイアス、第三者が入力を意図的に変える行為がAdversarial Attackである。学習データ側の偏りはデータバイアス、攻撃やノイズに耐える性質はロバスト性を指す。偏りの発生源がアルゴリズム側かデータ側かを確認し、さらに意図的な攻撃と耐性の性質を別軸に置くと、四つの概念を混同せず選べる。問われるのは防御性能ではなく偏りを生む仕組みである。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

正解はELSI（倫理的・法的・社会的課題）。この設問は、AIに関する複数の頭字語の中でも「対象とする範囲の広さ」を見分けることを問うている。ELSIは、新しい科学技術を社会に実装する際に技術的に実現できるかどうかだけでなく、倫理・法律・社会という3つの側面から生じる課題を包括的に捉える概念であり、個別の技術的性質を示す語より一段広い範囲を対象にする。他の3つの選択肢は、いずれもAIの特定の性質や個別分野を指す語である点で共通し、ELSIが指す包括的な課題とは範囲の広さが異なる。FATは公平性・説明責任・透明性というAIに求められる性質の頭字語、XAIは判断根拠を人が理解できるようにする技術、BPRは業務プロセスの抜本的な見直しであり、いずれも倫理・法・社会の3側面を横断して捉える総称には当たらない。

https://www.jdla.org/certificate/general/ （大項目10 AI倫理・AIガバナンス）

この事例では「個人最適化された推薦によって接触情報が狭まっているか」を確認すると、フィルターバブルに絞れる。正解は「フィルターバブル」である。レコメンドなどのアルゴリズムが利用者の好みに合う情報ばかりを優先的に提示し続けた結果、利用者が自分の興味に近い情報の泡（バブル）の中に閉じ込められ、多様な情報に触れにくくなる現象を指す。「オーバーフィッティング」は訓練データに適合しすぎて未知データへの汎化性能が落ちる現象であり、情報提示の偏りではなくモデルの学習状態を表す語である。「ハルシネーション」は生成AIが事実に基づかない内容をもっともらしく生成する現象であり、情報が特定の好みに偏って提示され続けることとは異なる論点である。「アノテーション」は学習データに正解ラベルを付与する作業であり、レコメンドの提示結果に関する現象ではない。問題文の「好みに合う情報ばかり」「閉じ込められ」という条件がフィルターバブルの定義に一致する。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

この事例では「似た意見を持つ集団内で主張が反響・増幅しているか」を確認すると、エコーチェンバーに絞れる。正解は「エコーチェンバー」である。SNSなどで自分と似た意見を持つ人々ばかりが集まる閉じた環境の中で、同じ意見が反響（エコー）するように繰り返し共有され、特定の意見が増幅・強化されていく現象を指す。「フェイクニュース」は虚偽の情報そのものを指す語であり、意見が閉じた環境で反復・増幅される仕組みを指す語ではない。「ドロップアウト」はニューラルネットワークの学習時に一部のユニットを確率的に無効化して過学習を防ぐ手法であり、SNS上の意見の偏りとは無関係な学習手法である。「転移学習」はあるタスクで学習した知識を別のタスクに転用する学習手法であり、これも意見の増幅・強化とは異なる論点である。フィルターバブルはアルゴリズムによる情報提示の偏りを指す近い概念だが、本問は人々の集まりの中での意見の反響・増幅を問うている点でエコーチェンバーが対応する。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

この事例では「意図的に細工した入力でモデルの判断を誤らせるか」を確認すると、敵対的攻撃に絞れる。敵対的攻撃は、ノイズの多い入力や想定外のデータと並んで、AIのロバスト性、すなわち乱れた入力にさらされても性能を大きく損なわず安定して動作できる性質が試される代表的な外乱として位置づけられる。設問を見分ける軸は、利用者を取り巻く情報環境が受け身に偏っていく現象なのか、それとも攻撃者が能動的に入力を細工してAIを誤らせようとする行為なのかという点にある。フィルターバブルとエコーチェンバーはいずれも前者の情報環境側の現象であり、AIそのものへ細工した入力を与える行為ではない。信頼できるAIも公平性やロバスト性を備えた状態を表す概念であって、攻撃行為そのものを指す語ではない。

https://www.jdla.org/certificate/general/

この事例では「実在人物と誤認させる偽の映像や音声を生成するか」を確認すると、ディープフェイクに絞れる。フィルターバブルとエコーチェンバーは、いずれも利用者を取り巻く情報の分布や意見の反響という、情報環境側の偏りを表す語であり、コンテンツそのものを偽造する技術ではない点で一括りにできる。これに対しディープフェイクは、敵対的生成ネットワークなどの深層学習技術を用いて、実在の人物が行っていない発言や動作をしているかのような映像・音声・画像を合成する技術そのものを指す。設問を見分ける軸は、利用者が触れる情報の見え方が偏るだけなのか、媒体そのものが本物と誤認するレベルで作り替えられるのかという、レイヤーの違いにある。差分プライバシーも個人特定を防ぐデータ保護技術であり、媒体の合成技術とは論点が異なる。

https://www.jdla.org/certificate/general/

この事例では「用途ごとのリスクに応じて対策強度を変えるか」を確認すると、リスクベースアプローチに絞れる。この設問と対になる論点は、ルールそのものを反復的に見直すのか、それとも影響の大きさに応じて対応の強弱を段階づけるのかという違いである。前者はアジャイル・ガバナンス、後者がリスクベースアプローチにあたり、問題文が示す「禁止・厳格な管理・比較的軽い対応」という3段階の強弱づけは後者の考え方に固有の特徴になる。用途や影響の大きさという評価軸そのものが選択肢の中に明示されている点も、この考え方を特定する手がかりになる。他の選択肢は、ルールの継続的な見直し、個人特定を防ぐ技術、個人データの分析処理という、対策の強弱を段階づける考え方とは異なる論点を扱う語である。

https://www.jdla.org/certificate/general/

この事例では「個人情報保護を企画・設計時から実装するか」を確認すると、システムの設計・開発段階からあらかじめプライバシー保護の仕組みを組み込むに絞れる。正解は「システムの設計・開発段階からあらかじめプライバシー保護の仕組みを組み込む」である。プライバシー・バイ・デザインは、事後的な対応ではなく、設計・開発段階からあらかじめプライバシー保護の取り組みを検討・実践する予防的なアプローチを核とする考え方であり、問題文の条件に直接対応する。漏えい発生後の被害対応マニュアル整備、サービス公開後の事後同意取得、個人情報取得後の匿名加工処理は、いずれも個人情報を取得・収集した後の事後的な対応である点で、設計段階から組み込むという考え方とは異なる。

https://www.jipdec.or.jp/library/word/csm0kn0000000czi.html

正解はサンプリングバイアス。対象とする母集団から無作為に標本を選ぶ計画だったのに、実際には本社近隣の店舗の顧客だけを集めたため、データが対象全体を代表しなくなっている。Googleの機械学習用語集は、意図した母集団からランダムにサンプリングするのではなく、一部の人だけをサンプリングしてしまう偏りを選択バイアスの例として説明している。無回答バイアスは、意見の強い人ほど任意のアンケートに回答しやすいといった、回答する人と回答しない人の傾向差による偏りである。報告バイアスは、人々が物事を記述する頻度が実世界の頻度を反映しないことによる偏りで、アルゴリズムバイアスはモデルの設計や学習の仕組み自体に起因する偏りである。無作為に選ぶ計画だったのに近隣店舗だけを集めた、という標本の選び方の食い違いが決め手になる。

https://developers.google.com/machine-learning/glossary/fairness （Google 機械学習用語集「公平性」／大項目10 公平性）

正解は、法的・倫理的・社会的な理由から特別な配慮が求められる、人種や性別などの人間の属性。Google機械学習用語集は、機密属性（センシティブ属性）を「法的、倫理的、社会的、個人的な理由で特別な配慮がなされる人間の属性」と定義している。AI事業者ガイドライン（第1.2版）も、人種や性別などを明らかなセンシティブ属性の例として扱っている。AIの判断がこうした属性によって不当に偏っていないかを点検する際の軸になる語であり、暗号化の要否や、目的変数・欠損値の有無といったデータ処理上の区分とは別の観点で使われる。「機密」という字面から情報セキュリティ上の秘匿情報と結び付けても、この定義には当てはまらない。

https://developers.google.com/machine-learning/glossary/fairness （Google 機械学習用語集「公平性」／大項目10 公平性）