G検定用語解説

ハルシネーションとは

生成AIが、事実と異なるもっともらしい内容を、正しいかのように出力してしまう現象。

まず押さえる結論

ハルシネーションは、G検定の「大項目6 ディープラーニングの応用例」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。

情報源と編集区分

公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。一次情報確認日: 2026-07-03。

試験概要（公式）

具体例から判断の境界を固める

学習方法ではなく、生成された出力に現れる事実誤りの現象として捉える

生成AIへ資料の出典を尋ねたとき、実在しない文献名やURLをもっともらしく示す場合があります。文章が自然で断定的でも、出典が実在し内容を裏付けるとは限りません。ここで問題なのは表現の流暢さではなく、生成結果と確認可能な事実が一致していないことです。

問題文で見る箇所: もっともらしい、事実と異なる、存在しない根拠、誤った内容を生成する、といった出力の状態を探します。学習データの偏りによる公平性の問題や、個人情報を入力する情報管理の問題とは、何が損なわれたかで分けます。
隣接概念との境界: ファインチューニングは学習済みモデルを追加データで調整する方法で、ハルシネーションは出力上の現象です。ファインチューニングやRAGを使う設計でも誤りが完全になくなるとは限らないため、参照元の確認、人による検証、利用停止条件を別に置きます。

誤答しやすい選択肢

特定用途へ追加学習すること自体をハルシネーションと呼ぶ。これはファインチューニングの工程です。
訓練データの偏りによる不公平な出力をすべてハルシネーションと呼ぶ。事実誤りとバイアスを分けます。
自然な文章なので正しい、またはRAGを使ったので誤りはない、と確認を省略する選択肢を選ぶ。

4段階の判断手順

01問題文が問う対象を入力、学習方法、出力、運用管理のどこかに置く。
02出力と外部で確認できる事実が食い違う現象か確認する。
03公平性、権利侵害、情報漏えいを別のリスクとして除外する。
04出典照合、人の確認、利用停止など出力後の対策まで選択肢で確認する。

到達条件: 実在しない出典の例でハルシネーションを説明し、バイアス・情報漏えい・追加学習との違いを言える。

試験での問われ方

定義の言い換え

用語そのものではなく、説明文の一部を言い換えて出されることがあります。

似た概念との比較

同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。

具体例からの判断

問題文の事例が、定義のどの部分に対応しているかを先に確認します。

誤答しやすいポイント

×物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。

×word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。

×強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。

同じ章で確認したい用語

分散表現深層強化学習敵対的生成ネットワーク（GAN）DCGAN CycleGAN Pix2Pix

到達チェック

ハルシネーションを一文で説明できる
同じ章の似た用語と違いを説明できる
問題文の具体例から、ハルシネーションに関係する論点を拾える
関連問題を解き、誤答した選択肢の理由を確認できる

シェア:Xでシェア LINEでシェア

執筆: ミナト編集部（運営者情報を見る）