生成AIパスポート 第5章 テキスト生成AIのプロンプト制作と実例 予想問題と解説

正解は「Few-Shotプロンプティング」である。例をいくつか示してからタスクを指示するのがFew-Shotプロンプティング、例を示さずにいきなり指示するのがZero-Shotプロンプティング。ファインチューニングとプレトレーニングはプロンプトの書き方ではなくモデルの学習段階に関する用語。 モデルの重みを変える学習工程と、入力文脈で例を見せる推論技法を分ける。例なしはZero-Shot、少数例ありはFew-Shotである。プレトレーニングとファインチューニングはモデルの事前・追加学習で、プロンプト内の例示方法ではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 プロンプティングの基礎）

正解は「桁数の多い数値の正確な計算」である。テキスト生成AIは確率的に言葉をつないで出力するため、正確な計算・最新の情報・芸術の批評などは不得意とされる。一方、要約・メール作成・箇条書きへの変換はプロンプト実践として得意な代表例であり、不得意なことを問う設問では選ばない。 文章の生成・変換と厳密な算術を分ける。メール作成、要約、箇条書き化は言語パターンの生成として代表的な活用である。一方、次トークン予測で文章を出すモデルは桁の多い計算結果を保証しないため、計算ツールで検証する必要がある。 比較対象には「ビジネスメールの文面作成」、「長い文章の要約」、「文章を箇条書きへ変換すること」も含まれる。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIの不得意なこと／実践）

正解は「LLM（大規模言語モデル）」である。大量のテキストで学習した大規模な言語モデルをLLM（大規模言語モデル）という。n-gramモデルは単語の並びを統計的に扱う初期の言語モデル、RAGは外部知識を検索して回答に活かす手法、GANは画像などを生成する敵対的生成ネットワークで、いずれも大規模言語モデルそのものを指す語ではない。 候補はモデルそのものか利用手法かを区別する。n-gramは限定した直前語の統計を使う古典的言語モデル、GANは敵対的生成モデル、RAGは外部検索を生成へ組み込む方式である。大規模コーパスで自然言語能力を学ぶモデルはLLMである。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「プロンプトエンジニアリング」である。プロンプトの与え方を工夫してよりよい出力を引き出す取り組みがプロンプトエンジニアリング。ファインチューニングは追加学習でモデルを調整すること、プレトレーニングは大量データで事前学習する工程、RLHFは人間のフィードバックによる強化学習で、いずれもプロンプトの設計ではなくモデル側の学習・調整に関する用語である。 改善する対象が入力かモデルかを見る。プロンプトエンジニアリングは役割・文脈・例・出力形式など入力を設計する。RLHF、ファインチューニング、プレトレーニングはいずれも学習を通じてモデル側を調整する工程である。

https://guga.or.jp/assets/syllabus.pdf （第5章 プロンプティングの基礎）

正解は「Temperature」である。出力のランダム性・多様性を調整するパラメータがTemperatureで、値を大きくすると多様で意外性のある出力に、小さくすると堅実な出力になりやすい。プロンプトはAIへの入力（指示文）そのもの、InstructionとContextはプロンプトの構成要素で、いずれも出力のランダム性を調整するパラメータではない。 Temperatureは次のトークン候補の確率分布の鋭さを調整する生成時の値で、高いほど多様になりやすく、低いほど確率の高い候補へ集中しやすい。ContextとInstructionはプロンプト要素、プロンプトは入力全体であり設定パラメータではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「Instruction」である。AIにやってほしいことを伝える指示がInstruction。Contextは判断の助けになる背景情報、Output Indicatorは出力の形式や型の指定、Temperatureは出力のランダム性を調整するパラメータで、いずれも『指示』そのものではない。 プロンプト要素は質問に対する役割で区別する。Instructionは何をするか、Contextはどの背景で判断するか、Output Indicatorはどの形式で出すかを指定する。Temperatureは生成のランダム性を調整する値であり、処理命令そのものではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 プロンプティングの基礎）

正解は「Zero-Shotプロンプティング」である。例を示さずに指示だけで実行させるのがZero-Shotプロンプティング、例をいくつか示してから指示するのがFew-Shotプロンプティング。ファインチューニングとプレトレーニングはプロンプトの書き方ではなくモデルの学習段階に関する用語である。 ショット数は入力文脈に含める例の数を指す。例を一つも置かないのがZero-Shot、少数の例を置くのがFew-Shotである。ファインチューニングとプレトレーニングは学習データでモデルの重みを調整する工程であり、例なしプロンプトの名称ではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 プロンプティングの基礎）

正解は「タスクの抽出」である。文章の中から対応すべき作業を洗い出させる使い方はタスクの抽出にあたる。外国語の翻訳は言語の変換、キャッチコピーの作成は宣伝文句づくり、姓と名の分離は氏名データの整形で、いずれも作業項目を洗い出す使い方ではない。 入力と成果物を対応させる。議事録内の決定事項から担当・期限・作業を抽出してToDo一覧にするのがタスク抽出である。言語変換、氏名フィールド分割、宣伝文句生成はいずれも作業項目の識別を目的にしない。誰が・何を・いつまでに行うかへ整理できる点も判断材料になる。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIを用いたビジネス応用）

正解は「文章の要約」である。長い文章を短くまとめさせる使い方は文章の要約にあたる。文章の校正は誤りの修正、話者の設定を変更するは語り手や口調の変更、数字の変換は数値の表記変換で、いずれも『まとめる』使い方ではない。 文章操作は変える対象で区別する。数字の変換は表記、校正は誤り、話者設定は語り手・口調を変える。「3行にまとめる」は情報の中心を残し文章量を減らすため要約に当たる。元の主張を保ちながら重要度の低い情報を省く点も決め手になる。出力行数は要約後の長さを指定する条件として読む。

https://guga.or.jp/assets/syllabus.pdf （第5章 LLMプロンプティングの実践）

正解は「プレトレーニング」である。大量データで汎用的な言語能力をあらかじめ学習させる工程がプレトレーニング（事前学習）。ファインチューニングはその後に特定用途へ追加学習して調整する工程、プロンプトエンジニアリングとFew-Shotプロンプティングは学習済みモデルへの指示の与え方で、いずれも事前学習の工程ではない。 モデル開発時の順序を区別する。プレトレーニングは大規模コーパスで一般的な言語パターンを学ぶ初期工程、ファインチューニングはその後の用途特化である。Few-Shotとプロンプトエンジニアリングは学習済みモデルへの推論時指示で重みの事前学習ではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「n-gramモデル」である。設問は「ニューラルネットワークを使わず」「直前に現れた数語の並び」「次に来る単語の出現確率を統計的に求める」という3条件を示しており、これは連続するN個の単語の並びから次の単語の出現確率を計算する初期の言語モデルであるn-gramモデルの特徴と一致する。「ニューラル言語モデル」はn-gramモデルの後に登場したニューラルネットワークを用いる方式であり、「使わず」という条件と正反対である。「LLM（大規模言語モデル）」は大量のテキストで学習した大規模な言語モデルを指し、数語の並びだけを統計的に扱う初期モデルより後の規模の大きな概念である。「プロンプトエンジニアリング」は指示の与え方を工夫する取り組みであり、言語モデルの方式そのものを指す語ではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「ニューラル言語モデル」である。設問は「n-gramモデルの後に登場した」「ニューラルネットワークを用いて」「単語の並びや次の単語の予測を行う」という条件を示しており、これはn-gramモデルの次の世代としてニューラルネットワークで次の単語を予測するニューラル言語モデルの特徴と一致する。「n-gramモデル」はニューラルネットワークを使わず統計的に単語の並びを扱う初期モデルであり、「後に登場した」「ニューラルネットワークを用いて」という条件のいずれにも反する。「ルールベース」は人間があらかじめ規則を記述し、その規則に従って処理する方式であり、データから単語の並びを学習する言語モデルではない。「クラスタリング」は正解ラベルを使わずデータ自体に潜むまとまりを見つける教師なし学習の手法であり、次の単語を予測する言語モデルではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「Top-p」である。設問は「ハイパーパラメータの一つ」「出現確率の高い候補を上位から累積」「累積確率が一定の割合に達するまでの候補の中から選ばせる」という条件を示しており、これは累積確率で候補を絞り込んでから選ばせるTop-pの仕組みと一致する。「Temperature」も出力のランダム性・多様性を調整するハイパーパラメータだが、値の大小で多様性を変える仕組みであり、候補を累積確率で絞り込む仕組みではない。「Output Indicator」は出力の形式や型を指定するプロンプトの構成要素であり、ハイパーパラメータではない。「Few-Shotプロンプティング」は解答例をいくつか提示してから指示する手法であり、次の単語の候補を絞り込むパラメータではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「Context」である。設問は「AIが回答を組み立てる際の判断材料」「前提条件や背景情報を与える部分」という条件を示しており、これは判断の助けになる背景情報を与えるContextの役割と一致する。「Instruction」はAIに実行してほしいことを伝える指示であり、背景情報ではなく行動そのものを伝える部分である。「Input Data」は処理させたい具体的なデータであり、判断のための前提条件ではなく処理対象そのものである。「Output Indicator」は出力の形式や型を指定する部分であり、前提条件や背景情報とは役割が異なる。

https://guga.or.jp/assets/syllabus.pdf （第5章 プロンプティングの基礎）

正解は「Output Indicator」である。設問は「出力の形式や型（箇条書き・表形式など）を指定する部分」という条件を示しており、これはOutput Indicatorの役割と一致する。「Context」は判断材料となる前提条件や背景情報を与える部分であり、出力の形式そのものを指定する部分ではない。「Instruction」はAIに実行してほしいことを伝える指示であり、何をするかを伝える部分であって、どの形式で出すかを指定する部分ではない。「Input Data」は処理させたい具体的なデータであり、出力の形式を指定する部分ではなく処理対象そのものを指す。

https://guga.or.jp/assets/syllabus.pdf （第5章 プロンプティングの基礎）

正解は「文章の校正」である。文章の校正は、文章の中身や構成そのものは変えずに、誤字脱字や文法上の誤りだけを見つけて正す使い方であり、「何を変えずに何だけを直すか」という対象の絞り込み方に特徴がある。他の選択肢はいずれも、誤りを正すのではなく、表記形式・語り口・分量といった文章の見た目や量を作り替える使い方であり、「直す」ではなく「作り替える」操作である点で共通してあてはまらない。設問文に誤りを直す指示があるか、形式や口調を変える指示があるかを見比べることが、この分類を見分ける実践的な着眼点になる。

https://guga.or.jp/assets/syllabus.pdf （第5章 LLMプロンプティングの実践）

正解は「話者の設定を変更する」である。話者の設定を変更するは、文章の中身や情報量ではなく語り手の人物像や口調そのものを入れ替える使い方であり、専門家口調から子ども向けの語りかけへという設問の条件は、この「語り手を差し替える」という操作の典型例にあたる。他の選択肢は、分量を圧縮する・たとえで補う・誤りを正すというように、いずれも文章の内容や正確さに手を加える使い方であり、語り手そのものを入れ替える操作とは対象が異なる。誰が語っているかという視点を変えるか、語られている中身を変えるかという軸で選択肢を仕分けると判断しやすい。

https://guga.or.jp/assets/syllabus.pdf （第5章 LLMプロンプティングの実践）

設問が求めているのは、会議の目的と所要時間という条件から、その日の進行表を組み立てる使い方であり、正解は「アジェンダの作成」である。アジェンダの作成は、進行順序と時間配分という複数の要素を時間軸に沿って配列する点に特徴があり、宣伝文句・作業項目・訳文のような単発の成果物を作る使い方とは組み立て方が異なる。他の選択肢はいずれも、会議そのものの進行を設計する使い方ではなく、独立した一つの文章や一覧を作る使い方にとどまる。会議のように複数の議題と時間枠を同時に扱う場面では、単発の成果物をつくる使い方ではなく、時間軸に沿って組み立てるアジェンダの作成が適している。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIを用いたビジネス応用）

正解は「キャッチコピーの作成」である。設問は「新商品の特徴を伝え、宣伝に使う短く印象的な宣伝文句を複数案つくらせる」という条件を示しており、これはキャッチコピーの作成の使い方と一致する。「ビジネス書類のテンプレート作成」はビジネス文書のひな形を作らせる使い方であり、宣伝文句をつくらせる使い方ではない。「アジェンダの作成」は会議の進行順序と時間配分の案を作らせる使い方であり、商品の宣伝文句をつくる使い方ではない。「ふりがなの記載」は漢字に読み仮名を付けさせる使い方であり、短く印象的な宣伝文句をつくる使い方ではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIを用いたビジネス応用）

正解は「最新の情報」である。テキスト生成AIが不得意とする領域には最新の情報のほかに計算や芸術の批評も並び、これらはいずれも学習済みデータの範囲内でしか出力を組み立てられないという同じ制約に由来する。判断の軸は「生成AIが積極的に活用できる使い方」か「生成AIの仕組み上どうしても弱い領域」かであり、外国語の翻訳・文章の対象を変更する・ブレインストーミングは前者の活用例に共通してあてはまり、後者の不得意な性質とはカテゴリが異なる。学習時点を境に情報の正確さが変わりうる点を意識することが、この種の設問を見分ける手がかりになる。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIの不得意なこと）

正解は「ハイパーパラメータ」である。Temperature（出力の多様性を調整する）やTop-p（候補を累積確率で絞り込む）のように、学習で得られるのではなく利用者が生成前に設定して挙動を調整する値の総称がハイパーパラメータ。パラメータはモデルが学習を通じて内部に獲得・調整する値で、外から設定するものではない。データセットは学習に用いるデータの集まり、プロンプトはAIへの指示文そのもので、いずれも生成の挙動を外から調整する値の総称ではない。 値・指示文・データの集合を区別する。モデルが学習する内部の値はパラメータ、入力する指示はプロンプト、学習材料はデータセットであり、TemperatureやTop-pのように外から設定する値はハイパーパラメータである。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「Input Data」である。AIに処理させたい対象となる具体的なデータそのものを指す部分がInput Data。Instructionはやってほしいことを伝える指示、Contextは判断材料となる背景情報、Output Indicatorは出力の形式・型の指定で、いずれも処理対象のデータそのものを指す部分ではない。 プロンプトの構成要素は、何をするか、何を前提にするか、何を処理するか、どう出すかで分ける。Instructionは処理内容、Contextは背景、Output Indicatorは出力形式であり、要約・分類の対象そのものはInput Dataである。

https://guga.or.jp/assets/syllabus.pdf （第5章 プロンプティングの基礎）

正解は「文章を箇条書きに変換」である。続けて書かれた文章を、要点ごとに行を分けた一覧の形へ直させる使い方は文章を箇条書きに変換にあたる。箇条書きを文章に変換は逆向き（箇条書きをつながった文章にする）操作、文章の要約は内容を短くまとめること、文章の校正は誤りを直すことで、いずれも一覧の形へ直す使い方ではない。 変換前後の形式を対応させる。箇条書きから連続文へ戻す操作とは向きが逆で、要約のように情報量を減らすことや校正のように誤りを直すことも求めていない。文章から箇条書きへの形式変換を選ぶ。

https://guga.or.jp/assets/syllabus.pdf （第5章 LLMプロンプティングの実践）

正解は「数字の変換」である。漢数字を算用数字にするなど、数値の表記を別の形へ書き換えさせる使い方が数字の変換。計算は数値を使って答えを求めることで（テキスト生成AIが不得意とされる）、表記の書き換えとは別である。文章の校正は誤りの修正、文章の整理は情報を整え並べ替えることで、いずれも数値の表記を変える使い方ではない。 数値に対する操作でも、値を求める計算と表記を変える変換を区別する。「千二百」と「1,200」は同じ値であり、誤りの修正や文章構造の並べ替えでもないため、数字の変換に該当する。

https://guga.or.jp/assets/syllabus.pdf （第5章 LLMプロンプティングの実践）

正解は「例え話で理解を深める」である。難しい内容を身近な物事になぞらえて説明し直させる使い方が例え話で理解を深める。話者の設定を変更するは語り手や口調を変えること、文章の要約は短くまとめること、文章の対象を変更するは読み手・対象に合わせて書き換えることで、いずれも身近な例えに置き換えて説明させる使い方ではない。 説明の何を変えるかを見る。話者の設定は語り手や口調、対象の変更は読み手、要約は情報量を変える。抽象概念と身近な物事の対応関係を示して理解を助ける操作は、例え話で理解を深める使い方である。

https://guga.or.jp/assets/syllabus.pdf （第5章 LLMプロンプティングの実践）

正解は「文章を会話のやり取りへ変換」である。解説文を、登場人物どうしが問答する対話形式に作り変えさせる使い方が文章を会話のやり取りへ変換。話者の設定を変更するは語り手や口調を変えるだけで対話の形にはしない。文章の整理は情報を整え並べ替えること、箇条書きを文章に変換は箇条書きをつながった文章にすることで、いずれも対話形式へ作り変える使い方ではない。 変更後の文書構造を確認する。話者の設定だけなら一人の語り手や口調を替えるにとどまるが、設問は二人の発言が交互に並ぶ問答へ作り替えている。箇条書きの文章化や情報整理でもないため、会話のやり取りへの変換を選ぶ。

https://guga.or.jp/assets/syllabus.pdf （第5章 LLMプロンプティングの実践）

正解は「外国語の翻訳」である。ある言語の文章を別の言語の文章へ置き換えて出力させる使い方が外国語の翻訳。英単語から英文の作成は与えた英単語をもとに英文を組み立てること、海外企業宛のメール文章の作成は海外の取引先へ送る文面を作ること、ふりがなの記載は漢字に読み仮名を付けることで、いずれも文章を別の言語へ置き換える使い方ではない。 入力と出力で何が変わるかを分ける。海外企業向けメールは用途、英単語から英文作成は素材からの文章生成、ふりがなは同じ日本語内の読みの補助である。文章の意味を保って言語を替えるのは外国語の翻訳である。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIを用いたビジネス応用）

正解は「ブレインストーミング」である。質より量を重視して数多くのアイデアを自由に出させ発想を広げる使い方がブレインストーミング。アジェンダの作成は会議の進行表づくり、タスクの抽出は文章から対応すべき作業を洗い出すこと、ディベートを行うは賛否に分かれて議論させることで、いずれもアイデアを数多く出して発想を広げる使い方ではない。 会議関連の用途は成果物で区別する。アジェンダは議題と進行順、タスク抽出は実行事項、ディベートは対立する立場の論証を作る。批判を保留して多数の案を出し、発想の幅を広げる目的にはブレインストーミングが対応する。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIを用いたビジネス応用）

正解は「業務の手順を分解」である。一つの作業を、着手から完了までの細かな段取りへ順番に細分化させる使い方が業務の手順を分解。タスクの抽出は文章の中から対応すべき作業を洗い出すこと、アジェンダの作成は会議の進行表づくり、文章の整理は情報を整え並べ替えることで、いずれも作業を順を追った手順へ細分化する使い方ではない。 洗い出す対象と並べ方を見る。タスク抽出は文章中に存在する作業を拾い、アジェンダは会議の議題順を作り、文章整理は情報を読みやすく整える。業務の開始から終了までを実行可能な手順へ細分化するのは業務の手順を分解である。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIを用いたビジネス応用）

正解は「芸術の批評」である。作品の良し悪しを評価・論評することは、テキスト生成AIが不得意とされることの一つ（芸術の批評）で、ほかに計算や最新の情報も不得意とされる。キャッチコピーの作成・文章の要約・ブレインストーミングはプロンプト実践やビジネス応用で活用できる使い方で、いずれも不得意なことではない。 各選択肢が生成用途か評価行為かを分ける。ブレインストーミングは案の発散、キャッチコピーは短い訴求文の生成、要約は情報圧縮として活用例に挙げられる。主観的な価値判断を含む作品評価は芸術の批評に該当する。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIの不得意なこと）

正解は「n-gramモデル → ニューラル言語モデル → 大規模言語モデル（LLM）」である。言語モデルは、ニューラルネットワークを使わず直前の数語から次の単語の確率を統計的に求めるn-gramモデルから始まり、ニューラルネットワークを用いるニューラル言語モデルを経て、大量のテキストで学習する大規模言語モデル（LLM）へと発展してきた。順序を入れ替えた他の選択肢は誤り。 各モデルの前提技術で年代を並べる。n-gramは直前の語列の頻度に基づく統計モデル、ニューラル言語モデルはニューラルネットワークで表現を学習し、LLMは大規模データ・パラメータへ拡張された言語モデルである。この依存関係を逆転させない。

https://guga.or.jp/assets/syllabus.pdf （2026-07-05シラバス照合）

正解は「どちらも次の単語の選ばれ方に影響し、出力の多様性（ランダム性）を調整するために利用者が設定する値である」である。TemperatureとTop-pは、いずれも生成AIが次の単語を選ぶ際の選ばれ方に影響し、出力の多様性（ランダム性）を調整するために利用者が外から設定するハイパーパラメータである。モデルが学習で獲得する重みではなく、画像解像度やデータ件数を表す値でもない。共通点を問う問題では、それぞれの細かな違いより、誰がいつ設定し何に作用する値かを見る。利用者が生成時に設定し、次の単語の選択と出力の多様性に作用するという説明を選ぶ。

https://guga.or.jp/assets/syllabus.pdf （2026-07-05シラバス照合）

正解は「プロンプトエンジニアリングは入力（指示）側の工夫であり、ファインチューニングはモデル側を追加学習で変える点が異なる」である。プロンプトエンジニアリングは、モデルには手を加えず、入力する指示（プロンプト）の与え方を工夫して望ましい出力を引き出す取り組みである。一方、ファインチューニングは追加のデータでモデル自体を再学習させて調整する。前者は入力側、後者はモデル側という違いがある。両者を同一視したり役割を入れ替えたりする説明は誤り。判断では、変更対象が入力文かモデルか、追加学習を行うかを対にして見る。プロンプト側を工夫する方法と、データでモデル側を調整する方法を入れ替えないことが重要である。

https://guga.or.jp/assets/syllabus.pdf （2026-07-05シラバス照合）

正解は「Few-Shotプロンプティング」である。いくつかの具体例（ショット）を示してからタスクを指示する手法をFew-Shotプロンプティングという。これに対し、例を示さず指示だけを与える手法がZero-Shotプロンプティングである。ワンホットエンコーディングは前処理、アンサンブル学習は複数モデルの組み合わせであり、いずれもプロンプトの与え方の手法ではない。 ショット数は提示する入出力例の有無で判定する。具体例を一つも示さないZero-Shotに対し、少数の例を文脈内に置くのがFew-Shotである。ワンホット化はカテゴリ表現、アンサンブル学習は複数モデルの予測統合であり、プロンプト内の例示方法ではない。

https://guga.or.jp/assets/syllabus.pdf （2026-07-05シラバス照合）

正解は「正確な計算や最新の情報は不得意な場合があるため、計算ツールや信頼できる最新資料で確認する必要がある」である。テキスト生成AIは文章生成や要約などに活用できる一方、正確な計算や最新の情報、芸術の批評は不得意とされる。したがって、金額の厳密な集計は計算ツールで確認し、最近の出来事は信頼できる最新資料で裏取りする必要がある。文章生成が得意であることは、数値計算や未学習情報の正確性を保証しない。 言語生成の流暢さは算術結果や最新性を保証しない。1円単位の集計は計算ツールで再計算し、昨日のニュースは公開元など最新資料で確認する。翻訳や要約の可否とは別の制約で、モデルの学習時点や外部接続の有無も考慮する。

https://guga.or.jp/assets/syllabus.pdf （2026-07-11シラバス照合）

正解は「メールの作成」である。メールの作成は、こちらが伝えたい要点という断片情報を渡し、丁寧な言い回しの文面という完成品を生成AIに仕上げてもらう使い方であり、情報が「要点から文面へ」という向きで受け渡される点に特徴がある。会議の進行表を作るアジェンダの作成、書類のひな形を作るビジネス書類のテンプレート作成、宣伝文句を作るキャッチコピーの作成は、いずれも要点からメール文面そのものを組み立てる使い方ではなく、仕上げる対象そのものが異なる。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIを用いたビジネス応用）

正解は「アンケートの分析」である。アンケートの自由記述回答を読み込ませ、多く挙がっている意見や傾向を要約させる使い方はアンケートの分析にあたる。タスクの抽出は文章から作業項目を洗い出す使い方、ブレインストーミングは制約を設けずアイデアを数多く出させる使い方、業務の手順を分解は作業の進め方を細かな段取りへ分解させる使い方であり、いずれもアンケート回答の傾向を要約する使い方ではない。アンケート回答の分析結果は、商品改善やサービス向上の意思決定に役立てられる。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIを用いたビジネス応用）

生成AI側が質問を返し、その回答をもとに内容を詰めていく進め方を選ぶ設問であり、正解は「質問させながら一緒に進める」である。この使い方は、こちらが一方的に指示を出すのではなく、生成AIに不足点や論点を問い返させることで検討を深めていく点に特徴があり、ディベートを行う・ブレインストーミング・業務の手順を分解は、意見出し・アイデア出し・段取りの整理という別の目的を持ち、質問を重ねて内容を詰める操作にはあたらない。検討の初期段階で論点そのものが定まっていない場合ほど、生成AIに問い返させながら詰めていくこの使い方が有効になる。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIを用いたビジネス応用）

正解は「アンケート項目の作成」である。アンケート項目の作成とアンケートの分析は、同じ「アンケート」を扱う使い方でありながら、調査を実施する前に聞くべき質問を設計する段階と、実施後に集まった回答を読み解く段階という、時系列上の前後関係で役割が分かれる点に注意したい。設問は目的を伝えて質問項目の案を作らせる場面であり、これから調査票を組み立てる前段階にあたる。ブレインストーミングや業務の手順を分解は、そもそも調査票という具体的な成果物を作る使い方ではなく、自由な発想の拡散や作業手順の整理という別の目的を持つため、同じ軸で比較する対象にならない。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIを用いたビジネス応用）

正解は「正確な文字数の指定」である。正確な文字数の指定は、文章の内容そのものではなく出力の分量という制約条件を数値で明示する使い方であり、SNSや広告のように掲載できる文字数があらかじめ決まっている媒体で必要になる。キャッチコピーの作成・ふりがなの記載・アジェンダの作成は、それぞれ宣伝文句・読み仮名・進行表という異なる成果物を作る使い方であり、出力の長さ自体を制約として指定する操作とは目的が別になる。掲載できる文字数の上限が先に決まっている場面では、内容の工夫よりも先に分量の制約を明示することが求められる。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIを用いたビジネス応用）

正解は「長い文章を要約することは、テキスト生成AIが不得意とすることの一つである」（誤り）である。長い文章の要約はテキスト生成AIが比較的得意とする作業の一つであり、不得意とすることには該当しない。桁数の多い数値の正確な計算・最新の情報・芸術作品の批評は、いずれもテキスト生成AIが不得意とすることとして挙げられる。テキスト生成AIは学習済みのデータをもとに文章を生成する仕組み上、リアルタイム性や厳密な数値計算、主観的な価値判断が絡む領域を苦手とする傾向がある。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch5-002/020/030)の定義との整合性確認

正解は「Output Indicator（出力形式の指定）とは、要約や分類などの処理を実際に行わせる対象となる、具体的なデータそのものを指す部分である」（誤り）である。Output Indicatorは出力の形式や型（箇条書き・表形式など）を指定する部分であり、設問の説明はInput Data（入力データ）の定義をOutput Indicatorに誤って当てはめている。Instruction・Context・Input Dataの説明はいずれも正しい。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch5-006/014/015/022)の定義との整合性確認