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

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」の予想問題を30問、各問の完全解説つきで掲載しています。全問オリジナル自作・公式シラバス準拠です。

この分野で問われる主な論点

プロンプティングの基礎
テキスト生成AIの不得意なこと
LMとLLM
テキスト生成AIを用いたビジネス応用
LLMプロンプティングの実践

この分野を演習する（30問）

間違えやすいポイント（作問者分析）

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）。

Zero-ShotとFew-Shotの取り違え。例を示さず指示だけ＝Zero-Shot、例をいくつか示してから指示＝Few-Shot。
プロンプトエンジニアリングとファインチューニング／プレトレーニングの混同。前者は指示の与え方の工夫、後者2つはモデル側の学習段階。
テキスト生成AIの不得意（正確な計算・最新の情報・芸術の批評）を、得意分野（要約・メール作成・箇条書き変換）と取り違える。

第1問・プロンプティングの基礎

プロンプトの中に解答例をいくつか提示したうえで本来やらせたいタスクを指示する手法を何というか。

アプレトレーニング
イFew-Shotプロンプティング正解
ウZero-Shotプロンプティング
エファインチューニング

解説

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。

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

第2問・テキスト生成AIの不得意なこと

テキスト生成AI（大規模言語モデル）が一般に不得意とすることとして、最も適切なものはどれか。

アビジネスメールの文面作成
イ長い文章の要約
ウ文章を箇条書きへ変換すること
エ桁数の多い数値の正確な計算正解

解説

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、選択肢2〜4はいずれも得意分野にあたる。

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）

第3問・ LMとLLM

大量のテキストデータで学習し、人間が書いたような自然な文章を生成できる大規模な言語モデルを何というか。

アn-gramモデル
イGAN（敵対的生成ネットワーク）
ウLLM（大規模言語モデル）正解
エRAG

解説

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。

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

第4問・プロンプティングの基礎

生成AIから望ましい出力を得るために、指示（プロンプト）の与え方を工夫・設計する取り組みを何というか。

アRLHF
イプロンプトエンジニアリング正解
ウファインチューニング
エプレトレーニング

解説

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。

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

第5問・ LMとLLM

生成AIの出力のランダム性・多様性を調整するためのパラメータで、値を大きくすると出力がより多様になるものはどれか。

アContext
イプロンプト
ウInstruction
エTemperature正解

解説

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。

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

第6問・プロンプティングの基礎

プロンプトの構成要素のうち、AIに実行してほしいことを伝える『指示』にあたるものはどれか。

アOutput Indicator
イContext
ウInstruction正解
エTemperature

解説

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。

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

第7問・プロンプティングの基礎

解答例を一切示さず、タスクの指示だけを与えて生成AIに実行させるプロンプト手法を何というか。

アZero-Shotプロンプティング正解
イFew-Shotプロンプティング
ウファインチューニング
エプレトレーニング

解説

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。

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

第8問・テキスト生成AIを用いたビジネス応用

長い議事録を読み込ませ、対応すべき作業項目（ToDo）を洗い出させる使い方は、生成AIのビジネス応用のうちどれにあたるか。

ア外国語の翻訳
イ姓と名の分離
ウタスクの抽出正解
エキャッチコピーの作成

解説

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。

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）

第9問・ LLMプロンプティングの実践

生成AIに「この文章を3行にまとめて」と指示する使い方は、プロンプト実践のうちどれにあたるか。

ア数字の変換
イ文章の校正
ウ話者の設定を変更する
エ文章の要約正解

解説

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。

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

第10問・ LMとLLM

大規模言語モデルを作る際に、大量のテキストデータを使ってあらかじめ汎用的な言語能力を学習させる工程を何というか。

アファインチューニング
イFew-Shotプロンプティング
ウプロンプトエンジニアリング
エプレトレーニング正解

解説

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。

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

第11問・ LMとLLM

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をもとに、次に来る単語の出現確率を統計的に求める初期の言語モデルを何というか。

アニューラル言語モデル
イn-gramモデル正解
ウプロンプトエンジニアリング
エLLM（大規模言語モデル）

解説

連続する数語（N個）の並びから次の単語の出現確率を統計的に求める初期の言語モデルがn-gram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を用いる方式で「使わず」に反する。LLMは大量データで学習した大規模言語モデル、プロンプトエンジニアリングは指示文の設計手法で、いずれも統計的に単語の並びを扱う初期モデルではない。

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

第12問・ LMとLLM

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言語モデルを何というか。

アルールベース
イn-gramモデル
ウニューラル言語モデル正解
エクラスタリング

解説

ニューラルネットワークを用いて次の単語を予測する言語モデルがニューラル言語モデル。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方式が異なる。ルールベースは人間が規則を記述する方式（第1章）、クラスタリングは教師なし学習の手法（第1章）で、いずれもニューラルネットワークを用いる言語モデルではない。

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

第13問・ LMとLLM

ハイパーパラメータの一つで、生成AIが次の単語を選ぶ際に、出現確率の高い候補を上位から累積していき、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ものはどれか。

アFew-Shotプロンプティング
イTop-p正解
ウOutput Indicator
エTemperature

解説

出現確率の高い候補を累積確率が一定割合になるまで絞り込み、その範囲から選ばせるハイパーパラメータがTop-p。Temperatureは出力全体のランダム性・多様性を調整するパラメータで、累積確率で候補を絞る仕組みではない。Output Indicatorは出力形式を指定するプロンプトの構成要素、Few-Shotプロンプティングは例を示す手法で、いずれもパラメータではない。

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

第14問・プロンプティングの基礎

プロンプトの構成要素のうち、AIが回答を組み立てる際の判断材料となる前提条件や背景情報を与える部分を何というか。

アOutput Indicator
イContext正解
ウInstruction
エInput Data

解説

回答の判断材料となる前提・背景情報を与える部分がContext。Instructionはやってほしいことを伝える指示、Output Indicatorは出力の形式・型の指定、Input Dataは処理させたい具体的なデータで、いずれも前提・背景情報を与える部分ではない。

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

第15問・プロンプティングの基礎

プロンプトの構成要素のうち、出力の形式や型（箇条書き・表形式など）を指定する部分を何というか。

アContext
イInstruction
ウInput Data
エOutput Indicator正解

解説

出力の形式・型を指定する部分がOutput Indicator。Contextは判断材料となる背景情報、Input Dataは処理対象の具体的なデータ、Instructionはやってほしいことを伝える指示で、いずれも出力の形式・型を指定する部分ではない。

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

第16問・ LLMプロンプティングの実践

生成AIに「この文章の誤字脱字や文法の誤りを直して」と指示する使い方は、プロンプト実践のうちどれにあたるか。

ア数字の変換
イ話者の設定を変更する
ウ文章の要約
エ文章の校正正解

解説

誤字脱字や文法の誤りを直させる使い方は文章の校正にあたる。文章の要約は短くまとめること、数字の変換は数値表記の変換、話者の設定を変更するは語り手や口調を変えることで、いずれも誤りを直す使い方ではない。

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

第17問・ LLMプロンプティングの実践

同じ内容の文章を、専門家が解説する口調から子どもに語りかける口調へと、語り手の人物像や口調を変えて書き直させる使い方は、プロンプト実践のうちどれにあたるか。

ア文章の要約
イ話者の設定を変更する正解
ウ例え話で理解を深める
エ文章の校正

解説

語り手の人物像や口調を変えて書き直させる使い方は話者の設定を変更するにあたる。文章の校正は誤りの修正、文章の要約は短くまとめること、例え話で理解を深めるは身近な例えに置き換えて説明させることで、いずれも語り手・口調そのものを変える使い方ではない。

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

第18問・テキスト生成AIを用いたビジネス応用

会議の目的と所要時間を伝え、当日の進行順序と各議題の時間配分の案を作らせる使い方は、生成AIのビジネス応用のうちどれにあたるか。

アアジェンダの作成正解
イキャッチコピーの作成
ウタスクの抽出
エ外国語の翻訳

解説

会議の進行順序や時間配分の案を作らせる使い方はアジェンダの作成にあたる。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、キャッチコピーの作成は宣伝文句づくり、外国語の翻訳は言語の変換で、いずれも会議の進行表を作る使い方ではない。

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）

第19問・テキスト生成AIを用いたビジネス応用

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使い方は、生成AIのビジネス応用のうちどれにあたるか。

アビジネス書類のテンプレート作成
イアジェンダの作成
ウふりがなの記載
エキャッチコピーの作成正解

解説

短く印象的な宣伝文句をつくらせる使い方はキャッチコピーの作成にあたる。アジェンダの作成は会議の進行表づくり、ビジネス書類のテンプレート作成は書類のひな形づくり、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）

第20問・テキスト生成AIの不得意なこと

ある利用者が生成AIに昨日起きたニュースの詳細を尋ねたところ、もっともらしいが誤った内容が返ってきた。これはテキスト生成AIが不得意とする何に該当するか。

ア最新の情報正解
イ外国語の翻訳
ウ文章の対象を変更する
エブレインストーミング

解説

テキスト生成AIは学習済みのデータをもとに出力するため、学習した時点より後の最新の情報を単体で正確に答えるのは不得意とされる（ほかに計算や芸術の批評も不得意とされる）。文章の対象を変更する・ブレインストーミング・外国語の翻訳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。

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

第21問・ LMとLLM

TemperatureやTop-pのように、モデルが学習を通じて自動的に獲得する値ではなく、生成のふるまいを利用者が外から設定して調整する値の総称はどれか。

アパラメータ
イプロンプト
ウハイパーパラメータ正解
エデータセット

解説

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。

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

第22問・プロンプティングの基礎

プロンプトの構成要素のうち、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（処理対象の文章やリストなど）そのものを指す部分はどれか。

アContext
イOutput Indicator
ウInput Data正解
エInstruction

解説

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。

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

第23問・ LLMプロンプティングの実践

続けて書かれた説明文を、要点ごとに行を分けて並べた一覧の形へ書き換えさせる使い方は、プロンプト実践のうちどれにあたるか。

ア箇条書きを文章に変換
イ文章の校正
ウ文章の要約
エ文章を箇条書きに変換正解

解説

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。

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

第24問・ LLMプロンプティングの実践

文章中の『千二百』を『1,200』に書き換えさせる使い方は、プロンプト実践のうちどれにあたるか。

ア計算
イ文章の校正
ウ文章の整理
エ数字の変換正解

解説

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。

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

第25問・ LLMプロンプティングの実践

抽象的で分かりにくい概念を、身近な物事になぞらえて説明し直させる使い方は、プロンプト実践のうちどれにあたるか。

ア話者の設定を変更する
イ文章の対象を変更する
ウ例え話で理解を深める正解
エ文章の要約

解説

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。

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

第26問・ LLMプロンプティングの実践

一人称で書かれた解説文を、二人の登場人物が問いと答えを交わす対話形式の文章へ作り変えさせる使い方は、プロンプト実践のうちどれにあたるか。

ア話者の設定を変更する
イ文章を会話のやり取りへ変換正解
ウ箇条書きを文章に変換
エ文章の整理

解説

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。

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

第27問・テキスト生成AIを用いたビジネス応用

日本語で書かれた文章を、英語やフランス語など別の言語の文章へ置き換えて出力させる使い方は、ビジネス応用のうちどれにあたるか。

ア海外企業宛のメール文章の作成
イ外国語の翻訳正解
ウふりがなの記載
エ英単語から英文の作成

解説

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。

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）

第28問・テキスト生成AIを用いたビジネス応用

新しい企画について、質よりも量を重視し制約を設けずに数多くのアイデアを出させて発想を広げる使い方は、ビジネス応用のうちどれにあたるか。

アアジェンダの作成
イブレインストーミング正解
ウディベートを行う
エタスクの抽出

解説

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。

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）

第29問・テキスト生成AIを用いたビジネス応用

ある作業の進め方を、着手から完了までの細かな段取りへと順を追って細分化させる使い方は、ビジネス応用のうちどれにあたるか。

ア文章の整理
イタスクの抽出
ウ業務の手順を分解正解
エアジェンダの作成

解説

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。

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）

第30問・テキスト生成AIの不得意なこと

生成AIに有名な絵画や音楽など作品の良し悪しを論じさせても、的確な答えは得にくいとされる。これはテキスト生成AIが不得意とする何に該当するか。

アブレインストーミング
イキャッチコピーの作成
ウ芸術の批評正解
エ文章の要約

解説

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。

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

この分野を演習で力試し →