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（2/3）

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。

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

誤っているのは「Output Indicator（出力形式の指定）は、要約や分類の対象となる入力データそのものを指す」という説明である。Output Indicatorは、箇条書きや表形式など、出力の形式や型を指定する部分である。一方、Input Dataは、要約する議事録や分類する文章など、処理を実際に行う対象を指す。設問の説明はInput Data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。

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

正解は「n-gramモデルとは、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である」（誤り）である。n-gramモデルは、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であり、設問の説明はLLM（大規模言語モデル）の定義をn-gramモデルに誤って当てはめている。LLM・プレトレーニング・ニューラル言語モデルの説明はいずれも正しい。

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

覚えたい単語を起点に、その単語を使った新しい文をつくらせる使い方を問う設問であり、正解は「英単語から英文の作成」である。この使い方は、既存の文章を素材にするのではなく単語という断片的な語彙を入力にし、実際に使う文脈を新規に生成させる点に特徴があり、入力が単語で出力が文になるという流れが軸になる。外国語の翻訳は既存文章の言語変換、キャッチコピーの作成とブレインストーミングはそれぞれ宣伝文句・アイデア出しであり、いずれも単語から例文を組み立てる操作ではない。

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「海外企業宛のメール文章の作成」である。メールの作成という一般的な分類の中でも、相手が海外の取引先であり文面を英語で丁寧に整える必要がある場面は、海外企業宛のメール文章の作成という、より特化した使い方として区別されている。この特化は「宛先が国内か海外か」「求められる言語や配慮の水準」という条件の違いによるものであり、既存の文章を言語だけ置き換える外国語の翻訳とは、ゼロから文面を組み立てるか既存の文章を訳すかという入力の性質が異なる。アジェンダの作成は会議の進行を扱う使い方であり、そもそもメール文面という成果物を作る使い方ではないため、比較の対象からも外れる。

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「ディベートを行う」である。ディベートを行うは、一つの立場だけでなく賛成・反対という対立する複数の立場を生成AIに交互に演じさせ、論点を一方向からではなく多角的に検討させる使い方であり、立場を分けない他の使い方とは意見の出し方の組み立てが根本的に異なる。ブレインストーミング・質問させながら一緒に進める・業務の手順を分解は、対立する立場を設定するものではなく、制約のないアイデア出し・質問による深掘り・手順の整理という別の目的を持つ。

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「姓と名の分離」である。姓と名の分離は、氏名という一つのまとまったデータを、名簿や顧客データベースへの取り込みを見据えて姓・名の二つの列へ機械的に分割整形する使い方であり、文章を新しく作る他の使い方とは異なり、既存データの形式を整えるという性質を持つ。正確な文字数の指定・アンケートの分析・タスクの抽出は、分量の指定・回答傾向の要約・作業項目の洗い出しをそれぞれ行う使い方であり、氏名データを姓と名へ分割する操作とは対象が別になる。入力に含まれる情報を整形して機械的に扱いやすくする点が、この使い方に共通する役割である。

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「ふりがなの記載」である。ふりがなの記載は、文章の内容や構成を変えずに、専門用語のように読みにくい漢字だけへ読み仮名を補い、読み手にとっての可読性を高める使い方であり、文章を新しく作り出す他の使い方とは目的そのものが異なる。キャッチコピーの作成・アジェンダの作成・ビジネス書類のテンプレート作成は、それぞれ宣伝文句・進行表・ひな形という成果物をゼロから作る使い方であり、既存の文章に読み仮名だけを補う操作にはあたらない。文章の意味や構成を変えずに読みやすさだけを補うという性質が、この使い方を他と区別する軸になる。

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「Top-pとは、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・設計する取り組みである」（誤り）である。Top-pは、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、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ハイパーパラメータであり、設問の説明はプロンプトエンジニアリングの定義をTop-pに誤って当てはめている。Temperature・プロンプトエンジニアリング・ハイパーパラメータの説明はいずれも正しい。

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

正解は「Zero-Shotプロンプティングとは、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である」（誤り）である。Zero-Shotプロンプティングは、解答例を一切示さず、タスクの指示だけを与えて生成AIに実行させる手法であり、設問の説明はFew-Shotプロンプティングの定義をZero-Shotに誤って当てはめている。Few-Shotプロンプティング・プロンプトエンジニアリング・ファインチューニングの説明はいずれも正しい。

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

正解は「文章の整理」である。文章の整理は、書き殴ったメモに含まれる情報量そのものは変えずに、話の筋道や順序だけを組み立て直して読みやすくする使い方であり、情報を削って短くする文章の要約や、文と箇条書きという形式そのものを入れ替える文章を箇条書きに変換とは、変える対象がそもそも異なる。数字の変換も西暦と和暦のような表記形式だけを扱う使い方であり、文章全体の構成を扱う設問の条件とは別の操作にあたる。何を変えずに何だけを整えるかという視点で見比べると、情報量・形式・表記のいずれも変えずに順序だけを整える文章の整理が、設問の状況に最も合致する。

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「箇条書きを文章に変換」である。箇条書きを文章に変換と文章を箇条書きに変換は、同じ「形式を入れ替える」操作を逆方向に行う対の関係にあり、設問のように箇条書きのメモを報告書向けの文章へ書き直す場面は前者にあたる。これに対し文章の整理は、対象がすでに通常の文章として書かれていることを前提に読みやすさを整える使い方であり、そもそもの入力が箇条書きか文章かという前提条件が設問とかみ合わない。文章の校正も、形式を入れ替えるのではなく誤字脱字や文法上の誤りを訂正する使い方であるため、扱う操作の種類自体が異なる。

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「文章の対象を変更する」である。社内向けの専門的な説明文を、社外の一般顧客にも伝わる表現に書き直させる使い方は文章の対象を変更するにあたる。話者の設定を変更するは語り手の人物像や口調を変える使い方、例え話で理解を深めるは抽象的な概念を身近な物事になぞらえて説明し直させる使い方、文章の要約は情報量を減らして短くまとめる使い方であり、いずれも読み手（伝える相手）を変える使い方そのものではない。読み手に応じた表現の調整は、社内資料を社外向けに転用する場面などで役立つ。

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「LMは言語モデル全般を指す語であり、LLMはその中でも大規模なデータで学習した言語モデルを指す」である。LM（Language Model、言語モデル）は、n-gramモデルからニューラル言語モデルまでを含む言語モデル全般を指す語であり、LLM（Large Language Model、大規模言語モデル）はその中でも大量のデータで学習した大規模なモデルを指す。両者は上位概念と下位概念の関係にある。ほかの3つの選択肢（LLMをLMより後に登場した小規模なモデルとする説明、両者を無関係とする説明、LLMの方が広い概念とする説明）は、いずれもこの関係と一致しない。

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

正解は「会議の進行順序と時間配分の案を作らせる使い方は、タスクの抽出にあたる」（誤り）である。会議の進行順序と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り、議事録から作業項目を洗い出させる使い方がタスクの抽出である。設問の組み合わせはアジェンダの作成とタスクの抽出を取り違えている。議事録からの作業項目の洗い出しがタスクの抽出、宣伝文句の複数案がキャッチコピーの作成、謝罪メールの文面がメールの作成という対応は、いずれも正しい。アジェンダの作成とタスクの抽出は、いずれも会議・業務に関わる使い方だが、対象が会議の進行案か作業項目の洗い出しかという点で異なる。

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「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指示は、文章の校正にあたる」（誤り）である。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文章を箇条書きに変換にあたり、誤字脱字や文法の誤りを直す使い方が文章の校正である。設問の組み合わせは文章を箇条書きに変換と文章の校正を取り違えている。3行にまとめる指示が文章の要約、誤字脱字や文法の誤りを直す指示が文章の校正、概念を身近な物事になぞらえる指示が例え話で理解を深めるという対応は、いずれも正しい。文章を箇条書きに変換と文章の校正は、いずれも文章を書き換える操作だが、形式を変えるか誤りを直すかという点で目的が異なる。

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「文章中の『千二百』を『1,200』に書き換えさせる指示は、話者の設定を変更するにあたる」（誤り）である。文章中の数字の表記形式を書き換えさせる使い方は数字の変換にあたり、語り手の人物像や口調を変える使い方が話者の設定を変更するである。設問の組み合わせは数字の変換と話者の設定を変更するを取り違えている。残る3つは、語り手の口調を変える指示が話者の設定の変更、一人称の解説を問答形式へ変える指示が会話のやり取りへの変換、社内向けの説明を一般顧客向けへ直す指示が文章の対象の変更と、それぞれ書き換える中身に合っている。話者の設定を変更するは語り手の人物像を変える操作、数字の変換は表記形式を変える操作であり、対象がまったく異なる点に注意が必要である。

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「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、業務の手順を分解にあたる」（誤り）である。文章を別の言語へ置き換えて出力させる使い方は外国語の翻訳にあたり、作業の進め方を段取りへ細分化させる使い方が業務の手順を分解である。設問の組み合わせは外国語の翻訳と業務の手順を分解を取り違えている。残る3つは、量重視で制約なく案を出させる使い方がブレインストーミング、作業を段取りへ細分化させる使い方が業務の手順を分解、生成AIから質問させて詰める使い方が質問させながら一緒に進めると、それぞれ使い方の中身に合っている。外国語の翻訳と業務の手順を分解は、いずれも文章を扱う操作だが、言語を変えるか作業を段取りへ分けるかという点で目的が異なる。

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「顧客満足度調査の目的を伝え、聞くべき質問項目の案を複数作らせる使い方は、アンケートの分析にあたる」（誤り）である。調査の目的を伝え、聞くべき質問項目の案を複数作らせる使い方はアンケート項目の作成にあたり、既に集まった回答の傾向を要約させる使い方がアンケートの分析である。設問の組み合わせはアンケート項目の作成とアンケートの分析を取り違えている。残る3つは、謝罪の要点から文面を作らせる使い方がメールの作成、集まった回答の傾向を要約させる使い方がアンケートの分析、出力の長さを指定する使い方が正確な文字数の指定と、それぞれ使い方の中身に合っている。アンケート項目の作成とアンケートの分析は、いずれもアンケートに関わる使い方だが、調査前の設計か調査後の集計かという段階が異なる。

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「覚えたい英単語を使った例文を複数作らせる使い方は、海外企業宛のメール文章の作成にあたる」（誤り）である。覚えたい英単語を使った例文を複数作らせる使い方は英単語から英文の作成にあたり、海外の取引先向けの英語メール文面を作らせる使い方が海外企業宛のメール文章の作成である。設問の組み合わせは英単語から英文の作成と海外企業宛のメール文章の作成を取り違えている。残る3つは、氏名を姓と名の列に分ける使い方が姓と名の分離、漢字に読み仮名を付ける使い方がふりがなの記載、英語のビジネスメールの文面を作らせる使い方が海外企業宛のメール文章の作成と、それぞれ使い方の中身に合っている。英単語から英文の作成と海外企業宛のメール文章の作成は、いずれも英語に関わる使い方だが、例文を作るか実務メールを作るかという用途が異なる。

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「次の単語の候補を、出現確率の高いものから累積して一定の割合まで絞り込みたいので、Temperatureを調整するのは適切である」（誤り）である。出現確率の高い候補を累積して一定の割合まで絞り込む機能はTop-pが担うものであり、Temperatureは出力のランダム性・多様性を調整するパラメータである。設問の説明はTop-pの機能をTemperatureの調整に誤って当てはめている。残る3つは、創造的で多様な文章を生成させたいときにTemperatureを大きくする調整、一貫性のある回答を得たいときにTemperatureを小さくする調整、利用者が外から設定するTemperatureやTop-pをハイパーパラメータと呼ぶ説明で、いずれも正しい。TemperatureとTop-pはいずれも出力のランダム性を調整するハイパーパラメータだが、調整の仕組みが異なる点に注意したい。

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

正解は「専門家が解説する口調から子どもに語りかける口調へ語り手を変えて書き直させる使い方は、数字の変換にあたる」（誤り）である。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り、数字の表記形式を書き換えさせる使い方が数字の変換である。設問の組み合わせは話者の設定を変更するを数字の変換に誤って当てはめている。残る3つは、メモを論理的な順序で整える使い方が文章の整理、箇条書きを通常の文章へ直す使い方が箇条書きを文章に変換、表記形式を書き換える使い方が数字の変換と、それぞれ使い方の中身に合っている。話者の設定を変更するは語り手の口調を変える操作、数字の変換は数値の表記形式を変える操作であり、対象がまったく異なる点に注意が必要である。

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

この事例では「出力の文字数を明示して長さを制御するか」を確認すると、「正確な文字数の指定」が当てはまると分かる。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）

回答の形式や形を指定する構成要素かを確認すると、「Output Indicator（出力形式の指定）は、要約や分類の対象となる入力データそのものを指す」という説明が誤りだと分かる。Output Indicatorは、箇条書きや表形式など、出力の形式や型を指定する部分である。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。

本サイトの既存問題の定義との整合性確認

この事例では「対立する立場で論点を検討するディベートか」を確認すると、「ディベートを行う」が当てはまると分かる。正解は「ディベートを行う」である。ディベートを行うは、一つの立場だけでなく賛成・反対という対立する複数の立場を生成AIに交互に演じさせ、論点を一方向からではなく多角的に検討させる使い方であり、立場を分けない他の使い方とは意見の出し方の組み立てが根本的に異なる。ブレインストーミング・質問させながら一緒に進める・業務の手順を分解は、対立する立場を設定するものではなく、制約のないアイデア出し・質問による深掘り・手順の整理という別の目的を持つ。

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）

この事例では「氏名文字列を姓と名へ分離するか」を確認すると、「姓と名の分離」が当てはまると分かる。正解は「姓と名の分離」である。姓と名の分離は、氏名という一つのまとまったデータを、名簿や顧客データベースへの取り込みを見据えて姓・名の二つの列へ機械的に分割整形する使い方であり、文章を新しく作る他の使い方とは異なり、既存データの形式を整えるという性質を持つ。正確な文字数の指定・アンケートの分析・タスクの抽出は、分量の指定・回答傾向の要約・作業項目の洗い出しをそれぞれ行う使い方であり、氏名データを姓と名へ分割する操作とは対象が別になる。入力に含まれる情報を整形して機械的に扱いやすくする点が、この使い方に共通する役割である。

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）

この事例では「内容の論理的な順序を整えて文章を整理するか」を確認すると、「文章の整理」が当てはまると分かる。正解は「文章の整理」である。文章の整理は、書き殴ったメモに含まれる情報量そのものは変えずに、話の筋道や順序だけを組み立て直して読みやすくする使い方であり、情報を削って短くする文章の要約や、文と箇条書きという形式そのものを入れ替える文章を箇条書きに変換とは、変える対象がそもそも異なる。数字の変換も西暦と和暦のような表記形式だけを扱う使い方であり、文章全体の構成を扱う設問の条件とは別の操作にあたる。何を変えずに何だけを整えるかという視点で見比べると、情報量・形式・表記のいずれも変えずに順序だけを整える文章の整理が、設問の状況に最も合致する。

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

この事例では「読み手に合わせて文章の対象を変更するか」を確認すると、「文章の対象を変更する」が当てはまると分かる。正解は「文章の対象を変更する」である。社内向けの専門的な説明文を、社外の一般顧客にも伝わる表現に書き直させる使い方は文章の対象を変更するにあたる。話者の設定を変更するは語り手の人物像や口調を変える使い方、例え話で理解を深めるは抽象的な概念を身近な物事になぞらえて説明し直させる使い方、文章の要約は情報量を減らして短くまとめる使い方であり、いずれも読み手（伝える相手）を変える使い方そのものではない。読み手に応じた表現の調整は、社内資料を社外向けに転用する場面などで役立つ。

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

この事例では「累積確率にもとづいて候補集合を決めるTop-pか」を確認すると、「次の単語の候補を、出現確率の高いものから累積して一定の割合まで絞り込みたいので、Temperatureを調整するのは適切である」という説明が誤りだと分かる。正解は「次の単語の候補を、出現確率の高いものから累積して一定の割合まで絞り込みたいので、Temperatureを調整するのは適切である」（誤り）である。出現確率の高い候補を累積して一定の割合まで絞り込む機能はTop-pが担うものであり、Temperatureは出力のランダム性・多様性を調整するパラメータである。設問の説明はTop-pの機能をTemperatureの調整に誤って当てはめている。他の3つの説明はいずれも正しい。TemperatureとTop-pはいずれも出力のランダム性を調整するハイパーパラメータだが、調整の仕組みが異なる点に注意したい。

本サイトの既存問題の定義との整合性確認

この事例では「正確な文字数を条件として与えるか」を確認すると、「正確な文字数の指定」が当てはまると分かる。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）

表・箇条書きなど回答の表現形式を指示するかを確認すると、「Output Indicator（出力形式の指定）は、要約や分類の対象となる入力データそのものを指す」という説明が誤りだと分かる。Output Indicatorは、箇条書きや表形式など、出力の形式や型を指定する部分である。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。

本サイトの既存問題の定義との整合性確認

この事例では「複数の対立視点から議論させるか」を確認すると、「ディベートを行う」が当てはまると分かる。正解は「ディベートを行う」である。ディベートを行うは、一つの立場だけでなく賛成・反対という対立する複数の立場を生成AIに交互に演じさせ、論点を一方向からではなく多角的に検討させる使い方であり、立場を分けない他の使い方とは意見の出し方の組み立てが根本的に異なる。ブレインストーミング・質問させながら一緒に進める・業務の手順を分解は、対立する立場を設定するものではなく、制約のないアイデア出し・質問による深掘り・手順の整理という別の目的を持つ。

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）

この事例では「複合された氏名データを構成要素へ分けるか」を確認すると、「姓と名の分離」が当てはまると分かる。正解は「姓と名の分離」である。姓と名の分離は、氏名という一つのまとまったデータを、名簿や顧客データベースへの取り込みを見据えて姓・名の二つの列へ機械的に分割整形する使い方であり、文章を新しく作る他の使い方とは異なり、既存データの形式を整えるという性質を持つ。正確な文字数の指定・アンケートの分析・タスクの抽出は、分量の指定・回答傾向の要約・作業項目の洗い出しをそれぞれ行う使い方であり、氏名データを姓と名へ分割する操作とは対象が別になる。入力に含まれる情報を整形して機械的に扱いやすくする点が、この使い方に共通する役割である。

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）

この事例では「断片情報の構成と順序を整理するか」を確認すると、「文章の整理」が当てはまると分かる。正解は「文章の整理」である。文章の整理は、書き殴ったメモに含まれる情報量そのものは変えずに、話の筋道や順序だけを組み立て直して読みやすくする使い方であり、情報を削って短くする文章の要約や、文と箇条書きという形式そのものを入れ替える文章を箇条書きに変換とは、変える対象がそもそも異なる。数字の変換も西暦と和暦のような表記形式だけを扱う使い方であり、文章全体の構成を扱う設問の条件とは別の操作にあたる。何を変えずに何だけを整えるかという視点で見比べると、情報量・形式・表記のいずれも変えずに順序だけを整える文章の整理が、設問の状況に最も合致する。

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

この事例では「想定読者を変えて表現を調整するか」を確認すると、「文章の対象を変更する」が当てはまると分かる。正解は「文章の対象を変更する」である。社内向けの専門的な説明文を、社外の一般顧客にも伝わる表現に書き直させる使い方は文章の対象を変更するにあたる。話者の設定を変更するは語り手の人物像や口調を変える使い方、例え話で理解を深めるは抽象的な概念を身近な物事になぞらえて説明し直させる使い方、文章の要約は情報量を減らして短くまとめる使い方であり、いずれも読み手（伝える相手）を変える使い方そのものではない。読み手に応じた表現の調整は、社内資料を社外向けに転用する場面などで役立つ。

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

この事例では「候補確率の平滑化と候補集合の切り方を分けるか」を確認すると、「次の単語の候補を、出現確率の高いものから累積して一定の割合まで絞り込みたいので、Temperatureを調整するのは適切である」という説明が誤りだと分かる。正解は「次の単語の候補を、出現確率の高いものから累積して一定の割合まで絞り込みたいので、Temperatureを調整するのは適切である」（誤り）である。出現確率の高い候補を累積して一定の割合まで絞り込む機能はTop-pが担うものであり、Temperatureは出力のランダム性・多様性を調整するパラメータである。設問の説明はTop-pの機能をTemperatureの調整に誤って当てはめている。他の3つの説明はいずれも正しい。TemperatureとTop-pはいずれも出力のランダム性を調整するハイパーパラメータだが、調整の仕組みが異なる点に注意したい。

本サイトの既存問題の定義との整合性確認

この事例では「出力長を具体的な文字数で制約するか」を確認すると、「正確な文字数の指定」が当てはまると分かる。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）

モデル出力の形式を示すOutput Indicatorかを確認すると、「Output Indicator（出力形式の指定）は、要約や分類の対象となる入力データそのものを指す」という説明が誤りだと分かる。Output Indicatorは、箇条書きや表形式など、出力の形式や型を指定する部分である。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。

本サイトの既存問題の定義との整合性確認