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（3/3）

この事例では「異なる立場を設定して議論させるか」を確認すると、ディベートを行うに絞れる。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「確率の累積値をしきい値にする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に絞れる。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。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch5-005/013/021/032)の定義との整合性確認

正解は「最新の情報」です。テキスト生成AIは、学習時点より後に変化した情報を必ずしも把握しているとは限らないため、今日改定された規程のような最新の情報は外部の正しい情報源で確認する必要がある。文章の要約、箇条書きを文章に変換、アジェンダの作成は、入力された内容を整理・変換する活用例である。設問では、文章を作れるかではなく、時間の経過で更新される事実を正確に扱えるかを問うている。規程のように誤りが影響する情報では、生成結果を確認手順の代わりにしない。

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

正解は「AとB」です。Top-pによるnucleus samplingでは、確率の高い候補から順に累積し、指定した確率質量へ達する候補集合を考慮する。「Aのみ」の累積確率は0.45で0.75に届かないが、「AとB」では0.45+0.30＝0.75へ達する。「AとBとC」は累積0.90、「A・B・C・Dのすべて」は累積1.00であり、どちらも本問が指定する最小集合より広い。Top-pの値は候補数を直接2個などと指定する数ではなく、候補確率を高い順に足した累積確率質量の基準である。

https://guga.or.jp/assets/syllabus.pdf; https://developers.openai.com/api/reference/cli/resources/responses/methods/create （Top-p、2026-08-31確認）

正解は「片方を基準値へ戻し、もう片方だけを変えて出力を比較する」です。TemperatureとTop-pはいずれも生成のランダム性へ関係するが、Temperatureは確率分布のランダム性を調整し、Top-pは累積確率質量で考慮する候補集合を限定する。両方を同時に変えると、出力差がどちらの変更によるものか切り分けにくい。OpenAI公式API文書も、一般には両方ではなくどちらか一方を変えるよう案内している。同時に乱数で変える、同じ数値へそろえる、文字数だけを数える方法では、片方の設定変更と出力差の対応を比較できない。

https://guga.or.jp/assets/syllabus.pdf; https://developers.openai.com/api/reference/cli/resources/responses/methods/create （Temperature・Top-p、2026-08-31確認）

正解は「0.40」です。平滑化を行わないbigramモデルの最尤推定では、前のトークンがAIであるという条件のもとで次が「活用」になる確率を、bigram「AI 活用」の回数C(AI 活用)÷「AI」から始まる全bigramの度数合計Σw C(AI w)で求める。したがって4÷10＝0.40となる。0.04は4回を根拠のない100回で割った値、0.10は分母10の逆数だけを取りbigramの4回を使っていない。0.60はAIの後に「活用」以外が続いた6回の確率であり、求める事象の補集合に当たる。分母にはコーパス全体のトークン数や、文末にあって後続語を持たないAIまで含む曖昧な出現数ではなく、条件として固定したAIから始まる全bigramの度数を置くことが判断の要点である。この計算は生成時に候補を累積確率で絞るTop-pの設定とは異なり、コーパス度数からモデルの条件付き確率を推定している。

https://guga.or.jp/assets/syllabus.pdf; https://web.stanford.edu/~jurafsky/slp3/3.pdf （n-gram最尤推定式、2026-08-31確認）