生成AIパスポート 用語解説
ハルシネーションとは
生成AIが、事実と異なる内容をもっともらしい文章として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、生成AIパスポートの「第2章 生成AI（ジェネレーティブAI）」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: 2026-06-27。
公式シラバス（PDF）（公式）混同しやすい用語との差
ハルシネーション / バイアス
ハルシネーションは、もっともらしいが事実と異なる内容を生成する問題です。
バイアスは、学習データや設計の偏りによって不公平な結果や偏った出力が生じる問題です。
見分け方: 事実誤りを問うのか、公平性や偏りを問うのかを分けます。
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
×ハルシネーション・アライメント・ファインチューニングの取り違え。事実と異なるもっともらしい出力＝ハルシネーション、人間の意図に沿わせること＝アライメント、追加学習で調整＝ファインチューニング。
×GANとVAEの混同。GANは生成器と識別器を競わせる方式、VAEはエンコーダ・デコーダと潜在ベクトルを使う方式。
×Transformerの中核を畳み込みや位置エンコーディングと取り違える。中核は自己注意（Self-Attention）。
関連する確認問題
第2章 生成AI（ジェネレーティブAI） / ChatGPT
GPTモデルの世代が進むにつれて一般に増加してきた、モデルの規模を表す指標で、モデル内部で調整される値を指す語はどれか。
正解は「パラメータ」である。GPTモデルの世代が進むにつれて一般に増加してきた、モデル内部で調整される値でありモデルの規模を表す指標として用いられるのがパラメータである。データセットは学習に用いるデータの集まりであり、モデル内部で調整される値ではない。ハルシネーション（Hallucination）は事実と異なる出力を生む現象、マルチモーダルは複数種類のデータを扱えることを指す語であり、いずれもモデルの規模を表す指標ではない。データセット・ハルシネーション・マルチモーダルは、それぞれ学習データ、出力の現象、扱えるデータ種類という異なる性質を指す語である点で、モデル内部の調整値であるパラメータとは対象が異なる。
第2章 生成AI（ジェネレーティブAI） / ChatGPT
生成AIの出力や振る舞いを、人間の意図や価値観に沿うように調整しようとする取り組みを何というか。
正解は「アライメント（Alignment）」である。生成AIの出力や振る舞いを、人間の意図や価値観に沿うように調整しようとする取り組みをアライメント（Alignment）という。ハルシネーションは事実と異なる内容をもっともらしく出力してしまう現象、マルチモーダルは複数種類のデータを扱えるモデルの性質、データセットは学習に用いるデータの集まりで、いずれも人間の意図に沿わせる「調整の取り組み」ではなく、出力の不具合・モデルの性質・学習素材を指す語である。
第2章 生成AI（ジェネレーティブAI） / ChatGPT
大規模言語モデルの学習に関する「ファインチューニング」「アライメント」「ハルシネーション」の説明の組み合わせとして正しいものはどれか。
正解は「ファインチューニング＝追加学習による調整、アライメント＝人間の意図に沿わせること、ハルシネーション＝事実と異なるもっともらしい出力」である。ファインチューニングは追加のデータでモデルを調整する追加学習、アライメントはモデルの出力を人間の意図や価値観に沿わせること、ハルシネーションは事実と異なるもっともらしい出力を生成してしまう現象である。これらは取り違えやすいので区別して覚える。他の選択肢は対応が入れ替わっており誤り。 三用語はモデルへ行う処理と出力に起きる現象を分ける。ファインチューニングは追加データによる重み調整、アライメントは人間の意図・価値観への整合、ハルシネーションは事実と異なる内容をもっともらしく生成する現象である。三対応を同時に確認する。
同じ章で確認したい用語
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
執筆: ミナト編集部（運営者情報を見る）