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）」に出てくる用語です。見分けの要点は、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を使っても誤りがなくなるとは限りません。そのため、参照元の確認、人による検証、利用を止める条件の設定を、モデルの調整とは別に行います。

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: 2026-08-31。

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。

比較記事でさらに確認する

生成AIの主なリスクと対策の一覧｜ハルシネーション・著作権・情報漏えい・バイアスを生成AIパスポートで整理する生成AIの主なリスク（ハルシネーション、情報漏えい、個人情報、著作権、差別・偏見・バイアス、ディープフェイク）を、生成AIパスポートの公式シラバスの項目、文化庁の著作権の考え方、個人情報保護法の報告義務とあわせて一覧にし、確認問題つきで整理します。ハルシネーションとバイアスの違い（原因と対策）｜生成AIパスポートで整理する生成AIパスポートで問われるハルシネーションとバイアスの違いを、出力の内容が事実と違うか偏っているか、原因として挙がる要素、RAGや人間の判断の介在といった対策の手がかり、確認問題つきで整理します。公式シラバスとAI事業者ガイドラインの記述にもとづきます。プロンプトインジェクションとジェイルブレイクの違いプロンプトインジェクションとジェイルブレイクの違いを、OWASPの整理（ジェイルブレイクはプロンプトインジェクションの一形態）から解説。生成AIパスポートの第4章リスクでの判断手順と確認問題つきです。

ハルシネーションの具体例と、問題文で見る箇所・隣接概念との境界

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を使っても誤りがなくなるとは限りません。そのため、参照元の確認、人による検証、利用を止める条件の設定を、モデルの調整とは別に行います。

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

「第2章生成AI（ジェネレーティブAI）」の問題で、取り違えやすい組み合わせです。

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）。