生成AIパスポート 第5章 生成AIの実践と活用事例（2027年2月試験の新シラバス）一問一答

正解は「Few-Shotプロンプティング」である。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。 モデルの重みを変える学習工程と、入力文脈で例を見せる推論技法を分ける。例なしはZero-Shot、少数例ありはFew-Shotである。プレトレーニングとファインチューニングはモデルの事前・追加学習で、プロンプト内の例示方法ではない。

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

正解は「プロンプトエンジニアリング」である。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。 改善する対象が入力かモデルかを見る。プロンプトエンジニアリングは役割・文脈・例・出力形式など入力を設計する。RLHF、ファインチューニング、プレトレーニングはいずれも学習を通じてモデル側を調整する工程である。

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

正解は「Instruction」である。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。 プロンプト要素は質問に対する役割で区別する。Instructionは何をするか、Contextはどの背景で判断するか、Output Indicatorはどの形式で出すかを指定する。Temperatureは生成のランダム性を調整する値であり、処理命令そのものではない。

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

正解は「Zero-Shotプロンプティング」である。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。 ショット数は入力文脈に含める例の数を指す。例を一つも置かないのがZero-Shot、少数の例を置くのがFew-Shotである。ファインチューニングとプレトレーニングは学習データでモデルの重みを調整する工程であり、例なしプロンプトの名称ではない。

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

正解は「タスクの抽出」である。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。 入力と成果物を対応させる。議事録内の決定事項から担当・期限・作業を抽出してToDo一覧にするのがタスク抽出である。言語変換、氏名フィールド分割、宣伝文句生成はいずれも作業項目の識別を目的にしない。誰が・何を・いつまでに行うかへ整理できる点も判断材料になる。

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「文章の要約」である。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。 文章操作は変える対象で区別する。数字の変換は表記、校正は誤り、話者設定は語り手・口調を変える。「3行にまとめる」は情報の中心を残し文章量を減らすため要約に当たる。元の主張を保ちながら重要度の低い情報を省く点も決め手になる。出力行数は要約後の長さを指定する条件として読む。

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「Context」である。設問は「AIが回答を組み立てる際の判断材料」「前提条件や背景情報を与える部分」という条件を示しており、これは判断の助けになる背景情報を与えるContextの役割と一致する。「Instruction」はAIに実行してほしいことを伝える指示であり、背景情報ではなく行動そのものを伝える部分である。「Input Data」は処理させたい具体的なデータであり、判断のための前提条件ではなく処理対象そのものである。「Output Indicator」は出力の形式や型を指定する部分であり、前提条件や背景情報とは役割が異なる。

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

正解は「Output Indicator」である。設問は「出力の形式や型（箇条書き・表形式など）を指定する部分」という条件を示しており、これはOutput Indicatorの役割と一致する。「Context」は判断材料となる前提条件や背景情報を与える部分であり、出力の形式そのものを指定する部分ではない。「Instruction」はAIに実行してほしいことを伝える指示であり、何をするかを伝える部分であって、どの形式で出すかを指定する部分ではない。「Input Data」は処理させたい具体的なデータであり、出力の形式を指定する部分ではなく処理対象そのものを指す。

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

正解は「文章の校正」である。文章の校正は、文章の中身や構成そのものは変えずに、誤字脱字や文法上の誤りだけを見つけて正す使い方であり、「何を変えずに何だけを直すか」という対象の絞り込み方に特徴がある。他の選択肢はいずれも、誤りを正すのではなく、表記形式・語り口・分量といった文章の見た目や量を作り替える使い方であり、「直す」ではなく「作り替える」操作である点で共通してあてはまらない。設問文に誤りを直す指示があるか、形式や口調を変える指示があるかを見比べることが、この分類を見分ける実践的な着眼点になる。

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「話者の設定を変更する」である。話者の設定を変更するは、文章の中身や情報量ではなく語り手の人物像や口調そのものを入れ替える使い方であり、専門家口調から子ども向けの語りかけへという設問の条件は、この「語り手を差し替える」という操作の典型例にあたる。他の選択肢は、分量を圧縮する・たとえで補う・誤りを正すというように、いずれも文章の内容や正確さに手を加える使い方であり、語り手そのものを入れ替える操作とは対象が異なる。誰が語っているかという視点を変えるか、語られている中身を変えるかという軸で選択肢を仕分けると判断しやすい。

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

設問が求めているのは、会議の目的と所要時間という条件から、その日の進行表を組み立てる使い方であり、正解は「アジェンダの作成」である。アジェンダの作成は、進行順序と時間配分という複数の要素を時間軸に沿って配列する点に特徴があり、宣伝文句・作業項目・訳文のような単発の成果物を作る使い方とは組み立て方が異なる。他の選択肢はいずれも、会議そのものの進行を設計する使い方ではなく、独立した一つの文章や一覧を作る使い方にとどまる。会議のように複数の議題と時間枠を同時に扱う場面では、単発の成果物をつくる使い方ではなく、時間軸に沿って組み立てるアジェンダの作成が適している。

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「キャッチコピーの作成」である。設問は「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」という条件を示しており、これはキャッチコピーの作成の使い方と一致する。「ビジネス書類のテンプレート作成」はビジネス文書のひな形を作らせる使い方であり、宣伝文句をつくらせる使い方ではない。「アジェンダの作成」は会議の進行順序と時間配分の案を作らせる使い方であり、商品の宣伝文句をつくる使い方ではない。「ふりがなの記載」は漢字に読み仮名を付けさせる使い方であり、短く印象的な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）

正解は「Input Data」である。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。 プロンプトの構成要素は、何をするか、何を前提にするか、何を処理するか、どう出すかで分ける。Instructionは処理内容、Contextは背景、Output Indicatorは出力形式であり、要約・分類の対象そのものはInput Dataである。

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

正解は「文章を箇条書きに変換」である。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。 変換前後の形式を対応させる。箇条書きから連続文へ戻す操作とは向きが逆で、要約のように情報量を減らすことや校正のように誤りを直すことも求めていない。文章から箇条書きへの形式変換を選ぶ。

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「数字の変換」である。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。 数値に対する操作でも、値を求める計算と表記を変える変換を区別する。「千二百」と「1,200」は同じ値であり、誤りの修正や文章構造の並べ替えでもないため、数字の変換に該当する。

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「例え話で理解を深める」である。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。 説明の何を変えるかを見る。話者の設定は語り手や口調、対象の変更は読み手、要約は情報量を変える。抽象概念と身近な物事の対応関係を示して理解を助ける操作は、例え話で理解を深める使い方である。

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「文章を会話のやり取りへ変換」である。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。 変更後の文書構造を確認する。話者の設定だけなら一人の語り手や口調を替えるにとどまるが、設問は二人の発言が交互に並ぶ問答へ作り替えている。箇条書きの文章化や情報整理でもないため、会話のやり取りへの変換を選ぶ。

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「外国語の翻訳」である。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。 入力と出力で何が変わるかを分ける。海外企業向けメールは用途、英単語から英文作成は素材からの文章生成、ふりがなは同じ日本語内の読みの補助である。文章の意味を保って言語を替えるのは外国語の翻訳である。

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「ブレインストーミング」である。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。 会議関連の用途は成果物で区別する。アジェンダは議題と進行順、タスク抽出は実行事項、ディベートは対立する立場の論証を作る。批判を保留して多数の案を出し、発想の幅を広げる目的にはブレインストーミングが対応する。

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「業務の手順を分解」である。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。 洗い出す対象と並べ方を見る。タスク抽出は文章中に存在する作業を拾い、アジェンダは会議の議題順を作り、文章整理は情報を読みやすく整える。業務の開始から終了までを実行可能な手順へ細分化するのは業務の手順を分解である。

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「プロンプトエンジニアリングは入力（指示）側の工夫であり、ファインチューニングはモデル側を追加学習で変える点が異なる」である。プロンプトエンジニアリングは、モデルには手を加えず、入力する指示（プロンプト）の与え方を工夫して望ましい出力を引き出す取り組みである。一方、ファインチューニングは追加のデータでモデル自体を再学習させて調整する。前者は入力側、後者はモデル側という違いがある。両者を同一視したり役割を入れ替えたりする説明は誤り。判断では、変更対象が入力文かモデルか、追加学習を行うかを対にして見る。プロンプト側を工夫する方法と、データでモデル側を調整する方法を入れ替えないことが重要である。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

正解は「Few-Shotプロンプティング」である。いくつかの具体例（ショット）を示してからタスクを指示する手法をFew-Shotプロンプティングという。これに対し、例を示さず指示だけを与える手法がZero-Shotプロンプティングである。ワンホットエンコーディングは前処理、アンサンブル学習は複数モデルの組み合わせであり、いずれもプロンプトの与え方の手法ではない。 ショット数は提示する入出力例の有無で判定する。具体例を一つも示さないZero-Shotに対し、少数の例を文脈内に置くのがFew-Shotである。ワンホット化はカテゴリ表現、アンサンブル学習は複数モデルの予測統合であり、プロンプト内の例示方法ではない。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

正解は「メールの作成」である。メールの作成は、こちらが伝えたい要点という断片情報を渡し、丁寧な言い回しの文面という完成品を生成AIに仕上げてもらう使い方であり、情報が「要点から文面へ」という向きで受け渡される点に特徴がある。会議の進行表を作るアジェンダの作成、書類のひな形を作るビジネス書類のテンプレート作成、宣伝文句を作るキャッチコピーの作成は、いずれも要点からメール文面そのものを組み立てる使い方ではなく、仕上げる対象そのものが異なる。

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「アンケートの分析」である。アンケートの自由記述回答を読み込ませ、多く挙がっている意見や傾向を要約させる使い方はアンケートの分析にあたる。タスクの抽出は文章から作業項目を洗い出す使い方、ブレインストーミングは制約を設けずアイデアを数多く出させる使い方、業務の手順を分解は作業の進め方を細かな段取りへ分解させる使い方であり、いずれもアンケート回答の傾向を要約する使い方ではない。アンケート回答の分析結果は、商品改善やサービス向上の意思決定に役立てられる。

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）

生成AI側が質問を返し、その回答をもとに内容を詰めていく進め方を選ぶ設問であり、正解は「質問させながら一緒に進める」である。この使い方は、こちらが一方的に指示を出すのではなく、生成AIに不足点や論点を問い返させることで検討を深めていく点に特徴がある。「ディベートを行う」「ブレインストーミング」「業務の手順を分解」は、それぞれ意見出し・アイデア出し・段取りの整理という別の目的の使い方であり、質問を重ねて内容を詰める操作にはあたらない。検討の初期段階で論点そのものが定まっていない場合ほど、生成AIに問い返させながら詰めていくこの使い方が有効になる。

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「アンケート項目の作成」である。アンケート項目の作成とアンケートの分析は、同じ「アンケート」を扱う使い方でありながら、調査を実施する前に聞くべき質問を設計する段階と、実施後に集まった回答を読み解く段階という、時系列上の前後関係で役割が分かれる点に注意したい。設問は目的を伝えて質問項目の案を作らせる場面であり、これから調査票を組み立てる前段階にあたる。ブレインストーミングや業務の手順を分解は、そもそも調査票という具体的な成果物を作る使い方ではなく、自由な発想の拡散や作業手順の整理という別の目的を持つため、同じ軸で比較する対象にならない。

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「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）

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）

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「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「GPT-3」である。GPT-3は2020年にOpenAIが論文で発表したモデルで、少数の例示（Few-Shot）や例示なし（Zero-Shot）だけで、追加学習なしに多様なタスクをこなせることを示した論文「Language Models are Few-Shot Learners」の対象モデルとして知られる。GPT-1は2018年に発表された最初のGPTモデル、GPT-2は2019年に公開されたモデル、GPT-4は2023年3月に公開されたモデルであり、いずれもFew-Shot/Zero-Shot学習能力を示した2020年発表のモデルではない。

https://arxiv.org/abs/2005.14165

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）