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「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「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）

正解は「Few-Shotプロンプティング」である。Few-Shotでは、実行してほしいタスクの少数の入出力例をプロンプト内に示し、モデルの重みを更新せず、テキストによる指示と例示だけで回答させる。GPT-3原論文でも、勾配更新やファインチューニングを行わず、タスクと少数例をテキストで与える設定が評価された。ファインチューニングはタスク向けデータでモデルのパラメータを追加学習する。転移学習は別タスクで得た知識を新しいタスクへ利用する広い枠組みで、プロンプト内の例示だけを指す名称ではない。ドロップアウトは学習中に一部のノードを無効化して過学習を抑える手法である。

https://arxiv.org/abs/2005.14165

この事例では「プロンプトの設計によって出力を調整するか」がポイントになる。正解は「プロンプトエンジニアリングとは、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である」（誤り）である。プロンプトエンジニアリングは、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り、設問の説明はアライメントの定義をプロンプトエンジニアリングに誤って当てはめている。転移学習・ファインチューニング・アライメントの説明はいずれも正しい。プロンプトエンジニアリングは、モデル自体を再学習させずに出力を改善できる手軽な手法として広く使われている。

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「少数の入出力例を文脈内に提示するか」を確認すると、「Few-Shotプロンプティング」が当てはまると分かる。正解は「Few-Shotプロンプティング」である。Few-Shotでは、実行してほしいタスクの少数の入出力例をプロンプト内に示し、モデルの重みを更新せず、テキストによる指示と例示だけで回答させる。GPT-3原論文でも、勾配更新やファインチューニングを行わず、タスクと少数例をテキストで与える設定が評価された。ファインチューニングはタスク向けデータでモデルのパラメータを追加学習する。転移学習は別タスクで得た知識を新しいタスクへ利用する広い枠組みで、プロンプト内の例示だけを指す名称ではない。ドロップアウトは学習中に一部のノードを無効化して過学習を抑える手法である。

https://arxiv.org/abs/2005.14165

この事例では「例示を少数与えて追加学習なしにタスクを示すか」を確認すると、「Few-Shotプロンプティング」が当てはまると分かる。正解は「Few-Shotプロンプティング」である。Few-Shotでは、実行してほしいタスクの少数の入出力例をプロンプト内に示し、モデルの重みを更新せず、テキストによる指示と例示だけで回答させる。GPT-3原論文でも、勾配更新やファインチューニングを行わず、タスクと少数例をテキストで与える設定が評価された。ファインチューニングはタスク向けデータでモデルのパラメータを追加学習する。転移学習は別タスクで得た知識を新しいタスクへ利用する広い枠組みで、プロンプト内の例示だけを指す名称ではない。ドロップアウトは学習中に一部のノードを無効化して過学習を抑える手法である。

https://arxiv.org/abs/2005.14165

この事例では「アラインメントとプロンプトエンジニアリングの目的を区別するか」を確認すると、「プロンプトエンジニアリングとは、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である」という説明が誤りだと分かる。正解は「プロンプトエンジニアリングとは、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である」（誤り）である。プロンプトエンジニアリングは、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り、設問の説明はアライメントの定義をプロンプトエンジニアリングに誤って当てはめている。転移学習・ファインチューニング・アライメントの説明はいずれも正しい。プロンプトエンジニアリングは、モデル自体を再学習させずに出力を改善できる手軽な手法として広く使われている。

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「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「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

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」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）

【2027年2月試験から適用の新シラバス項目】正解は「機密情報や個人情報の入力に注意し、AIの出力は専門家が確認してから使う」である。新シラバスの中項目「業種別に見る生成AI活用」は、規制・機密性が重視される業種を学習項目に置き、詳細キーワードに機密情報、個人情報、専門家による確認、安全性、ツールの選定が載る。問題文の決定条件は、規制や機密性が重視される業種という点である。専門家の確認を省く運用は、誤りが顧客や患者に影響するおそれがある。2027年2月試験から問われる項目である。

https://guga.or.jp/assets/syllabus.pdf （2027年2月適用版 第5章 業種別に見る生成AI活用）

【2027年2月試験から適用の新シラバス項目】正解は「規制・機密性が重視される業種、現場・ものづくりを支える業種、顧客接点・コンテンツ制作の業種」である。新シラバス第5章の中項目「業種別に見る生成AI活用」の学習項目は、この3つの業種のまとまりと、業種を問わず共通する成功のポイントである。問題文の決定条件は、学習項目に挙がる分類という点である。企業規模や法人の種類、産業の三区分は、この中項目の学習項目として載っていない。2027年2月試験から問われる項目である。

https://guga.or.jp/assets/syllabus.pdf （2027年2月適用版 第5章 業種別に見る生成AI活用）

【2027年2月試験から適用の新シラバス項目】正解は「ツールの選定、機密情報や個人情報の扱い、専門家による確認を、活用の前提として整える」である。新シラバス第5章の中項目「業種別に見る生成AI活用」の詳細キーワードには、機密情報、専門家による確認、安全性、個人情報、公平性、ツールの選定が載る。問題文の決定条件は、業種を問わず共通する成功のポイントという点である。人気だけでの一律採用、安全性確認の後回し、公平性の除外は、これらのキーワードに反する。2027年2月試験から問われる項目である。

https://guga.or.jp/assets/syllabus.pdf （2027年2月適用版 第5章 業種別に見る生成AI活用）

【2027年2月試験から適用の新シラバス項目】正解は「AX（AIトランスフォーメーション）、DX、コンテンツ制作、公平性」である。新シラバス第5章の中項目「業種別に見る生成AI活用」の詳細キーワードには、AX（AIトランスフォーメーション）、DX、機密情報、専門家による確認、安全性、コンテンツ制作、個人情報、公平性、ツールの選定が載る。問題文の決定条件は、この中項目の詳細キーワードという点である。他の組み合わせは、シャドーAI、エージェントの安全性、国際ルールなど別の中項目の語である。2027年2月試験から問われる項目である。

https://guga.or.jp/assets/syllabus.pdf （2027年2月適用版 第5章 業種別に見る生成AI活用）