MENU
Udemy講師クーポン配布中。詳しくはこちら（AIP問題集追加しました）
  1. ホーム
  2. 【無料30問】生成AIパスポート 練習問題｜章別・全問解説付き【2026年シラバス対応】
  3. 【生成AIパスポート 無料問題】第5章 テキスト生成AIのプロンプト制作と実例 6問｜解説つき

【生成AIパスポート 無料問題】第5章 テキスト生成AIのプロンプト制作と実例 6問｜解説つき

最終更新：2026年10月

生成AIパスポート試験のシラバス第5章「テキスト生成AIのプロンプト制作と実例」から、練習問題6問を無料で公開します。

第5章で問われるのは、テキスト生成AIへの指示の出し方です。LMとLLMの違い、TemperatureやTop-pといった出力の調整、プロンプトの4要素（命令・文脈・入力データ・出力形式）、Zero-ShotとFew-Shot、実務での使い方のパターン、テキスト生成AIの不得意なことが範囲です。

この章は、プロンプトの例を読ませて判断させる問題が多く出ます。「4要素のどれが書かれていて、どれが欠けているか」「その依頼は不得意なことに当たるか」を、文面から読み取れるようにしておくことが得点につながります。

まず問題文と選択肢だけを読んで答えを決め、それから「解答と解説を見る」を開いてください。6問中1問は複数選択（2つ選択）です。

問題1単一選択

ある経理担当者が、テキスト生成AIへの依頼を4つ考えました。Web検索やプログラムを実行する機能は使わず、テキスト生成AI単体に頼むものとします。次の依頼のうち、テキスト生成AIの不得意なことに当たらないものを1つ選びなさい。

  1. 経費の一覧にある40件の金額を足し合わせ、部署ごとの合計額を出す
  2. 部署の年度方針を、句読点も含めてちょうど250字の文章にまとめる
  3. 住所録の「三丁目五番」「3丁目5番」を「3-5」の形にそろえる
  4. 今月改定された取引先各社の振込手数料を答え、一覧表にまとめる
解答と解説を見る

正解：回答 3

回答 1　不正解 これは計算で、テキスト生成AIの不得意なことに当たります。テキスト生成AIは、次に来やすい語をつないで答えを作っており、足し算の手順を実行しているわけではありません。件数や桁数が多いと、合計がずれることがあります。合計は表計算ソフトやプログラムで出すのが確実です。

回答 2　不正解 これは正確な文字数の指定で、テキスト生成AIの不得意なことに当たります。テキスト生成AIは文章をトークンという単位で処理しており、トークンの区切りは人が数える1文字とは対応していません。「ちょうど250字」と指定しても、出力は前後にずれた長さになりやすくなります。

回答 3　正解 これは数字の変換で、テキスト生成AIの得意な使い方です。漢数字と算用数字が混ざった表記を、決まった書き方にそろえる作業は、文字の並びを規則どおりに書き換える作業です。足し算などの計算は含まないため、不得意なことには当たりません。

回答 4　不正解 これは最新の情報で、テキスト生成AIの不得意なことに当たります。テキスト生成AIの知識は、学習データを集めた時点までの情報に限られます。学習後に改定された手数料は知らないため、古い金額や事実でない金額を答えることがあります。

前提知識

テキスト生成AIの不得意なことについて

  • シラバスが挙げる不得意なことは、正確な文字数の指定、計算、最新の情報、芸術の批評の4つです。
  • 正確な文字数の指定が不得意なのは、文章をトークンという単位で処理しており、トークンの区切りが人の数える文字の単位と一致しないからです。
  • 計算が不得意なのは、次に来やすい語をつないで答えを作っており、計算の手順を実行していないからです。
  • 最新の情報が不得意なのは、知識が学習データを集めた時点までに限られるからです。Web検索と組み合わせれば、この弱点は補えます。

数字の変換について

  • 「三丁目五番」と「3丁目5番」のように書き方がばらばらな数字を、決まった形にそろえる使い方です。シラバスでは「LLMプロンプティングの実践」に挙がっています。
  • 数字を扱いますが、行うのは表記の書き換えで、計算ではありません。

判断のポイント

見分ける軸は、数字を扱う依頼のうち、表記をそろえるだけなのか、値を求めたり数えたりするのかです。番地の表記をそろえるのは数字の変換で、テキスト生成AIの得意な使い方です。金額の合計は計算、ちょうど250字は正確な文字数の指定、今月の改定は最新の情報で、いずれも不得意なことに当たります。

参考資料：Understanding and counting tokens | OpenAI Help Center、Data analysis with ChatGPT | OpenAI Help Center、Models overview | Claude Platform Docs（各モデルの学習データの期限）

問題2単一選択

言語モデル（LM）と大規模言語モデル（LLM）に関する説明として、不適切なものを1つ選びなさい。

  1. n-gramモデルは、直前の数語の並びが学習用の文章に現れた回数をもとに、次の語の出やすさを求める
  2. ニューラル言語モデルは、出現回数の数え上げではなく、単語を数値の並びで表して次の語の出やすさを求める
  3. LLMは、大量の文章を使ったプレトレーニングで次に来る語を予測する学習を重ね、多くの作業に使える土台を作る
  4. LLMは、次の語の出やすさを求める仕組みではなく、学習した文章の中から質問に合う一文を探して返す
解答と解説を見る

正解：回答 4

回答 1　不正解 この説明は適切です。n-gramモデルは、直前の数語（例えば2語や3語）の並びに続く語を、学習用の文章に現れた回数の統計から求める、言語モデルの初期の手法です。学習用の文章に一度も出てこなかった並びには、確率をうまく割り当てられない弱点がありました。

回答 2　不正解 この説明は適切です。ニューラル言語モデルは、ニューラルネットワークを使って次の語の出やすさを求める言語モデルです。単語を数値の並び（ベクトル）で表し、使われ方の似た単語を近い値として扱うため、学習用の文章になかった並びにも確率を割り当てやすくなりました。

回答 3　不正解 この説明は適切です。プレトレーニング（事前学習）は、大量のテキストで次に来る語を予測する学習を繰り返し、モデルの重みを最初に学習させる段階です。この段階で、要約や翻訳など多くの作業に使える土台ができます。

回答 4　正解 この説明は不適切です。LLMも言語モデルの一種で、次に来る語の確率を求め、その確率をもとに語を1つずつ選んで文章を組み立てます。学習した文章を保存しておき、その中から一文を探して返す仕組みではありません。外部の文書を検索して回答に使う仕組みは、RAG（検索拡張生成）としてLLMと組み合わせて使うものです。

前提知識

言語モデル（LM）について

  • ある語の並びに続いて、次にどの語が来やすいかを確率で表すモデルの総称です。
  • n-gramモデル、ニューラル言語モデル、LLMは、どれも言語モデルに含まれます。違うのは確率の求め方と規模です。

n-gramモデルとニューラル言語モデルについて

  • n-gramモデルは、直前の数語の並びに続く語を、文章中に現れた回数から求めます。
  • ニューラル言語モデルは、ニューラルネットワークで次の語の出やすさを求めます。単語をベクトルで表すことで、学習用の文章になかった並びにも対応しやすくなりました。

LLMについて

  • 大量の文章で学習し、非常に多くのパラメータを持つ言語モデルです。
  • プレトレーニングで次に来る語を予測する学習を重ねており、文章を作るときも、次に来る語の確率をもとに語を選んでいきます。

判断のポイント

見分ける軸は、LLMも「次に来る語の確率を求める」言語モデルの一種かどうかです。n-gramモデルからニューラル言語モデル、LLMへと、確率の求め方と規模は変わりましたが、次の語の確率を求めるという本質は変わっていません。学習した文章から一文を探して返す、という説明は検索の仕組みの説明で、LLMの説明として不適切です。

参考資料：N-gram Language Models（Jurafsky & Martin『Speech and Language Processing』第3章）、A Neural Probabilistic Language Model（Bengio ほか、JMLR 2003）、Language Models are Few-Shot Learners（GPT-3の論文）

問題3単一選択

社内規程に関する問い合わせへの回答文を、テキスト生成AIのAPIで作らせています。同じ質問を送っても、呼び出すたびに回答の言い回しが大きく変わるため、ぶれを小さくしたいと考えています。プロンプトは変えずに設定を見直す方法として、最も適切なものを1つ選びなさい。なお、使っているモデルはTemperatureとTop-pを指定できるものとします。

  1. Temperatureを上げる
  2. Top-pを1に近づける
  3. Temperatureを下げる
  4. 学習率を下げる
解答と解説を見る

正解：回答 3

回答 1　不正解 Temperatureは、次に来る語の確率の差を強めたり弱めたりして、出力のばらつきを調整する値です。上げると確率の差がならされ、確率の低い語も選ばれやすくなります。言い回しのぶれは大きくなるため、目的と逆の変更です。

回答 2　不正解 Top-pは、確率の高い順に候補を足し合わせ、その合計が指定した値に達するまでの候補から選ぶようにする値です。1に近づけると、確率の低い語まで候補に入ります。選ばれる語の幅が広がり、ぶれは大きくなります。

回答 3　正解 Temperatureを下げると、確率の高い語と低い語の差が強まり、確率の高い語がより選ばれやすくなります。呼び出すたびの言い回しのぶれが小さくなり、規程の説明のように内容を安定させたい用途に合います。ただし、下げても毎回まったく同じ文になるとは限りません。

回答 4　不正解 学習率は、学習のときに重みを1回でどれだけ大きく更新するかを決める値です。学習率も人が設定するハイパーパラメータですが、効くのはモデルを学習させる段階です。学習済みのモデルに回答を作らせるときの語の選び方は変わりません。

前提知識

Temperatureについて

  • 次に来る語の確率分布の鋭さを変えて、出力のばらつきを調整する値です。
  • 下げると確率の高い語に寄りやすくなり、出力が安定します。上げると確率の低い語も選ばれやすくなり、言い回しの幅が広がります。
  • 新しいモデルの中には、推論を行うモデルを中心に、Temperatureを既定値以外に変えられないものもあります。

Top-pについて

  • 確率の高い順に候補を足し合わせ、合計が指定した値に達するまでの候補だけから選ぶようにする値です。
  • 下げると候補が絞られてぶれが小さくなり、1に近づけると候補が広がります。
  • Temperatureは確率分布の鋭さを変え、Top-pは累積確率で候補の範囲を区切ります。効かせ方が違います。

ハイパーパラメータについて

  • 学習や出力のしかたを決めるために、人が設定する値です。学習率のように学習のときに効く値も、TemperatureやTop-pのように文章を作るときに効く値もあります。

判断のポイント

見分ける軸は、どの値を、どちらに動かすと、文章を作るときの語の選び方が安定するかです。Temperatureを下げると確率の高い語に寄り、ぶれが小さくなります。Temperatureを上げる、Top-pを1に近づける、はどちらもぶれを大きくする変更です。学習率は学習のときに効く値で、回答を作るときの語の選び方には影響しません。

参考資料：Create completion | OpenAI API Reference（temperature、top_pの説明）、Prompt design strategies | Gemini API（Temperature、topPの説明）

問題4複数選択

ある総務担当者が、テキスト生成AIに「防災訓練の案内文を、日時・集合場所・持ち物の3項目に分けた箇条書きで作ってください。」とだけ入力しました。プロンプトの要素のうち、このプロンプトに書かれていない要素を2つ選びなさい。

  1. Context
  2. Instruction
  3. Output Indicator
  4. Input Data
解答と解説を見る

正解：回答 1・4

回答 1　正解 Contextは、誰の立場で書くのか、誰が読むのかといった、答えるうえでの前提となる背景情報です。このプロンプトには、書き手の立場も、案内文を読む相手（社員か、来客か、近隣住民か）も書かれていません。そのため、文面の丁寧さや説明の細かさが読み手に合わない可能性があります。

回答 2　不正解 Instructionは、モデルに実行してほしい作業そのものを伝える要素です。「防災訓練の案内文を作ってください」の部分がこれに当たり、このプロンプトに書かれています。

回答 3　不正解 Output Indicatorは、出力の形式や種類を指定する要素です。「日時・集合場所・持ち物の3項目に分けた箇条書きで」の部分がこれに当たり、このプロンプトに書かれています。

回答 4　正解 Input Dataは、モデルが処理する素材として渡すデータです。この場面では、実際の日時、集合場所、持ち物が素材に当たりますが、どれも書かれていません。素材がないため、テキスト生成AIはそれらしい日時や場所を自分で作って埋めてしまいます。

前提知識

プロンプトの4つの要素について

  • Instruction: 要約する、書き直す、作るなど、モデルに実行してほしい作業です。
  • Context: 書き手の立場、読み手、目的など、答えるうえでの前提となる背景情報です。
  • Input Data: 要約する文章や、案内文に載せる日時などの、処理の素材となるデータです。
  • Output Indicator: 箇条書き、表、字数の上限など、出力の形式や種類の指定です。
  • 4つの要素がすべてそろっていなくてもプロンプトは成り立ちます。ただし、欠けた要素はモデルが推測で補うため、意図と違う出力になりやすくなります。

判断のポイント

見分ける軸は、プロンプトの各部分が「作業」「前提」「素材」「形式」のどれに当たるかです。「案内文を作ってください」は作業なのでInstruction、「3項目に分けた箇条書きで」は形式なのでOutput Indicatorで、どちらも書かれています。書かれていないのは、立場や読み手を伝えるContextと、実際の日時や場所を渡すInput Dataです。

参考資料：Elements of a Prompt | Prompt Engineering Guide、Prompting best practices | Claude Platform Docs

問題5単一選択

テキスト生成AIの使い方の名前と、その使い方に当たるプロンプトの組み合わせとして、最も適切なものを1つ選びなさい。

  1. 文章の要約：「次のメモを、話題ごとに分けて見出しを付け、並べ直してください。」
  2. 文章の対象を変更する：「次の技術資料を、販売店の店頭スタッフ向けの説明に書き直してください。」
  3. 話者の設定を変更する：「次の説明を、図書館で本を借りる流れに置き換えて説明してください。」
  4. 例え話で理解を深める：「次の説明文を、利用者の問いに担当者が答えるやり取りの形に書き直してください。」
解答と解説を見る

正解：回答 2

回答 1　不正解 このプロンプトは、内容を変えずに話題ごとにまとめ直させているので、文章の整理に当たります。文章の要約は、長い文章から重要な点だけを取り出して短くまとめる使い方です。このプロンプトは短くすることを求めていません。

回答 2　正解 文章の対象を変更するは、文章を読む相手を変えて、その相手に合う言葉と内容に書き直させる使い方です。このプロンプトは、技術資料を、読み手を販売店の店頭スタッフに変えて書き直させています。名前とプロンプトが合っています。

回答 3　不正解 このプロンプトは、内容を身近な別の場面に置き換えて説明させているので、例え話で理解を深めるに当たります。話者の設定を変更するは、「あなたは品質管理の担当者です」のように、答える側の立場や役割を与える使い方です。

回答 4　不正解 このプロンプトは、説明文を問いと答えの往復に書き直させているので、文章を会話のやり取りへ変換に当たります。例え話で理解を深めるは、内容を別の身近な場面に置き換えて説明させる使い方です。

前提知識

文章の対象を変更すると、話者の設定を変更するについて

  • 文章の対象を変更するは、読み手を変える使い方です。「小学生にも分かるように」「販売店の店頭スタッフ向けに」のように、誰が読むかを指定します。
  • 話者の設定を変更するは、答える側の立場を変える使い方です。「あなたは調達部門のリーダーです」のように、モデルに役割を与えます。

文章の整理と、文章の要約について

  • 文章の整理は、内容は変えずに、話題ごとに分けたり並べ直したりする使い方です。
  • 文章の要約は、重要な点だけを残して短くする使い方です。

例え話で理解を深めると、文章を会話のやり取りへ変換について

  • 例え話で理解を深めるは、内容を身近な別の場面に置き換えて説明させる使い方です。
  • 文章を会話のやり取りへ変換は、説明文を、質問する人と答える人の往復の形に書き直させる使い方です。

判断のポイント

見分ける軸は、プロンプトが文章の何を変えさせているかです。読み手を変えさせていれば対象の変更、答える側の立場を与えていれば話者の設定、長さを縮めさせていれば要約、並べ方だけを変えさせていれば整理です。読み手を店頭スタッフに変えさせる回答2だけが、名前とプロンプトが合っています。

参考資料：ChatGPT Enterprise Prompting Guide | OpenAI Cookbook（読み手の指定と、役割の与え方）、Prompting best practices | Claude Platform Docs（Give Claude a role）

問題6単一選択

テキスト生成AIの使い方のうち、「質問させながら一緒に進める」が最も向いている場面を1つ選びなさい。

  1. 新しい取引先に送る会社紹介の文書を作りたいが、何を盛り込むかが自分でも固まっていない
  2. 打ち合わせの記録が手元にそろっており、その中から担当者ごとに次にやる作業を拾い出したい
  3. 新しい福利厚生の案を、方向性は特に問わずに、できるだけ数多く挙げてもらいたい
  4. 議題と会議の時間がすでに決まっている定例会議について、時間配分を付けた進行表を作りたい
解答と解説を見る

正解：回答 1

回答 1　正解 質問させながら一緒に進めるは、「書き始める前に、足りない情報を1つずつ聞いてください」のように頼み、モデルからの問いに答えながら仕上げていく使い方です。盛り込む内容が依頼する側でも固まっていない場面では、モデルの問いに答えるうちに、伝えるべき条件が整理されていきます。

回答 2　不正解 この場面に合うのはタスクの抽出です。素材となる記録がそろっており、そこから次にやる作業を取り出せば済むため、モデルに条件を問い返させる必要はありません。

回答 3　不正解 この場面に合うのはブレインストーミングです。方向性を絞らずに案を数多く出させ、そこから人が選んだり広げたりする使い方で、モデルに条件を問い返させることが目的ではありません。

回答 4　不正解 この場面に合うのはアジェンダの作成です。議題と会議の時間という必要な条件はすでにそろっているので、それを伝えれば進行表の下書きを作らせることができます。

前提知識

質問させながら一緒に進めるについて

  • プロンプトに「足りない情報があれば聞いてください」と書き添え、モデルからの問いに答えながら成果物を仕上げていく使い方です。
  • 依頼する側が、伝えるべき条件をまだ整理しきれていない場面で役立ちます。モデルの問いが、考えていなかった条件に気づくきっかけになります。

ほかのビジネス応用について

  • タスクの抽出: 議事録などの文章から、次に行うべき作業を一覧として取り出します。
  • ブレインストーミング: 条件を伝えて案を数多く出させ、人が選んだり派生させたりします。
  • アジェンダの作成: 議題と時間配分の案を出させ、会議の進行表の下書きを作らせます。

判断のポイント

見分ける軸は、作業に必要な条件が、依頼する側でそろっているかどうかです。記録、方向性、議題と時間のように条件がそろっている場面は、それぞれタスクの抽出、ブレインストーミング、アジェンダの作成で足ります。何を盛り込むかが固まっていない会社紹介の文書づくりは、モデルに問いを立てさせて条件を整理する、質問させながら一緒に進めるが向いています。

参考資料：ChatGPT Enterprise Prompting Guide | OpenAI Cookbook（モデルに質問させてプロンプトを整える方法）、Prompt engineering best practices for ChatGPT | OpenAI Help Center

この問題を無料アプリで解く

同じ30問を、順番と選択肢をシャッフルして解けます。採点と正誤の記録、ブックマーク、途中で中断しての再開ができます。登録は不要で、記録はお使いの端末の中だけに保存されます。

無料アプリで30問を解く

この章の6問を無料アプリで解く

この章の要点を記事で確認する

解説を読んでも腑に落ちなかった用語は、章の要点をまとめた記事で全体の中の位置を確かめると整理しやすくなります。

▶ 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」の要点｜LLM・Temperature・Zero-Shot/Few-Shot

他の章の問題も解く

この無料30問は、当サイトの有料講座（本番形式 60問×6セット）とは別に書き下ろした問題です。同じ問題は含まれていません。解説は生成AIパスポート試験のシラバス（2026年2月試験より適用）の範囲に沿って、法令・公的機関の資料・論文・各社の公式ドキュメントを確認して作成しており、各問題の末尾に参考資料のリンクを載せています。法令やサービスの内容は更新されることがあるため、受験前には公式の情報もあわせてご確認ください。

本番形式の360問で仕上げる

生成AIパスポート 模擬試験360問（本番形式60問×6回）【2026年シラバス対応】
本番と同じ60問・60分の模擬試験を6回分、全360問。全問を2026年シラバスから書き下ろし、RAG・AIエージェント・MCP・AI新法といった追加範囲も含めています。正解・不正解を問わず全選択肢に解説をつけているので、間違えた理由がその場で分かります。

当ブログ限定クーポン：通常 2,600円 → 1,500円

1,500円で受講する

以上です。最後までお読みいただきありがとうございました。

この記事がお役に立ちましたら、コーヒー1杯分（300円）の応援をいただけると嬉しいです。いただいた支援は、より良い記事作成のための時間確保や情報収集に活用させていただきます。