AIF基盤モデルのアプリケーション
あるデータエンジニアが、製品レビューからセンチメント（感情極性：ポジティブ／ネガティブ／ニュートラル）と主なトピックを構造化 JSON 形式で抽出するシステムを構築したいと考えています。ラベル付きの学習データはありませんが、期待する出力形式の例が5件あります。モデルの再学習なしに最も効果的なアプローチはどれですか？
Aゼロショットプロンプティング（Zero-shot Prompting）：タスクの説明だけをプロンプトに記述し、例を一切含めない
ゼロショットプロンプティング（Zero-shot Prompting）では複雑な出力形式の再現精度が低下しやすいです。
Bフューショットプロンプティング（Few-shot Prompting）：5件の入出力例をプロンプト内に含め、モデルがパターンを学習して新しいレビューを処理する
✓ 正解
フューショットプロンプティング（Few-shot Prompting）は、プロンプト内に少数の入出力例を含めることでモデルが期待するパターンや出力形式を把握する手法です。モデルの再学習なしで実現でき、構造化出力の形式例示に効果的です。
Cファインチューニング（Fine-tuning）：5件の例でモデルを再学習させて専用モデルを作成する
ファインチューニング（Fine-tuning）は5件程度のサンプルでは効果が低くコストも高くなります。
Dチェーン・オブ・ソート（Chain-of-Thought）プロンプティング：各推論ステップを明示的に記述した例を含める
チェーン・オブ・ソート（Chain-of-Thought）プロンプティングは数学的推論など段階的な論理思考を要するタスクに有効ですが、センチメントとトピックをJSON形式で抽出するという本問のニーズには直接適しません。
解説
フューショットプロンプティング（Few-shot Prompting）は、プロンプト内に少数の入出力例を含めることでモデルが期待するパターンや出力形式を把握する手法です。モデルの再学習なしで実現でき、構造化出力の形式例示に効果的です。
選択肢Aのゼロショットプロンプティング（Zero-shot Prompting）では複雑な出力形式の再現精度が低下しやすいです。
選択肢Cのファインチューニング（Fine-tuning）は5件程度のサンプルでは効果が低くコストも高くなります。
選択肢Dのチェーン・オブ・ソート（Chain-of-Thought）プロンプティングは数学的推論など段階的な論理思考を要するタスクに有効ですが、センチメントとトピックをJSON形式で抽出するという本問のニーズには直接適しません。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでAIFを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →