情報・AI · AI基礎・活用
AIの説明で『データから学ぶ』と聞いたら、何を入力し、何を当てるのかを先に確かめてみましょう。入力の属性と予測対象が分かると、学習の方式や評価の意味が読みやすくなります。ここでは予測する機械学習を中心に、結果を確かめる考え方へ進みます。
AIという一つの名前で、分類、数値予測、文章生成などを同じ課題にしないことも大切です。この特集の例題は教師あり学習と評価の分離を扱います。自動で出たという理由だけで人の点検より優先せず、課題に合う結果と失敗を比較します。
このテーマのクイズへ科目とテーマを選んだ開始画面へ進みます。出題方式・問数を確認してから始められます。
教師あり学習では、入力と既知の正解を対応させた例から予測を学びます。配送時間を分で予測するなら数値が対象となり、メールを迷惑・通常へ分けるならカテゴリが対象です。特徴量は入力情報、ラベルは予測する正解値として役割を分けます。
正解の記録が誤っていれば、その対応を学ぶ過程にも影響します。過去に実在したデータだから、望ましい判断基準まで正しいとは限りません。どの状況から集め、何を正解として付けたかを確かめることが、モデル名を覚えるより先に役立ちます。
訓練集合はモデルの学習に使い、検証集合は設定などの選択に使い、テスト集合は最後の評価に使います。同じ最終テストの成績を何度も見て設定を変更すると、そのテストの特徴へ間接的に合わせてしまうことがあります。直接訓練していないだけでは情報の流入を防げません。
試験対策で同じ解答を見続けた後の点数を、新しい課題への実力と同じにしないことを想像してください。評価には新しい例や実際の利用状況との対応が必要です。学習時と評価時に同じ例が重複していないか、対象となる利用者や条件が変わっていないかも確認します。
自動化バイアスは、誤りの多さを比べず、自動システムの結果を人の判断より優先してしまう傾向です。点検の成績が人より悪いモデルでも『AIだから』採用するなら、根拠が性能から名称へ移っています。結果の作り手と、結果を支持する証拠を分けましょう。
評価の点数は、どのデータと条件で測ったかに結び付きます。以前の利用者層で良かった成績が、変化した状況でもそのまま続くとは限りません。期待する仕事、失敗した場合の影響、人が確認する箇所を先に定めると、便利さと適性を具体的に判断できます。
TRY & READ
選択肢を比べてから「答えと解説を読む」を開いてください。ここで読んだ例題は、テストの解答や成績として保存されません。
例題 1 · AI基礎・活用
正解：教師あり学習
教師あり学習は入力と正解の関係を学びます。正解ラベルの品質も重要です。
Classification; Generative AI; Regression; Reinforcement learning; Supervised learning; Unsupervised learning clustering; What is ML
出典確認日：2026-10-05例題 2 · AI基礎・活用
正解：テスト固有の特徴に合わせた選択になり評価が楽観的になる
テストに直接学習しなくても成績を使った選択で情報が流れます。設定選択は検証集合で行います。
Duplicate examples; Early stopping; validation workflow; Representative real-world features; original availability proof; Stationarity real-world differences; Training validation test sets; Validation set workflow; Wear out test sets
出典確認日：2026-10-05例題 3 · AI基礎・活用
正解：自動化バイアス
自動の結果を根拠なく優先する偏りです。性能と失敗を比較し、人の判断を含めて評価します。
Automation bias; Historical bias; Implicit bias gesture example
出典確認日：2026-10-05出典確認日：2026-10-05
出典確認日：2026-10-05
出典確認日：2026-10-05
このテーマの範囲は「AI基礎・活用」。範囲は「身近な知識・知識を広げる・幅広い教養」、難しさは「基礎・標準」を最初に選びます。開始画面で条件を変更できます。
このテーマのクイズへテストは提出後に解説を確認できます。連続チャレンジは回答ごとに解説、復習はこの端末で記録された未解消の誤答が対象です。ひまつぶしは学習記録を更新せずに取り組めます。
共有するのはこのページのアドレスだけです。保存データや成績は含みません。