ホームに戻る
2026年版・5-4

自然言語処理：主なタスクと評価指標の一問一答

G検定（ジェネラリスト検定）「ディープラーニングの応用例」から、自然言語処理：主なタスクと評価指標に関する4択問題を10問。「答えと解説を見る」を開くと、正解とその理由がその場で読めます。会員登録は不要です。

この分野の演習

全10問／解説つき・基本無料

アプリ形式で解く（全480問） ディープラーニングの応用例の要点解説を読む
問題

上から順に解いてみてください。答えは各問の下で確認できます。本試験は多肢選択式で、問い方は問題ごとに異なりますが、ここでは4択で出題しています。

問15-4

文章の中から、人名・地名・組織名・日付などの特定の種類の語句を見つけ出し、その種類を判定する自然言語処理の課題として、最も適切なものを1つ選びなさい。

  • ①固有表現抽出
  • ②形態素解析
  • ③係り受け解析
  • ④感情分析
答えと解説を見る
正解 ①固有表現抽出
解説
固有表現抽出（NER：Named Entity Recognition）は、文章の中から人名・地名・組織名・日付・金額などの「固有表現」を見つけ出し、それぞれがどの種類かを判定する課題です。
たとえば「山田さんは4月に大阪の本社へ異動した」という文から、「山田（人名）」「4月（日付）」「大阪（地名）」を抜き出します。契約書からの情報の抽出、ニュース記事の整理、個人情報を伏せ字にする処理などに活用されています。

他の選択肢が不適切な理由
・形態素解析：文を意味を持つ最小の単位（形態素）に分割し、品詞などを判定する処理で、固有表現の種類を判定するものではありません。
・係り受け解析：文の中で、どの語句がどの語句を修飾しているか（係り受けの関係）を解析する処理です。
・感情分析：文章が肯定的か否定的かなど、書き手の感情や評価の傾向を判定する課題です。

覚え方のポイント
自然言語処理の基本の流れは「形態素解析（単語に分ける）→構文解析・係り受け解析（文の構造を調べる）→意味の解析」です。固有表現抽出・感情分析・文書分類などは、その上で行う応用の課題です。
問25-4

「青い空に白い雲が浮かぶ」という文で、「青い」が「空に」を修飾するといった、文の中の語句（文節）どうしの修飾・被修飾の関係を解析する処理として、最も適切なものを1つ選びなさい。

  • ①形態素解析
  • ②係り受け解析
  • ③固有表現抽出
  • ④感情分析
答えと解説を見る
正解 ②係り受け解析
解説
係り受け解析は、構文解析の一種で、文を構成する文節などが、どの文節にかかっているか（修飾しているか）を解析する処理です。例文では「青い→空に」「白い→雲が」「空に→浮かぶ」「雲が→浮かぶ」という関係が得られます。
日本語の自然言語処理では、形態素解析で単語に分けたあとに係り受け解析を行い、文の構造を把握するのが基本的な流れです。

他の選択肢が不適切な理由
・形態素解析：文を形態素に分割し品詞を判定する処理で、語句どうしの修飾関係までは解析しません。
・固有表現抽出：人名・地名などの固有表現を見つけ出して種類を判定する課題です。
・感情分析：文章の肯定・否定などの感情の傾向を判定する課題です。

覚え方のポイント
「形態素解析＝単語に分ける」「係り受け解析＝どの語がどの語にかかるかを調べる」と、処理の段階の違いで区別しましょう。
問35-4

機械翻訳の自動評価指標「BLEU」の説明として、最も適切なものを1つ選びなさい。

  • ①訳文の文法的な誤りの数を数えるもので、参照訳を用意しなくても評価できる。
  • ②言語モデルが次の単語を予測する難しさを表すもので、小さいほど性能がよい。
  • ③訳文と人手の参照訳で一致するn-gramの割合を求め、訳文が短すぎると減点する。
  • ④参照要約に含まれるn-gramが、生成した要約にどれだけ含まれるかを表す指標である。
答えと解説を見る
正解 ③訳文と人手の参照訳で一致するn-gramの割合を求め、訳文が短すぎると減点する。
解説
BLEU（BiLingual Evaluation Understudy）は、機械翻訳の訳文を、人が作った参照訳と比べて自動で評価する指標です。訳文に含まれる単語の並び（1語、2語、3語、4語のn-gram）のうち、参照訳にも現れるものの割合（適合率）をもとに計算します。
短い訳文ほど一致の割合が高くなりやすいため、参照訳より短すぎる訳文には減点（簡潔さに対するペナルティ）を加えます。人が評価するより速く安く比べられる一方、言い換えが正しくても参照訳と表現が違うと点が下がるという限界もあります。

他の選択肢が不適切な理由
・参照訳なしで文法の誤りを数える：BLEUは参照訳との一致をもとに計算する指標で、参照訳が必要です。
・次の単語を予測する難しさを表す：これは言語モデルの評価に使うパープレキシティの説明です。
・参照要約のn-gramが生成要約にどれだけ含まれるか：これは要約の評価によく使われるROUGEの説明です。

覚え方のポイント
「BLEU＝翻訳・適合率が中心」「ROUGE＝要約・再現率が中心」「パープレキシティ＝言語モデル・小さいほどよい」と、用途と一緒に覚えましょう。
問45-4

言語モデルの性能を表す指標「パープレキシティ」についての説明として、最も適切なものを1つ選びなさい。

  • ①次の単語の予測の難しさを表し、値が大きいほど文章をうまく予測できている。
  • ②生成した文章と参照訳で一致する単語の並びの割合で、翻訳の評価に使われる。
  • ③文章に含まれる単語の種類の数を表す値で、語彙が多いほど性能がよいとされる。
  • ④次の単語の予測の難しさを表し、値が小さいほど文章をうまく予測できている。
答えと解説を見る
正解 ④次の単語の予測の難しさを表し、値が小さいほど文章をうまく予測できている。
解説
パープレキシティ（Perplexity、困惑度）は、言語モデルが評価用の文章の各単語をどれだけ予測できているかを表す指標です。モデルが正しい単語に高い確率を割り当てられるほど値は小さくなり、よいモデルと評価されます。
「次の単語の候補を平均して何個くらいに絞り込めているか」と解釈でき、たとえばパープレキシティが10なら、毎回およそ10個の候補から選んでいる程度の迷い方だと考えられます。

他の選択肢が不適切な理由
・値が大きいほどうまく予測できている：逆です。予測がうまいほど、パープレキシティは小さくなります。
・参照訳と一致する単語の並びの割合：これは機械翻訳の評価指標BLEUの説明です。
・単語の種類の数を表す：パープレキシティは語彙の数ではなく、予測の確率から計算する値です。

覚え方のポイント
パープレキシティは「困惑度」なので、困っていない（小さい）ほど良い、と覚えましょう。交差エントロピーを指数の形に直した値でもあります。
問55-4

「単語の意味は、その単語の周りに現れる単語によって決まる」という考え方で、word2vecなどの単語の分散表現の基礎となっているものとして、最も適切なものを1つ選びなさい。

  • ①分布仮説
  • ②宝くじ仮説
  • ③シンボルグラウンディング問題
  • ④フレーム問題
答えと解説を見る
正解 ①分布仮説
解説
分布仮説は、「似た文脈（周りの単語）に現れる単語は、似た意味を持つ」という考え方です。たとえば「コーヒー」と「紅茶」は、どちらも「飲む」「カップ」「熱い」といった単語と一緒に現れやすいため、意味が近いと考えます。
word2vecは、この考え方にもとづき、周辺の単語から中心の単語を予測する（CBOW）、または中心の単語から周辺の単語を予測する（skip-gram）課題を解くことで、意味の近い単語が近いベクトルになるような分散表現を学習します。

他の選択肢が不適切な理由
・宝くじ仮説：大きなネットワークの中に、単独で学習させても同程度の性能に達する小さな部分ネットワークが含まれている、という仮説で、モデルの軽量化に関する考え方です。
・シンボルグラウンディング問題：記号（言葉）と、それが指す実世界の対象の意味を、コンピュータがどう結び付けるかという問題です。
・フレーム問題：ある課題に関係のあることだけを選び出すことが難しい、という人工知能の問題です。

覚え方のポイント
「分布仮説→word2vec・fastText・GloVeなどの分散表現」という流れで押さえましょう。名前の似た「分散表現」と「分布仮説」を混同しないことも大切です。
問65-4

文章中によく一緒に現れる文字の組をくり返し結合して語彙を作り、単語をさらに細かい単位（サブワード）に分割することで、学習時に出てこなかった未知語も扱いやすくする手法として、最も適切なものを1つ選びなさい。

  • ①ワンホットエンコーディング
  • ②バイトペアエンコーディング（BPE）
  • ③TF-IDF
  • ④Bag-of-Words
答えと解説を見る
正解 ②バイトペアエンコーディング（BPE）
解説
バイトペアエンコーディング（BPE）は、はじめに文字を1つずつの単位とし、文章の中で最もよく隣り合って現れる組を1つの単位として結合する操作をくり返すことで、語彙（サブワードの一覧）を作る手法です。
よく出る単語は1つの単位のまま残り、まれな単語や新しい単語は、より細かいサブワードの組み合わせで表せるため、語彙の数を抑えつつ未知語にも対応できます。GPTをはじめとする多くの大規模言語モデルのトークン化に、BPEやその仲間の手法が使われています。

他の選択肢が不適切な理由
・ワンホットエンコーディング：語彙の中でその単語の位置だけを1、ほかを0とするベクトルで表す方法で、単語を分割する手法ではありません。
・TF-IDF：単語の出現頻度と、その単語が現れる文書の少なさから、単語の重要度を計算する方法です。
・Bag-of-Words：単語の出現回数で文章を表す方法で、単語の並び順は考慮しません。

覚え方のポイント
サブワード分割は、大規模言語モデルが「トークン」を作る基本の仕組みです。「未知語に強い」「語彙の数を抑えられる」の2点が利点です。
問75-4

自動要約の方法の説明として、最も適切なものを1つ選びなさい。

  • ①生成型は原文から重要な文を選び、抽出型は原文にない言い回しでも新しく書く。
  • ②抽出型も生成型も、原文の最初の数文をそのまま並べるだけで要約を作っている。
  • ③抽出型は原文から重要な文を選び、生成型は原文にない言い回しでも新しく書く。
  • ④抽出型は画像の説明文を作る手法で、生成型は音声を文字に書き起こす手法である。
答えと解説を見る
正解 ③抽出型は原文から重要な文を選び、生成型は原文にない言い回しでも新しく書く。
解説
自動要約には大きく2つの方法があります。抽出型要約は、原文の中から重要度の高い文や語句を選び出し、それを並べて要約とする方法です。原文の表現をそのまま使うため、事実と異なる内容が入りにくい一方、つながりが不自然になることがあります。
生成型（抽象型）要約は、原文の内容を理解したうえで、原文にない表現も使って新しく文章を作る方法で、seq2seqやTransformerを用いたモデルで発展しました。自然な文章を作れる一方、原文にない誤った内容が入り込む（ハルシネーション）おそれがあります。

他の選択肢が不適切な理由
・生成型が文を選び、抽出型が新しく書く：2つの方法の説明が逆になっています。
・最初の数文を並べるだけ：先頭の数文を使う単純な方法は、比較のための基準として使われることはありますが、抽出型・生成型の説明ではありません。
・画像の説明文や音声の書き起こし：それぞれ画像キャプション生成と音声認識の説明で、文章の要約ではありません。

覚え方のポイント
「抽出型＝選ぶ（原文の表現のまま）」「生成型＝書く（新しい表現で）」。生成型にはハルシネーションのリスクがある点もあわせて押さえましょう。
問85-4

自動要約の評価によく用いられ、人が作った参照要約に含まれるn-gramが、システムが生成した要約にどれだけ含まれているか（再現率の観点）を中心に評価する指標として、最も適切なものを1つ選びなさい。

  • ①BLEU
  • ②パープレキシティ
  • ③AUC
  • ④ROUGE
答えと解説を見る
正解 ④ROUGE
解説
ROUGE（Recall-Oriented Understudy for Gisting Evaluation）は、自動要約の評価によく使われる指標です。名前のとおり再現率（Recall）を重視しており、参照要約に含まれる単語や単語の並び（n-gram）のうち、どれだけがシステムの要約にも含まれているかで評価します。
要約では「大事な内容を取りこぼしていないか」が重要なため、再現率の観点が重視されます。一致を数える単位によって、ROUGE-N（n-gram）やROUGE-L（最長の共通部分列）などの種類があります。

他の選択肢が不適切な理由
・BLEU：機械翻訳でよく使われる指標で、訳文のn-gramが参照訳にどれだけ含まれるか（適合率の観点）を中心に評価します。
・パープレキシティ：言語モデルが次の単語をどれだけ予測できるかを表す指標で、参照要約との比較は行いません。
・AUC：2クラス分類で、ROC曲線の下側の面積からモデルの判別性能を表す指標です。

覚え方のポイント
「ROUGE＝Recall（再現率）」「BLEU＝翻訳・適合率」と、頭文字や用途と結び付けて区別しましょう。
問95-4

文の意味の類似度の判定や、感情分析、質問への回答の判定など、複数の自然言語理解の課題をまとめて、言語モデルの総合的な性能を比べるために作られたベンチマークとして、最も適切なものを1つ選びなさい。

  • ①GLUE
  • ②ImageNet
  • ③MNIST
  • ④COCO
答えと解説を見る
正解 ①GLUE
解説
GLUE（General Language Understanding Evaluation）は、文の意味が同じかどうかの判定、2つの文の間の推論関係の判定、感情分析、文法的に正しいかの判定など、複数の英語の自然言語理解の課題をまとめたベンチマークです。1つの課題だけでなく、さまざまな課題での性能を総合して比べられるようにしたもので、BERTなどの事前学習モデルの性能を示す際に広く使われました。
その後、より難しい課題を集めたSuperGLUEも作られています。

他の選択肢が不適切な理由
・ImageNet：大量の画像にラベルを付けた画像認識のデータセットで、ILSVRCで使われました。
・MNIST：手書き数字の画像のデータセットで、画像分類の入門に使われます。
・COCO：物体検出やセグメンテーション、画像キャプション生成などに使われる画像のデータセットです。

覚え方のポイント
データセット・ベンチマークは分野で区別します。「言語＝GLUE」「画像分類＝ImageNet・MNIST」「物体検出など＝COCO」です。
問105-4

翻訳・要約・質問応答・分類など、あらゆる課題を「テキストを入力し、テキストを出力する」という同じ形式にそろえて学習させた、Googleの研究者らによるTransformerのモデルとして、最も適切なものを1つ選びなさい。

  • ①BERT
  • ②T5
  • ③ELMo
  • ④word2vec
答えと解説を見る
正解 ②T5
解説
T5（Text-to-Text Transfer Transformer）は、Googleの研究者らが発表した、Transformerのエンコーダ・デコーダ型のモデルです。翻訳なら「英語をドイツ語に訳す：…」、分類なら入力文に対して「positive」などの文字列を出力する、というように、すべての課題を「テキストからテキストへ」の変換として扱うのが特徴です。
課題ごとに出力層の構造を変える必要がなく、同じモデル・同じ学習方法で多くの課題を扱えます。

他の選択肢が不適切な理由
・BERT：Transformerのエンコーダだけを使うモデルで、分類などの課題では、課題に合わせた出力層を加えてファインチューニングします。
・ELMo：双方向のLSTMを使い、文脈に応じた単語の表現を得る方法で、Transformerのモデルではありません。
・word2vec：単語の分散表現を得る浅いニューラルネットワークの手法です。

覚え方のポイント
Transformer系のモデルは構造で整理します。「エンコーダだけ＝BERT」「デコーダだけ＝GPT」「エンコーダ・デコーダ＝T5（テキストからテキストへ）」です。

G検定は一般社団法人日本ディープラーニング協会の登録商標です。本ページは一般社団法人日本ディープラーニング協会とは一切関係ありません。

G検定の対策問題（全480問）に戻る

非公式の資格試験対策サイトです。一般社団法人日本ディープラーニング協会とは一切関係ありません。

※本ページでは、アクセス解析（Googleアナリティクス）と、広告の配信・成果の計測（A8.net）のためにCookie等を利用し、閲覧に関する情報をGoogle LLC・株式会社ファンコミュニケーションズへ送信しています。詳しくはプライバシーポリシーをご覧ください。

※本ページの問題・解説は、生成AI（人工知能）を活用して作成しています。

【PR】