情報処理試験を勉強していると、生成AI分野で「Zero-shot」「Few-shot」という用語が出てきて、「shotって何？何が違うの？」と混乱しがちです。
ここでは、Zero-shotに絞って意味と試験での使い方を整理します。
対象試験と出題頻度
Zero-shotは、ITパスポート・基本情報技術者・応用情報技術者で出題されるテーマです。
IPAシラバスVer.6.3以降でプロンプトエンジニアリングが正式に追加され、その構成技法の一つとして位置づけられています。Few-shotやChain-of-Thought（CoT）との区別が問われるポイントです。
詳細をクリックして確認
ITパスポート
基本情報技術者
応用情報技術者
★★☆☆☆
ランクC（応用）余裕があれば覚える
用語の定義
Zero-shot（ゼロショット）とは、一言で言うと
「AIに具体的な例を一切与えず、指示（プロンプト）だけで回答させる手法」
のことです。
イメージとしては、「初めて行くレストランで、メニューの見本写真なしに料理名だけで注文する」ことに近いです。
写真（＝例示）がなくても、「カルボナーラ」と言えば店員は作れます。
AIも同様に、大量の事前学習で得た知識があるため、例を見せなくても指示だけでタスクをこなせます。これがZero-shotの本質です。
Zero-shotの基本情報
| 項目 | 内容 |
|---|---|
| 英語名 | Zero-shot Prompting |
| 日本語名 | ゼロショットプロンプティング |
| 分類 | プロンプトエンジニアリングの技法 |
| 特徴 | 例示なし（shot＝例示が0個） |
| 対になる技法 | Few-shot（例示あり） |
解説
大規模言語モデル（LLM）は、インターネット上の膨大なテキストで事前学習を済ませています。そのため、特定のタスクの例を改めて見せなくても、指示文だけで翻訳・要約・分類などを実行できます。この「例示ゼロでいきなり本題を投げる」アプローチがZero-shotです。
「shot」の意味を押さえる
プロンプト技法における「shot」は「AIに与える入出力の例示」を意味します。
shotの数が0個ならZero-shot、1個ならOne-shot、複数ならFew-shotです。ここだけは確実に押さえてください。
shot数による技法の違い
| 技法名 | 例示の数 | プロンプト例 |
|---|---|---|
| Zero-shot | 0個 | 「次の文を英語に翻訳して：今日は天気が良い」 |
| One-shot | 1個 | 「例：犬→動物。では、バラ→？」 |
| Few-shot | 複数 | 「例1：犬→動物、例2：バラ→植物。では、車→？」 |
図解：Zero-shot と Few-shot の違い
Zero-shot
例示なし → いきなり本題
Few-shot
例を数個提示 → 本題
▲ Zero-shotは指示のみ、Few-shotは入出力の具体例を先に示してから本題を投げる
Zero-shotが成立する理由
LLMは事前学習の段階で「翻訳とはこういうもの」「要約とはこういうもの」というタスクのパターンを大量に吸収しています。
そのため、ユーザーが「翻訳して」と指示するだけで、モデルは過去に学習した翻訳パターンを自動的に適用できます。事前学習データの量と質が十分であれば、例示がなくても高い精度で回答を返せるという仕組みです。
逆に、事前学習データに含まれていないニッチな分野や、出力形式に厳密なルールがある場合は、Zero-shotだけでは精度が落ちます。
そのときにFew-shotやCoT（Chain-of-Thought）で補強するのがプロンプト設計の基本戦略です。
では、この用語が試験でどのように出題されるか見ていきましょう。
Zero-shotの核心を3行で
・AIに例示を一切与えず、指示文だけでタスクを実行させるプロンプト技法
・「shot＝例示の数」であり、0個＝Zero-shot、複数＝Few-shot
・LLMの事前学習の知識があるからこそ、例なしでも回答できる
試験ではこう出る！
Zero-shotは、IPAシラバスVer.6.3（2024年10月適用）でプロンプトエンジニアリングの関連用語として追加されたキーワードです。シラバス追加が比較的最近のため、直接的な出題実績はまだ限られますが、生成AI分野の出題枠が拡大しており、今後の出題が見込まれます。
関連する出題実績
| 試験回 | 出題内容 | Zero-shotとの関連 |
|---|---|---|
| AP R6秋 午前 問71 |
基盤モデルを独自データで特化させる手法を選ぶ問題。選択肢にプロンプトエンジニアリングとファインチューニングが並ぶ。 | Zero-shotはプロンプトエンジニアリングの一技法。「モデルを変更しない」側の選択肢として登場する可能性がある。 |
| IP R7 問28 |
生成AIの説明として正しいものを選ぶ問題。「プロンプトで与えられた指示に対して新しいコンテンツを生成する」が正解。 | 「プロンプトで指示する」こと自体がZero-shotの基本形。生成AIの動作原理を問う文脈で前提知識となる。 |
IPA試験での想定出題パターン
パターン1：「プロンプト技法の区別を問う」
Zero-shot・Few-shot・CoTの3つの説明文が選択肢に並び、「例示を与えずに指示だけでAIにタスクを実行させる手法はどれか」を選ばせる形式。ひっかけポイントは「例示の有無」。例示ありならFew-shot、推論過程の段階出力ならCoT。
パターン2：「ファインチューニングとの違いを問う」
「モデルのパラメータを変更するか否か」で分類させる問題。プロンプトの工夫（Zero-shotを含む）はパラメータ変更なし、ファインチューニングはパラメータ変更あり。
試験ではここまででOKです。Zero-shotの内部アルゴリズムや学術的な分類まで問われることはないので、深追いは不要です。
【確認テスト】理解度チェック
ここまでの内容を理解できたか、簡単なクイズで確認してみましょう。
Q. 生成AIに対して、具体的な入出力の例を一切与えずに、指示文だけでタスクを実行させるプロンプト技法はどれか。
- A. 例示を与えずに指示のみでAIにタスクを実行させ、モデルの事前学習の知識だけで回答を生成させる手法。
- B. 数個の入出力の具体例をプロンプトに含めてからAIに本題を処理させ、回答の精度を高める手法。
- C. AIに「ステップごとに考えて」と指示し、推論の過程を段階的に出力させることで複雑な問題の正答率を向上させる手法。
正解と解説を見る
正解：A
解説：
Zero-shotは、入出力の例示（shot）を0個にしてAIにタスクを指示する技法です。問題文の「具体的な入出力の例を一切与えずに」という条件がAの内容に合致します。
選択肢BはFew-shotの説明です。Few-shotは「数個の例を提示する」点がZero-shotとの決定的な違いであり、「例を一切与えない」という条件に矛盾します。選択肢CはChain-of-Thought（CoT）の説明です。CoTは推論過程の段階的な出力を促す手法であり、例示の有無ではなく「思考のステップを明示させるかどうか」が区別ポイントです。
よくある質問（FAQ）
Q. Zero-shotで精度が出ないときはどうすればいいですか？
Few-shotに切り替えるのが定石です。具体的な入出力の例を2〜5個程度プロンプトに追加すると、AIが出力パターンを把握しやすくなり精度が上がります。それでも不十分であれば、CoTで推論過程を段階的に出力させるか、ファインチューニングでモデル自体を調整する方向に進みます。
Q. Zero-shot learningとZero-shot promptingは同じ意味ですか？
文脈によって微妙に異なります。Zero-shot learningは機械学習の分野で「学習時に見たことのないカテゴリを推論する」能力を指す広い概念です。Zero-shot promptingはその応用で、LLMに対して「例示なしのプロンプトでタスクを実行させる」という具体的な操作手法を指します。IPA試験ではプロンプティングの文脈で出題されるため、「例示なしで指示する手法」と覚えておけば十分です。
Q. 実務では本当にZero-shotだけで使うことがありますか？
日常的に使われています。ChatGPTなどの対話型AIに「この文章を要約して」「英語に翻訳して」と指示するのは、まさにZero-shotです。シンプルなタスクや、出力形式に厳密さを求めない場合は、わざわざ例示を用意する手間をかけるよりも、いきなり指示を投げるほうが効率的です。
Q. G検定や生成AIパスポートでもZero-shotは出題されますか？
出題されます。JDLA（日本ディープラーニング協会）のGenerative AI Testのシラバスや、GUGA（生成AI活用普及協会）の生成AIパスポート試験シラバスにも、Zero-shotとFew-shotは明記されています。IPA試験と合わせて学習しておくと、複数資格で知識を使い回せます。
