- 投稿日：2026/03/11
皆さん。こんにちは！こんばんは！
ゆうきです😊
「few-shot（フューショット）」と
「in-context learning
（インコンテキスト・ラーニング）」とは？
AIを使っていてこんな
経験をしたことはありませんか？
「昨日はあんなに気が利く答えを出してくれたのに
今日はなんだか的外れなことばかり言ってくるな……」
この差を目の当たりにしたとき
皆さんはどう感じますか？
「もっと高いお金を払って
高性能なAIモデルに変えないとダメなのかな？」
とか考える人いませんか？
この疑問を解決するために
今日ぜひ覚えていただきたい魔法の言葉があります。
それが「few-shot（フューショット）」と
「in-context learning
（インコンテキスト・ラーニング）」です。
英語が並んで難しそうに見えるかもしれませんが
中身はとてもシンプルなので安心してくださいね。
まず「few-shot」とは
直訳すると「数回の試行」
という意味ですが
要するに「少数の見本をつけてAIに仕事を頼むこと」
です。
たとえば
AIに「文章の感情を判定してほしい」と頼むとしましょう。
いきなり
「この文はポジティブかネガティブか判定して」
と命令することもできます
（これを見本ゼロという意味でzero-shotと呼びます）。
でも、その質問の直前に、
・「今日は最高の気分です → ポジティブ」
・「本当にひどい一日だった → ネガティブ」
といった見本をいくつか見せて
あげたらどうなると思いますか？
AIはそれを見た瞬間
「なるほど！この仕事ではこういう基準で
こういう短い言葉で答えればいいんだな」と
その場で仕事のやり方をつかんでくれます。
これが「few-shot」の力です。
そして
この「会話の中だけでやり方をつかむ」
というAIの賢い性質のことを
少し広い意味で
「in-context learning（ICL）」
と呼びます。
ここで重要なのは
AIは学校の授業のように時間をかけて
「再学習（ファインチューニング）」
をしているわけではない
ということです。
ただその場の会話（文脈）の中に
置かれた見本をヒントにして
瞬時に自分の振る舞いを合わせているだけなのです。
「なるほど、見本をつければいいんだな。
じゃあ適当な例を並べておこう」
そう思った方
実はここからが面白いところなんです。
見本なら何でもいいわけではありません。
2022年の研究論文
（Fantastically Ordered Prompts and
Where to Find Them）では
驚くべき事実が発表されました。
なんと、全く同じ見本を使っていても
それを「並べる順番」を変えるだけで
AIの成績が劇的に変わってしまう
ことが示されたのです。
AIは「見本があるかどうか」だけでなく
「どんな見本を、どの順番で見たか」
にものすごく影響を受けやすい
という特徴を持っています。
例えるなら
AIは「膨大な知識を持っているけれど
その場で渡された参考資料に
めちゃくちゃ影響されやすい素直な人」
といったところでしょうか。
人間でも、見当違いの見本を見せられたり
説明の順番がバラバラだったりすると
かえって混乱してしまいますよね。
AIも同じなのです。
この「見本の力」を知っておくと
私たちの毎日はどう変わるでしょうか？
一番のメリットは
わざわざAIのモデルを作り直したり
難しい設定をしたりしなくても
ちょっと見本を添えるだけで
その場でAIを
「自分好みの優秀なアシスタント」
に変身させられることでしょう。
ChatGPTを開発している
OpenAIの公式ガイドでも
「まずは見本なし（zero-shot）で試し
うまくいかなければ見本（few-shot）を追加する」
という流れが推奨されています。
最近では
自分が手打ちで見本を作るのではなく
AIが過去のデータから
「今の質問に一番ピッタリな見本」
を自動で検索して差し込んでくれる技術
（retrieval-based ICL）
も続々研究されているそうです。
初心者のうちは
そこまで難しい技術を知らなくても全く問題ありません。
今日お伝えしたかった一番大切なメッセージはこれです。
AIを使うときは、「どう命令するか」だけでなく、「どんな見本を見せるか」を考える。
これからは
AIが思ったような答えを出してくれなかったとき
「私の日本語が悪かったのかな」と悩む前に
「もしかして
良い見本を一つ見せてあげれば解決するんじゃないか？」
と考えてみてくださいね。
その小さな工夫が
あなたとAIの対話をぐっと豊かにしてくれるはずです✨
皆さんは今日
AIにどんな「見本」を見せてあげますか？
最後までじっくりとお読みいただき
本当にありがとうございました！
また次回の記事で、新しい発見を一緒に楽しみましょう😊
📚 根拠・参考文献リスト
言語モデルは少数ショット学習器である 大規模言語モデルが、事前の追加学習なしに入力された少数の例（few-shot）だけで新しいタスクに適応できることを示唆した、ICLの出発点となる論文であると考えられます。 発行日: 2020年5月28日
DOI: 10.48550/arXiv.2005.14165arXiv 直接該当ページ
驚くほど順序立てられたプロンプトとその見つけ方 AIに提示する見本の順番を入れ替えるだけで、正答率が最高レベルから当てずっぽうレベルまで劇的に変動する可能性を実証した研究。
発行日: 2022年5月
DOI: 10.18653/v1/2022.acl-long.556ACL Anthology 直接該当ページ
言語モデルのための検索されたデモンストレーションを用いた文脈内学習：調査 AIへの指示に合わせて動的にお手本を検索して提示する「検索ベースICL」に関する近年の研究潮流を体系的にまとめた総説論文と考えられます。 発行日: 2024年1月21日
DOI: 10.48550/arXiv.2401.11624
arXiv 直接該当ページ
OpenAI プロンプトエンジニアリングガイド 効果的なプロンプトの書き方として、まずはzero-shot（見本なし）で試し、難しければfew-shot（見本あり）を活用することを推奨する公式ドキュメントです。
OpenAI Docs 直接該当ページ
OpenAI APIを使用したプロンプトエンジニアリングのベストプラクティス OpenAI APIの公式ベストプラクティスとして、few-shotの効果的な活用手順を案内している公式ヘルプ記事。
OpenAI Help Center 直接該当ページ
