少数例示学習（Few-shot Learning）Few-shot learning　—　読み：しょうすうれいじがくしゅう

少数例示学習（Few-shot Learning）は、わずかな例を示すだけで新しい作業をこなさせる考え方です。モデルを追加で学習させるのではなく、指示の中に置いた例から書き方の型を読み取らせます。このページでは、定義・仕組み・出典・使い分け・プロンプト例・FAQ をまとめて解説します。

① 例を「答えの見本」として渡す

プロンプトの中に入出力の組を並べると、モデルは「この形で返せばよい」という型を読み取ります。指示文で言葉を尽くして説明するより、正解の形を1つ見せるほうが伝わる、という場面で力を発揮します。

② モデルの再学習は行わない

例示は学習ではありません。モデルの重みは変わらず、その会話の範囲だけで効きます。会話を閉じれば例の効果も消えるため、別の担当者が同じ品質を出すには、同じ例を渡し直す必要があります。この性質は、重みを更新する ファインチューニング との大きな違いです。

③ 例の数と順番が結果を左右する

例が増えるほど一般には精度が上がりますが、似た例ばかりを並べると、その言い回しに引っ張られて応用が利かなくなります。また、最後に置いた例の影響が強く出ることがあるため、順番も含めて見直す価値があります。量の上限は コンテキストウィンドウ に左右されます。

④ 向く作業と向かない作業

入力の変化が多く、出力の形式をそろえたい作業に向きます。分類、決まった表への転記、決まった文体での下書きなどが代表例です。逆に、単純な計算や一般常識の質問のように、例がなくても安定する作業では効果が薄くなります。例を1つも置かない使い方はゼロショット学習、考え方の手順を例の中に書く使い方は思考の連鎖として整理されています。

わずかな例から新しい課題をこなす能力は、言語モデルの研究で早くから注目されてきました。大規模な言語モデルが、重みを更新しなくても指示の中の例から課題を把握できることが示され、その後は実務のプロンプト設計の基本技術として広く使われるようになりました。例の数や並べ方の影響については、現在も公開研究と実務の知見の両方から整理が進んでいます。

• Brown et al. (2020) Language Models are Few-Shot Learners
• Learn Prompting「Few-Shot Prompting」

• ゼロショット学習
• Chain-of-Thought（思考の連鎖）
• プロンプト
• プロンプトエンジニアリング
• LLM（大規模言語モデル）
• コンテキストウィンドウ
• ファインチューニング
• システムプロンプト（System Prompt）
• チュートリアル：例を2つ書いて出力をそろえる →

用語同士は相互リンクされています。未掲載の用語は用語一覧の該当項目へリンクします。

実務でそのまま使えるプロンプト例です。コピーして〔　〕内を置き換えてください。同じカードはプロンプト集にも掲載されています。

次の入出力の組から、共通する変換の規則を推測してください。
推測した規則を1文で書き、その規則に当てはまらない可能性がある例外を2つ挙げてください。

入力：（ここに書く）
出力：（ここに書く）
入力：（ここに書く）
出力：（ここに書く）

次の分類作業について、判断が分かれやすい境界の例を2つ作ってください。
それぞれ「どちらの分類になりやすいか」「迷う理由」を1行ずつ添えてください。
分類の候補：（ここに書く）
実際のデータの傾向：（ここに書く）

以下の形式を守って、続きを出力してください。
出力は表にせず、1行につき「項目：値」の形で書いてください。
情報が本文に無い場合は「不明」と書き、推測で埋めないでください。

例）商品名：〇〇／価格：不明／在庫：あり

本文：（ここに貼る）

• Brown et al. (2020) Language Models are Few-Shot Learners
• Learn Prompting「Few-Shot Prompting」
• OpenAI Academy（実務でのプロンプト設計の学び方）

定義・出典の記述は一次資料に基づきます。リンク先の内容は公開時点のものです。

少数例示学習は、指示の中に例を置くことで、言葉で説明しにくい出力の型を伝える方法です。モデルの再学習は不要で、その場で試せますが、例の選び方が偏ると応用が利かなくなります。「型を決める、例を選ぶ、試す、調整する」の順で組み立てると安定します。

• まずそろえたい出力の形を1つに決める
• 実務でうまくいった例を2つ選んでそのまま使う
• 例を足したら効果を確かめ、頭打ちになったら止める