具体例を与えるFew-shotプロンプティングの効果

指示文だけを与える「Zero-shot」に対し、手本の入出力例を1つ〜数件提示する「Few-shot（Few-shot In-Context Learning）」を用いることで、複雑な分類タスクや独自のフォーマット指示に対する出力の一貫性と正解率が大幅に向上します。 ア：誤りです。例示を全く与えない手法をZero-shot、数件の例示を与える手法をFew-shotと呼びます。 イ：誤りです。プロンプト内の例示はコンテキストウィンドウ内での推論（文脈内学習）にのみ利用され、モデルのパラメータを更新することはありません。 ウ：誤りです。具体例を示すことで、かえって出力のブレや書式崩れを劇的に抑制できます。 エ：正解です。具体例のペアを提示して文脈内でモデルを誘導するFew-shotプロンプティングの定義と効果を的確に説明しています。

プロンプトエンジニアリングにおける「Few-shotプロンプティング（例示プロンプティング）」の仕組みおよび効果に関する記述として、最も適切なものを1つ選択してください。

出典生成AIパスポートオリジナル模擬試験
ア
Few-shotプロンプティングとは、プロンプトの入力トークン数を強制的にゼロに抑えることで、APIの通信課金を完全に発生させないようにするための特殊な通信プロトコルのことである。
イ
例示をプロンプトに1つでも追加すると、モデルの事前学習パラメータが永久に上書き更新され、他のユーザーへの回答品質やモデル全体の基本性能に重大な悪影響を及ぼす。
ウ
Few-shotプロンプティングは、例示なしでタスクを指示するZero-shotプロンプティングと比較して、モデルの過学習を誘発するため、回答のトーンや出力フォーマットが常に激しく乱れる原因となる。
エ
入力と期待される出力の具体例（ペア）をプロンプト内に数件提示することで、言葉だけでは伝わりにくい分類基準のニュアンスや出力フォーマット、文体などをモデルに文脈内（In-Context）で直感的に理解させ、回答精度を高める手法である。