Question-Answering（質問応答） (G検定)

2026年8月12日2026年9月2日

G検定

1. 定義と概要

Question-Answering（質問応答）とは、利用者が自然言語で入力した質問に対し、コンピュータシステムが関連情報を取り出し、答えを返す技術・タスク（QA）の総称です。情報源には検索エンジンや知識ベース（質問に答えるために整理・蓄積された情報の集まり）、データベースなどが用いられます。

処理は一般に「質問文分析→情報検索（キーワードに関連する文書を探し出す技術）→解答抽出→解答選択」という流れで進みます。単に関連する情報を集めるだけでなく、複数の候補の中から最終的な一つの答えを選び出す点に技術的な特徴があります。

代表例として、IBMが開発したWatson（自然言語処理と大量の文献データをもとに解答候補をスコアリングする質問応答システム）が知られています。

従来の情報検索は、質問に関連する文書の一覧を返すことが役目でした。しかし利用者が求めているのは、多くの場合「答えそのもの」です。そこで質問文の意図を解析し、文書中から解答候補を抽出・スコアリングして返す質問応答システムが研究されてきました。

2011年には、Watsonが米国のクイズ番組『Jeopardy!』で歴代の人間チャンピオンに勝利し、質問応答システムの実用性が広く知られる転機となりました。近年は、BERT（文章の意味を前後双方向から理解する言語モデル）による抽出型の質問応答に加え、GPT系などの生成型の大規模言語モデル（LLM。膨大な文章データから学習し、人間のような文章を生成できるAIモデル）による質問応答も広がっています。

2. 試験対策ポイント

まず整理したいのは、質問応答システムの処理の流れです。4つの手順が、質問の受け取りから答えの確定まで順につながっています。

手順	処理の内容
質問文分析	質問の意図を把握する
情報検索	候補となる文書を集める
解答抽出	該当する箇所を絞り込む
解答選択	最終的な答えを一つに定める

この流れは単純なキーワード照合とは異なり、意図の解析から答えの確定までを段階的にたどる点に特徴があります。前の手順の出力を次の手順が受け取るため、質問の意図をどう捉えたかが最後の答えの選び方まで影響します。

試験対策として重要な論点になるのが、抽出型（extractive。文章中の該当する部分をそのまま答えとして抜き出す方式）と生成型（generative。文章の内容を理解したうえで新しい文として答えを組み立てる方式）の違いです。

抽出型は、SQuAD（抽出型の質問応答モデルを訓練・評価するために使われる代表的な読解データセット）のような読解データセットで訓練され、与えられた文章の中から解答に当たる範囲をそのまま切り出します。生成型は、文章の内容を理解したうえで、新しい表現として回答を組み立てる点が異なります。

代表事例として扱われるのがWatsonです。自然言語処理と大量の文献データをもとに解答候補をスコアリングする方式で、2011年に『Jeopardy!』で人間チャンピオンに勝利しました。G検定のシラバスでは、知識表現・エキスパートシステム（専門家の知識をルール化してコンピュータに判断させる仕組み）の文脈に位置づけられています。

現代の大規模言語モデルによる質問応答は生成型が中心であり、事実と異なる内容をもっともらしく生成してしまうハルシネーション（AIが事実と異なる内容をもっともらしく生成してしまう現象）のリスクも論点になります。

3. 関連概念との比較・相違点

近い仕組みと並べると、質問応答システムの輪郭がはっきりします。返すものと重視する点で整理すると、次のようになります。

仕組み	返すもの	目的・重視する点
検索エンジン	関連する文書・ウェブページの一覧	答えを見つけ出す作業は利用者に委ねられる
対話システム・チャットボット	やり取りを続けるための応答	会話の自然さ
質問応答システム	質問に対する答えそのもの	答えの正確さ

検索エンジンとの最大の違いは、返す対象が「文書の一覧」か「答えそのもの」かという点にあります。検索エンジンは、入力されたキーワードに関連するウェブページや文書のリストを提示するにとどまります。

これに対し質問応答システムは、質問文の意図を解析したうえで複数の候補文書を横断し、該当する答えの部分をピンポイントで絞り込んで一つの答えとして返します。検索結果を自分で読み比べる手間が要らない点が、質問応答システムならではの特徴です。

チャットボット（人の代わりに自動で会話をするプログラム）や対話システムとの違いは、目的が「対話の継続」か「一度の正答」かにあります。対話システムは、雑談を含む自然なやり取りを続けること自体が目的になり得る面があり、必ずしも正確な答えを一発で返すことを重視しません。

一方で質問応答システムは、特定の問いに対して正しい答えを一度で返すことを目的としています。商品の使い方を尋ねる場面のように、雑談を挟まず的確な答えだけを求める利用者も多く、質問応答システムの設計思想はそうした場面に適しています。両者は自然言語処理という土台を共有しますが、評価の基準が「会話の自然さ」なのか「答えの正確さ」なのかという点で異なります。

大規模言語モデルによる質問応答との関係も、比較の軸になります。BERTなどの抽出型モデルは、与えられた文章中の該当箇所をそのまま抜き出す仕組みでした。これに対し、GPT系などの生成型の大規模言語モデルは、文章として新たに回答を組み立てます。

生成型は表現の自由度が高く、文章中に答えが明記されていない質問にも対応しやすい一方、事実と異なる回答をもっともらしく生成してしまう場合があります。抽出型と生成型は、どちらも質問応答という同じタスクに取り組む方式でありながら、精度と柔軟性のどちらを優先するかという設計思想の違いを映しています。

4. ビジネス・実務での活用シナリオ

カスタマーサポートの分野では、FAQデータベースや過去の問い合わせ記録を情報源として、利用者が自然文で入力した質問に対し該当する回答をピンポイントで提示する仕組みが導入されています。検索キーワードを工夫しなくても自然な言い回しのまま質問できるため、オペレーターが一件ずつ探す作業を減らし、一次対応の効率化につながります。

医療の分野では、膨大な医学論文や症例データを情報源に、症状や治療法についての質問に答える診断支援システムとして質問応答が活用されています。専門知識を持つ医師であっても目を通しきれない量の文献から、関連する知見を短時間で引き出せる点に価値があります。

社内ナレッジ活用の分野でも、質問応答の導入が進んでいます。社内規程やマニュアルを情報源とし、従業員からの質問に対して社内文書の記述を根拠として回答するシステムが、問い合わせ対応の負担を軽減する仕組みとして使われています。検索キーワードに不慣れな新入社員でも、自然な言い回しのまま質問できる点に導入の意義があります。