Process / pipeline
プロンプトエンジニアリング — 大規模言語モデルのための指示設計
プロンプトエンジニアリングとは、大規模言語モデル（LLM）からターゲットとする出力を引き出すために、構造化された自然言語の指示（プロンプト）を作成する実践である。これは、GPT-3の文脈でBrownら（2020）によって形式化され、連鎖思考プロンプティング（chain-of-thought prompting）を用いてWeiら（2022）によって拡張されたものであり、ゼロショット、フューショット、連鎖思考、思考の木（tree-of-thought）の4つの主要戦略を含む。モデルを再トレーニングするのではなく、アナリストは入力テキストの設計を通じてモデルの振る舞いを完全に形成する。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 33, 1877-1901. link ↗
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems (NeurIPS), 35. link ↗
このページの引用方法
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/ja/text-mining/prompt-engineering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Few-Shot Text Classificationテキストマイニング↔ compare
- GPTファインチューニング深層学習↔ compare
- LoRAとPEFT深層学習↔ compare
- 自然言語生成テキストマイニング↔ compare
- 検索拡張生成（Retrieval-Augmented Generation, RAG）テキストマイニング↔ compare
- テキスト分類テキストマイニング↔ compare
- ゼロショット分類テキストマイニング↔ compare