Zero-shot Prompting：例示なしでLLMの力を引き出す基本技法

Zero-shot Prompting とは

Zero-shot Prompting は、プロンプトに入出力の例示（デモンストレーション）を一切含めず、タスクの指示だけでLLMに回答させる最もシンプルなプロンプティング手法です。モデルが事前学習とInstruction Tuning/RLHFで獲得した知識のみを頼りに推論を行います。

「ゼロショット」という名前は機械学習の用語に由来し、「学習時に見たことのないタスクを、例示なしで遂行する」という意味です。GPT-3以降の大規模言語モデルは、膨大なテキストデータで訓練されているため、明確な指示さえあれば多くのタスクをゼロショットでこなせます。

なぜゼロショットが機能するのか

ゼロショットが実用的に機能するようになった背景には、2つの技術的進歩があります。

1. Instruction Tuning：タスクを自然言語の指示文で記述したデータセットでモデルをファインチューニングする手法。これによりモデルは「指示に従う」能力を獲得しました。
2. RLHF（人間のフィードバックによる強化学習）：人間の好みに沿った出力を生成するようモデルを調整する手法。ChatGPTやClaudeの対話能力の基盤です。

具体的なプロンプト例

例1：感情分析（テキスト分類）

以下のテキストの感情をポジティブ・ネガティブ・ニュートラルに分類してください。

テキスト: 「今日の会議は予想以上に建設的で、新しいアイデアがたくさん出ました。」
分類:

出力例：ポジティブ

シンプルな分類タスクでは、例示なしでも高い精度が得られます。GPT-3の研究ではSuperGLUEベンチマークで81.5 F1スコアを達成しています。

例2：構造化データの抽出

以下のメールから、送信者名・日時・要件を抽出してJSON形式で返してください。

---
お疲れ様です。営業部の山田です。
4月15日の14時から会議室Aで、来期の予算についてのミーティングを
お願いしたいのですが、ご都合いかがでしょうか。
---

出力例：

{
  "sender": "山田",
  "department": "営業部",
  "datetime": "4月15日 14:00",
  "location": "会議室A",
  "subject": "来期の予算ミーティング"
}

出力フォーマットを明示することで、ゼロショットでも構造化された出力が得られます。

例3：コードレビュー

以下のPython関数のバグを指摘し、修正案を提示してください。

def calculate_average(numbers):
    total = 0
    for n in numbers:
        total += n
    return total / len(numbers)

このようなコード解析タスクも、指示が明確であればゼロショットで十分に対応できます。

効果を高めるベストプラクティス

1. 指示を明確かつ具体的に書く

曖昧な指示はゼロショットの最大の敵です。「良い感じにまとめて」ではなく、「3つの箇条書きで要約してください」のように具体的に指示しましょう。

2. 出力フォーマットを指定する

「JSON形式で」「箇条書きで」「表形式で」など、期待する出力の形式を明示すると精度が上がります。

3. 役割（ロール）を付与する

あなたはシニアセキュリティエンジニアです。
以下のコードにセキュリティ上の脆弱性がないか確認してください。

ロール指定により、モデルの応答の専門性と深さが向上します。

いつ使うべきか

• 単純で明確なタスク：要約、翻訳、感情分析、テキスト分類など
• モデルの事前知識で対応可能なタスク：一般常識、広く知られた技術的知識に基づく質問
• 出力フォーマットが標準的なタスク：JSON変換、箇条書き要約など
• プロトタイピング段階：まずゼロショットで試し、精度が不足したらFew-shotに移行する

ゼロショットは常に最初に試すべきベースラインです。例示の作成コスト（時間・トークン）がゼロなので、十分な精度が出るなら最もコスト効率の良い手法です。

注意点・限界

複雑な推論タスクには不向き

多段階の論理的推論や数学的計算では、ゼロショットの精度は大幅に低下します。Wei et al.（2022）の研究では、算術推論タスクにおいてゼロショットとChain-of-Thought（CoT）の間に最大+18%の精度差が確認されています。

出力フォーマットの不安定さ

例示がないため、モデルが期待と異なるフォーマットで回答する場合があります。特に複雑な構造の出力では、Few-shotで「こういう形式で」と示した方が安定します。

モデルサイズへの依存

ゼロショット能力はモデルの規模に強く依存します。小規模モデルではゼロショットの精度が著しく低下するため、Few-shotやファインチューニングが必要になるケースが増えます。

2026年時点の位置づけ

Claude 3.5、GPT-4o、Gemini 2.0などの最新モデルでは、Instruction TuningとRLHFの進化により、ゼロショット能力が大幅に向上しています。以前はFew-shotが必須だったタスクの多くが、今ではゼロショットで十分な精度を出せるようになりました。ただし、ドメイン固有のフォーマットや専門的な判断基準が必要なタスクでは、依然としてFew-shotが有効です。

参考文献

• Zero-Shot Prompting | Prompt Engineering Guide
• Zero-Shot Prompting | DataCamp
• What is Zero-Shot Prompting? | IBM
• Shot-Based Prompting | Learn Prompting