皆さんこんにちは。Rakuです。
「ChatGPTの応答ってあいまいでは？」「プロンプトってどう入力すればいいの？」
そのような悩みを持つ方多いと思います。実際私もブログを始めるまでChatGPTのプロンプトの利用はあまりしていませんでした。
しかし、実際プロンプトを使ってみると、ChatGPTはあいまいな表現を避けてくれるだけではなく、さらに詳しくわかりやすい説明をしてくれるようになりました。
この記事を読めば、私が効果的と感じた10個のプロンプトを知ることができ、日々の勉強や仕事の￥へ役立つこと間違いなし！！ぜひ最後まで読んでみてください。
プロンプト10選
学習ロードマップ
あなたは、[専門分野]における世界トップクラスの教育コンサルタントです。[最終目標]を達成するために、知識レベルから開始し、[期間]で習得するための段階的なロードマップを生成してください。ロードマップは、各週の目標、必要な前提知識、推奨される学習リソース（概念の説明ではなく、学習項目リストとして）、および最終的な検証課題の4項目を含む表形式で構成してください。
子のプロンプトを使えば、ユーザーは単にこのカリキュラムに従って学習を進めるだけでよく、学習の初期段階で迷走するリスクが除去されるため、効率が劇的に向上します。
自分で新しく何かスキルを習得したいときはこのプロンプトを使ってみてください。
文章の要約
以下の<TEXT>を読み込み、以下の3つの異なる形式で構造化して出力してください。
1. 50字以内のサマリー: 全体の主題を簡潔に表現したもの。
2. キーコンセプトの箇条書き: テキストに含まれる最も重要な概念を、定義と関連性を含めて5点に絞ってリストアップしたもの。
3. 対立視点分析（表形式）: テキストの主要な主張に対して想定される、最も強力な反対意見と、その根拠を提示する3段構成の表。
<TEXT>[要約したい大規模テキスト]</TEXT>
このプロンプトでは、形式を明確に指定しているため、LLMは余計な情報をそぎ落とし、ユーザーが求める粒度や構造に合わせた応答を生成するようになります。
特に反対意見の分析を必須にすることで、知識の抽出速度を高めるだけでなく、学習に欠かせない批判的検証のプロセスを自動的に組み込める点が大きいです。
結果として、理解の深掘りが自然と同時進行で進む設計になっています。
Pythonへの勉強
あなたは、Pythonデータサイエンティストです。以下の要求事項を満たすPythonコードを、pandasとscikit-learnライブラリを使用して記述してください。
1. 入力データ: CSVファイル`data.csv`を読み込む。
2. 欠損値処理: 各列の基本統計量を計算し、欠損値がある場合は埋める処理を行う。ただし、数値型の列は平均値で、文字列型の列は最頻値で欠損値を埋める条件とする。
3. 解説: 生成されたコードについて、特に欠損値処理の条件付きロジックがなぜ最適であるかを、初心者にも理解できるように200字以内で簡潔に説明してください。
このプロンプトは、技術タスクにおけるConditional Constraint Logicの活用例になっており、LLMに特定の専門的な判断を自動で行わせる点が特徴です。
数値なら平均、文字列なら最頻値で補完するといった処理をプロンプト内で指示できるため、実装と学習のプロセスがそのまま統合されます。
その結果、ユーザーはデバッグや手法選定にかかる時間を最小限に抑えられるメリットがあります。
さらにLLMはWebフロントエンドやPythonバックエンドといった組み合わせに関する知識を多く学習しており、接続パターンのサンプルコードも豊富に持っているため、開発効率の最大化にもつながります。
概念の分析
[概念A]と[概念B]を比較分析してください。分析は以下の3つの軸に厳密に従って、表形式で出力してください。
1. 目的と応用可能性
2. 数理的・理論的基礎
3. 歴史的背景と進化
表の後に、これらの概念の違いを[対象読者]が直感的に理解できるよう、日常的な事象に例えた独自のメタファー（比喩）を生成してください。
この手法は、LLMが持つ広範な知識ベースをそのまま活用できるため、ユーザーが自分で類推を探して整理する手間を大きく省けます。
さらに、文体の制約を与えたり、メタファーの使用を強制したりすることで、知識の応用力や理解の定着率が自動的に引き上げられる点も特徴です。
批判的思考
あなたは、[主題]に関する懐疑論者、あるいはトップジャーナルの匿名の査読者である役割を担ってください。以下の<USER_STATEMENT>で示された主張に対する、論理的に最も強力な3つの反証とその根拠を、厳格な表形式で提示してください。 <USER_STATEMENT>[ユーザーの学習内容や主張]</USER_STATEMENT>
このシミュレーションは、ユーザーが自分の論理的な弱点を意識的に探すプロセスを自動化し、短時間で多角的な理解を深められる点が大きいです。
これにより、単に情報を覚えるだけではなく、知識に対する批判的思考力を育てることにつながる。
議論の推敲
以下の質問に3段階のプロセスで回答してください。
ステップ1：回答生成者として [質問]に対する詳細な回答を生成せよ。
ステップ2：ファクトチェッカーとしてステップ1で生成された回答を、論理的飛躍がないか、誤認の可能性がないか、情報源に偏りがないかという観点から、内部的に厳しく検証せよ。発見された潜在的な誤謬や論理的欠陥を箇条書きで指摘せよ。
ステップ3：最終回答者としてステップ2での指摘を完全に反映し、修正を加えた上での最終的かつ最も信頼性の高い回答を出力せよ。
この手法では、ユーザーが外部ツールや事後処理に頼らなくても、LLM内部で自動的に監査を行わせることができます。
LLMを生成と監査の両方で機能させることで、最初の段階から検証を通過した出力が得られ、信頼性と効率を同時に確保できる点が大きな特徴です。
出典を明確化させる
以下の質問に対する回答を、必ずタグ内に記述してください。その回答を裏付けるために使用した全ての情報源（出典）を、回答本文中の関連する箇所に[X]形式で番号を振り、回答の直後にタグを用いてリストアップしてください。引用リストには、出典名、著者、発行年（またはURL）を必須とし、可能な限り正確な情報を付記してください。
構造化された引用形式を強制することで、情報源を探して検証する作業をLLMが代行できるようになります。
これにより、回答の検証追跡可能性が確保され、信頼性の低い情報を排除するための効率的な手段として機能します。
特にGeminiのようなWeb検索機能を備えたLLMと組み合わせれば、常に最新の情報を根拠として提示させることが可能になります。
正確な返答への仕込み
以下のプロンプトに対して回答する前に、以下の2ステップを実行してください。
曖昧性指摘: プロンプト内に含まれる曖昧な部分や、情報不足により解釈の幅が生じる部分を指摘せよ 。
デフォルト解釈明記: ステップ1で指摘された曖昧な部分について、あなたが回答生成のために採用したデフォルトの解釈（仮定）を明記せよ。
その後、そのデフォルト解釈に基づいて最終的な回答を生成せよ。
このプロセスでは、LLMとユーザーの間に生じがちな解釈の齟齬（そご）を避ける仕組みが組み込まれています。
LLMが入力をどのように解釈したのかを明示させることで、ユーザーは次回以降のプロンプトをより明確に改善することができ、継続的な信頼性向上にもつながります。
最高レベルの専門的回答
あなたは、[特定の分野]におけるノーベル賞受賞レベルの権威であり、あなたの発言は世界の学術界に影響を与えます。この役割に基づき、厳格な学術用語のみを使用し、曖昧な表現を一切避け、論理的に隙のない形式で以下の質問に回答してください。回答には、あなたの結論に至るまでの推論の過程を詳細に含めてください。
この役割の強制は、LLMが持つトレーニングデータの中でも最高レベルの専門知識と、その分野で必要とされる厳格な論理構造を引き出す働きを持っています。
特に曖昧さを排除した論理性が求められる法学や科学、哲学といった領域では、この仕組みによって回答の信頼性が大きく向上する点が強みとなります。
最新情報のみを参考させる
以下の質問に回答する際は、必ず以下の制約条件を厳守してください。
情報鮮度制約: 2023年1月1日以降に公表された情報のみを使用して回答を構成せよ。
参照範囲制約: Web検索機能（もし利用可能であれば）を優先的に使用するか、あるいは逆に、トレーニングデータのみに基づいて回答せよ（どちらかを選択して明示）。
未検証情報の除外: 信頼できる情報源によって裏付けられない主張や仮説は、その旨を明記するか、回答から完全に除外せよ。
情報鮮度や参照範囲を明確に制約することで、LLMが古いデータや偏った知識に依存してしまうリスクを意図的に排除できます。
この仕組みは情報源の追跡可能性と組み合わせることで、回答の検証精度をさらに高められる点が大きな特徴となります。
まとめ
この記事では勉強効率や仕事生産性を爆上げするAI用のプロンプト10選を紹介しました。
ChatGPTはプロンプトなしでも使えますが、プロンプトがあるとさらなる機能を発揮します。ぜひまとめたプロンプト使ってみて下さい！！
また、ChatGPTの具体的な勉強への活用法を知っておくことは、中高生の方にとっては非常に大切だと思います。以下の記事も合わせて読んでみてください！！
コメント