NLP（Natural Language Processing／自然言語処理）は、人間の言語をコンピュータで扱う技術分野です。画像認識や音声処理と並ぶAIの応用ドメインの一つで、翻訳・要約・感情分析・質問応答などが含まれます。LLMやChatGPTはその最新の道具ですが、NLPそのものではありません。本記事は手法の網羅ではなく、「分野・タスク・モデル」の三層地図に焦点を当てます。
試験で問われる見方
定義の骨格は「人間が使う言語をコンピュータで処理する技術分野」（TF-126）。形態素解析、機械翻訳、質問応答、文書要約、感情分析などが含まれる、とセットで覚えます。
機械翻訳は「ある言語の文を別の言語の文へ変換するNLPタスク」（G-340）。セグメンテーション（画像）や話者識別（音声）とは別です。
NLPモデルの評価では、自動指標だけで品質・事実性を完全に測れないことがある——人手評価や安全性の確認が重要、という論点も出ます（G-350）。
NLPとは
NLPは分野名——単一のモデルや製品ではありません。人間が日常使う「自然言語」（日本語、英語など）を、コンピュータが理解・変換・生成するための技術全体を指します。
ルールベースの辞書照合から統計的手法、深層学習、そして基盤モデル時代のLLMまで、中身の技術は時代とともに変わりますが、対象が言語であることは不変です。
主要タスク
| タスク | 内容 | 試験での例 |
|---|---|---|
| 機械翻訳 | 言語A→言語B | G-340 |
| 文書要約 | 長文を短く要約 | TF-126の解説 |
| 質問応答 | 文書から答えを抽出 | BERTの得意領域 |
| 感情分析 | ポジ／ネガ判定 | 分類タスクの代表 |
| 形態素解析 | 語の切り出し・品詞 | 前処理の基本 |
タスクは何をしたいか、モデル（BERT、GPT等）はどう実現するか——この分離が試験の整理のコツです。
古典からLLMまでの層
NLPの歴史を試験向けに三層で俯瞰します。細部の暗記より時代の流れが目的です。
| 時代 | 代表的手法 | 特徴 |
|---|---|---|
| 古典 | BoW、n-gram | 語の出現情報を数値化（TF-127） |
| 深層学習 | RNN、LSTM、CNN（文分類） | 系列・文脈の学習 |
| Transformer期 | BERT、GPT | Attentionによる飛躍 |
| 基盤モデル期 | LLM、ChatGPT | 汎用対話・生成 |
LLMはNLPの最新章であり、NLP＝LLMだけ、とは答えません。BoWもNLPの歴史の一部です。
画像・音声との境界
| 分野 | 対象データ | 試験向け |
|---|---|---|
| NLP | テキスト・自然言語 | 翻訳・要約など |
| コンピュータビジョン | 画像・動画 | CNNが典型 |
| 音声処理 | 音声波形 | MFCC、CTC、話者識別など |
TF-126の解説にあるように、扱う対象が異なる——この一言で多くのすり替えを防げます。
評価の注意点
翻訳にはBLEUなどの自動指標、分類には正解率やF値——タスクごとに評価方法は異なります。とくに文章生成・要約では、自動指標だけでは品質や事実性を完全に測れないことがあります（G-350）。
- 自動評価の限界 もっともらしいが事実と異なる出力を見逃すことがある
- 人手評価 自然さ・有用性・安全性の確認
- 安全性・偏り 有害出力や差別的表現のチェック
LLM時代になっても、評価データを用いる必要がないは×（G-350の誤答）——という整理は有効です。
すり替えに注意
| 誤った説明 | 正しい理解 |
|---|---|
| NLP＝LLM | 分野 vs モデルクラス |
| NLP＝ChatGPT | 分野 vs サービス |
| 機械翻訳＝画像セグメンテーション | G-340の誤答パターン |
| NLP＝CNN | 言語 vs 画像 |
| 評価不要 | G-350の誤答 |
よくある質問
NLPの定義として正しいのは？
人間が使う言語をコンピュータで処理する技術分野、と整理します。機械翻訳、質問応答、文書要約、感情分析などが含まれます。
NLPとLLMは同じですか？
同じではありません。NLPは言語を扱う応用分野全体の名称であり、LLMはその中で使われる大規模言語モデルの一種です。分野 vs モデルクラスの関係です。
NLP＝画像認識ですか？
いいえ。NLPはテキスト・言語が対象です。画像認識は別分野（コンピュータビジョン）であり、扱うデータが異なります。