ITパスポート 令和4年度 問57：基礎理論・推論に関する問題

答えは c「a：帰納推論　b：成立しないことがある」 です。

『たくさんの例を見て、共通するルールを見つける』考え方を帰納（きのう）といいます。たとえば『見たカラスが全部黒かった→だからカラスは黒い』みたいな。

でもこれ、たまたまかもしれませんよね。もし白いカラスが1羽でもいたらルールは崩れます。だから帰納で見つけたルールは『成立しないことがある』のです。

👉 覚え方：帰納＝『例を集めてルールを推測』＝あくまで“たぶん”なので外れることもある。

ほかの選択肢の演繹（えんえき）は逆で、『確実なルールから答えを出す』方法。こちらは正しく使えば必ず成り立ちます。

なぜこれが正解か

正解は c（a：帰納推論／b：成立しないことがある）。帰納推論は、個々の具体的な事例（観察結果）から共通する一般的な規則・法則を導く方法。ただし観察した事例が全体を網羅していないため、得られた規則は反例によって覆る可能性があり『常に成立するとは限らない』。

各選択肢の解説

• a・b（演繹推論）：演繹は一般的な規則・前提から個別の結論を論理的に導く方法（例：三段論法）。前提が正しければ結論は必ず成立する。設問の『個々の事例から規則を得る』という説明は演繹ではないため不適切。
• d（帰納／常に成立する）：前半は正しいが、帰納の結論は必ずしも常には成立しないため後半が誤り。

覚え方・ひっかけ注意

『帰納＝事例を集めて規則を推測（→例外あり）』『演繹＝規則から結論を確実に導く』とセットで覚える。方向が逆（個別→一般 か 一般→個別 か）と、結論の確実性（帰納は不確実／演繹は確実）の2点で判別する。

理論的背景

推論（Inference）は論理学・AI・認知科学にまたがる基本概念であり、本問では「帰納推論（Inductive Reasoning）」と「演繹推論（Deductive Reasoning）」の根本的な違いが問われている。正解cの「帰納推論／成立しないことがある」が正解である理由を理論的に整理する。

帰納推論（Inductive Reasoning）は「個々の観察・事例」から「一般的な規則・法則」を導く推論形式であり、導かれた規則は「確率的に正しい」に過ぎず、例外が存在すれば成立しない（反例可能性がある）。例として「これまで観察した白鳥はすべて白い→すべての白鳥は白い」という帰納的一般化は、オーストラリアに黒い白鳥（ブラックスワン）が存在することで反証される。このブラックスワンの例はナシーム・ニコラス・タレブの著書「ブラック・スワン」（2007年）で有名になり、予測不可能な稀な事象のメタファーとして用いられる。

演繹推論（Deductive Reasoning）は「前提とする一般的な規則（公理・定理）」から「個別の事例についての結論」を論理的必然性をもって導く推論形式であり、前提が真であれば結論は「常に成立する（必然的に真）」。例として「すべての人は死ぬ（大前提）、ソクラテスは人だ（小前提）→ソクラテスは死ぬ（結論）」という三段論法が典型的な演繹推論である。

実務での使われ方

AIの推論システムにおいて、帰納推論と演繹推論は以下のように適用される。

帰納推論の応用：機械学習（Machine Learning）の学習プロセスそのものが帰納推論の大規模自動化である。大量の訓練データ（個別事例）からモデルが規則・パターンを自動抽出し、未知データに対する汎化能力を獲得する。ただし学習データに偏り（バイアス）がある場合、不正確な規則（過適合・過般化）が生成され「成立しないことがある」という帰納推論の本質的限界が現れる。

演繹推論の応用：エキスパートシステム（Expert System）やオントロジー推論エンジン（RDF・OWL）において、ドメイン専門家が定義したルール（IF-THEN形式の知識ベース）から論理的必然性をもって結論を導く処理として使われる。IBM Deep Blue（チェス）やProlog言語での論理プログラミングが典型例である。

現代のAIはニューラルネットワーク（帰納的学習）と記号的推論（演繹的推論）を組み合わせた「ニューロシンボリックAI（Neuro-Symbolic AI）」への統合が注目されており、大規模言語モデル（LLM）に外部知識グラフを組み合わせるRAG（Retrieval-Augmented Generation）もその一形態と見なせる。

試験での位置づけ

ITパスポートの基礎理論・AI分野で、帰納推論と演繹推論の区別は頻出テーマである。本問のひっかけポイントは「帰納推論の規則は"成立しないことがある"（不確実）」vs「演繹推論の結論は"常に成立する"（確実）」という非対称性であり、選択肢a「演繹推論・成立しないことがある」や選択肢d「帰納推論・常に成立する」は意図的に逆転させた誤答として配置されている。「帰納＝個→一般（不確実）」「演繹＝一般→個（確実）」という対比を条件反射で引き出せるレベルに習熟することが得点の鍵となる。

基本情報技術者（FE）ではこれに加えて「アブダクション（Abduction：仮説推論）」が出題されることがある。アブダクションは観察された結果から最も妥当な原因・仮説を逆向きに推論する形式で、医師の診断・科学的仮説形成・探偵の推理がこれに相当する。AIの文脈ではベイズ推論や確率的グラフィカルモデル（ベイジアンネットワーク）がアブダクション的推論を実装している。

選択肢の発展補足

帰納推論の成立条件と限界についてさらに詳しく補足する。統計学では帰納推論の確からしさを「信頼区間」「p値」「サンプルサイズ」で定量化する。大数の法則（Law of Large Numbers）によれば、サンプルサイズが十分大きければ標本統計量は母数に収束するが、これはあくまで「確率的な収束」であり、有限サンプルから得られた規則には常に一般化誤差（Generalization Error）が伴う。機械学習での過学習（Overfitting）は「帰納推論の成立しないことがある」を技術的に表現したものと言える。

演繹推論の「常に成立する」という性質は「前提が真であれば」という条件付きである点に注意が必要である。数学の公理系（ユークリッド幾何学・ZFC集合論等）から定理を演繹的に導出する場合、公理の選択によって真偽が変わる（例：非ユークリッド幾何学では平行線の公理が異なる）。ゲーデルの不完全性定理（1931年）は、十分に強い公理系では証明も反証もできない命題が存在することを証明し、演繹推論の完全性に原理的限界があることを示した。これらは基本情報以上の理論的な深掘りとして理解しておくと数学・AI・論理学の接続点として有用である。