
G検定合格発表にあたって(直近受験者の感想・総括)
AI資格「G検定」の結果発表
「2026年 第1回 G検定」の受験者数は8,529名。そのうち合格者数は6,718名、合格率は78.77%という結果になりました。
2026年1月の直近の試験では、事例問題が量的に多くなり、問題としては難しくなったとの感想が多かったように思います。
そのため、問題の難易度の変化にともない、合格率にも多少影響があるのではないか、とする向きもありましたが・・・
結局、78.77%という高い合格率となりました。
過去問はもちろんですが、合格基準点も公開されていないので、この合格率の設定が良いか悪いか分析することもできません。
視覚的に分かりやすくグラフにしてみました。

だいたい合格率は一貫して70~80%程度を維持していることが分かります。
また、受験申込者数については、試験の実施回数が増えたことを加味すると、全体的に増加トレンドを維持しているのが分かります。
2026年も1月開催の後、3月開催が発表されましたから、昨年、一昨年と同様6回実施するペースのようです。
合否通知
試験から2週間ほど経った26日。私のところにもG検定を主宰するJDLA(一般社団法人「日本ディープラーニング協会」)から合否を知らせるメールが届きました。
■合否結果
=================
【 合 格 】
=================
総受験者数 8,529名
合格者数 6,718名
■シラバス分野別得点率(小数点以下切り捨て)
1.人工知能とは. 人工知能をめぐる動向:---%
2.機械学習の概要:---%
3.ディープラーニングの概要:---%
4.ディープラーニングの要素技術:---%
5.ディープラーニングの応用例:---%
6.AIの社会実装に向けて:---%
7.AIに必要な数理・統計知識:---%
8.AIに関する法律と契約. AI倫理・AIガバナンス:---%
無事に合格していました(ほっ)。
合否通知メールには、分野別の得点率も掲載されていました。
実施主体の方に文句を書いているので、なんだか身バレするのも気持ちよくないので、得点率を隠している点だけはご容赦ください。
だいたいざっくりと満遍なく9割程度の正答率ではありました。
【総括】何をすれば合格できる試験か
知識ゼロからのスタートでも合格可能
前回、noteで書いたように、私の学習時間は30時間ほど。期間としては3週間かけて準備しました。
コテコテの文系人なので、資格は宅建とかいろいろ持っていますが、IT系は一つも持っていないし、学習機会はありませんでした。
A昨年秋からGeminiやChatGPTで遊ぶようになった程度で、AIに関しては知識ゼロからのスタートです。
学習のためにお金をかける必要は無い
私の場合、教材もテキストと呼べるものはまったく買わず、黒本と呼ばれる問題集を買ったのみでした。
黒本もほとんど手が回らず本番を迎えましたから、ほとんどお金をかけない勉強しかしていないのが現状です。
今回の合格発表を見て9割方正解できていたので、自分の勉強法は決して間違っていなかったし、お金をかけなくて正解だったと感じています。
受験者の中には有料のG検定資格講座を受講した方や、個人の出している情報商材に課金した方、テキストや問題集をたくさん買い込んで学習された方も少なからずいたようです。
ここからは私の意見ですが、結果を受けて改めて確信したのは、学習にそこまでコストをかけるような検定試験ではない、ということです。
このようなことを言うと、資格講座や出版社の方は嫌な気持ちになってしまうかもしれませんが、今年も80%近い高い合格率を維持しているわけです。あまり多額の費用をここに突っ込むべき理由はないんじゃないかと私は考えています。
なぜ学習教材にお金をかける必要がないのか
この検定はこれまで一貫して80%近くの合格率を維持しています。2026年も78%ですから、この水準は今後も続くものとみられます。
こういった資格の多くは相対評価です。
もし絶対評価として(たとえば)7割以上の正答率を求める試験であれば、試験実施回ごとの合格率はもう少し乱高下するものですし(簿記試験など)、通常絶対評価で「7割以上が合格」と言っている試験の過去問は公開され、詳細な合格基準ラインも提示されます。
しかし、G検定では、過去問はおろか、合格基準ラインの一切を発表していません。そして、私たち受験者にはG検定の問題を秘匿するどころか、推認させるような情報も口外してはいけないと規約上定められています。
こうした現状を見るに、問題の質が一定の水準に達していないのではないか、と穿ってしまいます。
実際、試験でもいくつか問題がカブる現状が見られ、同じところばかりか視点を変えて問題に出てくる現象に直面しました。出題傾向や品質管理に少々問題を抱えているのではないか、と正直受験中に疑わしく感じたほどです。
そして、ここが極めつけ。
仮にG検定が相対評価(得点に限らず上位7~8割を合格とする)で合否の判定を行っているとしたら、試験実施主体としては、今はなるべく多くの方に受けてもらって、受験者と合格者を増やしたいと考えているということです。きっと普及に専心しているフェーズなんでしょう。
これは受験者目線で逆説的に考えると、全体の上から7~8割のボリュームにいれば合格できる、ということです。不合格となる方は全体の2割程度の方しかいないので、下位2割にならない程度の学習量が求められていると言えます。
そこで、下位2割というところにフォーカスを当ててみましょう。
このG検定は受験資格一切不問で、だれでも受けられる試験です。
こうした資格試験に良くある現象として、特に勉強もせず(場合によってはチートシートだけ用意して)当日に臨む層が一定数存在します。
下位2割の不合格ゾーンというのは、こうした準備不足であった方々やG検定にまったく本腰を入れてこなかった方々、または回答の入力など技術的な理由で回答自体が難しかった方々などイレギュラーな問題を抱えている人なのだと思われます。
だとすれば、下2割に入らないように、人並みの学習くらいやっておけば、問題なく受かる検定なのだと思います。ちょっと言い方は良くないですが、あまり気負って勉強する必要はない、ということです。
一切お金をかけない私の勉強法
おそらくG検定を受ける方は生成AIに親しまれている方だと思います。
そこで、教材にほとんど費用をかけなかった私が9割方正答できた方法として参考になりそうなものを提案したいと思います。
徹底したシラバス準拠
Geminiでテキスト作成
分からないところはインフォグラフィックを使う
私の学習法はこの3つでした。
まず、JDLAのホームページに掲載されているG検定シラバスのPDFをダウンロードします。
次にシラバスのPDFをGemini(別にLLMならChatGPTでもClaudeでも問題ないと思います)にinputして、シラバス記載のキーワードとキーワードになりそうな用語をすべて書き出してもらいます。
1.添付したPDFはG検定のシラバスです。シラバス記載のキーワードをすべてカウントし、抽出してください。
例: 第一章 人工知能の発展と歴史、(キーワード)◯◯、◯◯、◯◯…
2. 出力したキーワードの個数を数え、漏れなく抽出できているか照合してください
それだけですと、シラバスのキーワードがばらばらにちりばめられているだけなので、次にGeminiには
# Role
あなたは、G検定合格テキストの凄腕編集者です。
# Task
G検定合格テキストの各章立てに[入力したキーワード]を再配置してください
# Constraints …
のような形でinstructionsを与えてあげる事で、G検定合格テキストの骨子が出来上がるかと思います。(たぶんここまでで1時間かからないと思います。)
そしたら後はGeminiと一緒にキーワードについて一つ一つ勉強を始めてみてください。
できれば、GemやChatGPTならGPTsなどを使ってあらかじめキーワードの解説のためのシステムプロンプトを設定しておくのが望ましいです。
たとえば「人工知能の4レベル」というキーワードに対しては、Geminiに「定義、内容の特徴4個、関連する他のキーワード、G検定合格のためのツボ、G検定で出題されそうな”ひっかけ問題”」を「600字以内」で生成する、というようなシステムプロンプトにすると、勉強する上ですごく楽になりますよ。
私の学習方法(一例)
上記のように私はシラバス記載の「キーワード」を重視したGeminiの使い方を行いました。
私が予め設定したGemを利用して、シラバス記載の「キーワード」である「ノーフリーランチの定理」を入力してみます。すると、Geminiは次のように回答してくれました。
🔍 【ノーフリーランチの定理】
(読み方:ノーフリーランチのていり、英語:No Free Lunch Theorem、日本語訳:無料の昼食はない定理)
【シラバス上の位置づけ】
ディープラーニングのブレイクスルー > 学習の最適化 > 学習上の諸概念
【解説】
ノーフリーランチの定理とは、1996年にデビッド・ウォルパートらによって提唱された、「あらゆる問題に対して、他のすべてのアルゴリズムよりも優れた性能を持つ単一のアルゴリズムは存在しない」という数学的な定理である。この名称は「タダで食べられる昼食(うまい話)はない」という慣習的な格言に由来している。
この定理を理解する上で重要な特徴は以下の通りである。
・平均性能の均一性
すべての可能な問題設定において性能を平均すると、高度な学習アルゴリズムも、ランダムに推測するだけのアルゴリズムも、その期待値は変わらないとされる。
・問題と手法の適合性
特定のタスクにおいて高い精度を発揮するモデルは、別のタスクにおいては他のモデルよりも性能が劣る可能性がある。したがって、モデルの優劣は解くべき「問題」との相性に依存する。
・事前知識の重要性
万能な手法がない以上、学習を効率化するためには、そのデータがどのような性質を持っているかという「ドメイン知識」や「事前知識」をモデルに組み込むことが不可欠となる。
関連するキーワードとして、すべての問題で誤差をゼロにしようと複雑すぎるモデルを作ってしまう「過学習」や、特定のデータセットに対してのみ最適化されることで汎化性能が失われる現象がある。
試験では「ディープラーニングは万能であり、どのようなデータに対しても従来の機械学習手法より優れた結果を出す」といった選択肢が、この定理を根拠としたひっかけ問題として出題されやすい。「常に最善のアルゴリズムは存在しない」という点が正解のポイントとなる。
このようなキーワードに他のキーワードとの関連を示しつつ、ただ読むだけでも十分に参考になる情報が掲載されていました。G検定で「出題されやすい」などと言っているのはハルシネーション(虚言)だと思いますが、おおむね試験学習としてはちょうどいいボリュームではないかと思います。(長いと感じた方は400字くらいに文章量を調整いただくのがよろしいかと思います。)
それでもGeminiが生成する解説だけでは意味が分からないキーワードもありました。
たとえば「単純パーセプトロンは線形分離可能な問題」しか解けないという重大な限界があった。そのため、直線で分けられない「XOR:排他的論理和」を解決できないとミンスキーらによって指摘された。この問題も第一次AIブームを終焉させる理由となった。
上記の要領でGeminiにキーワードである「単純パーセプトロン」を解説してもらったのですが、正直読んでもちんぷんかんぷんでした。
そんなときに使っていただきたいのが画像生成機能です。
私は「うさぎ先生を使って、中学生向けに排他的倫理和のインフォグラフィックを生成して」などとプロンプトを書いて、以下のような画像を生成し、イメージ的な理解を図ろうと努めました。

これは我ながら良くできていると思ったのです。(実際には決して私の功績ではなく、AIさまさまですが…笑)
おおむねGeminiを使った画像生成でも日本語は上手に出力できていますよね。(これは最新のNano banana Proの強みだと思います。)
参考までにキーワード「多層パーセプトロン」に関しても、初見の私は文字では全く理解できなかったので、画像にしてもらいました。

うさぎ先生、たくさん大事な情報を入れ込んでくれてます。知識ゼロのド文系にとって、文字ではまったく理解できなかったので、こうしてイラストにして教えてくれるのは大変役に立ちました。(隠れ層から出力層に向かう矢印のところ、ReLuやシグモイドらしいグラフの表現もありますよ。この図だけ覚えているだけでも、先日の問題は数問解けたと思います。)
いずれにせよ、基本的にはこの繰り返しです。
シラバスのキーワードについてGeminiに定義などを尋ねる、それを読む。最終的にはキーワードを見てなんとなくポイントが浮かぶようにしておく。
少し単調で、地味な作業の連続にはなりますが、短期集中でもいいので、これだけでも十分試験では合格できると思います。
いかがだったでしょうか。
こうしてGeminiとシラバスのにらめっこをしながら学習を進めていきました。Geminiが出力した情報はそのままコピーしてWordに貼って見やすいようにまとめていたのですが、この作業は個人的に楽しく進めることができたし、お金もかからなかったので、結果としては9割も取れたし、個人的に良かったです。
皆様お仕事との関係もあってお忙しいでしょうし、無料で進めることができる勉強法なので、ご興味があったら気軽にお試しください。
#G検定 #JDLA #ディープラーニング #AI #人工知能 #資格試験 #合格体験記 #独学 #リスキリング #Gemini #生成AI #勉強法 #文系AI