【正解】B
【0からの解説】
①前提知識：基盤モデルや生成 AI モデルには、試験ガイドでも挙げられている代表的な限界があります。
・データ依存：モデルの品質は学習データの品質・量・代表性・鮮度に大きく依存する。偏った、古い、不完全なデータで学習すると、その欠陥がそのまま出力に現れる。
・知識のカットオフ：学習時点以降の情報を知らない。
・バイアスと公平性：学習データの偏りが不公平な出力につながる。
・ハルシネーション：もっともらしいが事実と異なる内容を生成する。
・エッジケース：まれで想定外の入力に対してうまく動作しない。
②問題文の要件：原因として「特定の属性層に偏ったデータ」と「古い言語表現」という、トレーニング データそのものの問題が明示されています。その結果、バイアスのある分類と最新表現の理解不足という症状が出ています。
③正解の理由：偏り（代表性の欠如）と古さ（鮮度の欠如）はどちらも学習データの性質であり、モデルの性能がデータに左右されるという「データ依存」の限界にあたります。選択肢の中で、データの偏りと古さの両方を根本原因として説明できるのはデータ依存だけです。対策としては、多様で最新のデータでの再学習・ファインチューニング、データ品質の評価、継続的な監視、ヒューマン イン ザ ループ（HITL）によるレビューなどが挙げられます。
【誤りの選択肢】
A：エッジケースは、まれで特殊な入力に対する失敗を指します。この問題では、特定の属性層のレビュー全般や現在一般的に使われるスラングという、日常的に大量に発生する入力で体系的に誤っているため、まれなケースの問題ではありません。
C：ハルシネーションは、事実に基づかないもっともらしい内容をモデルが「作り出す」現象です。この問題はラベルの誤分類であり、架空の情報の生成ではありません。
D：過学習は、モデルが学習データを細部まで覚え込みすぎて未知のデータに汎化できない状態を指します。新しいデータで性能が落ちる点は似ていますが、問題文が示す原因はモデルの複雑さや学習のしすぎではなく、データの偏りと古さです。データが偏っていれば、過学習していなくても同じ問題が起こります。
【参考】
責任ある AI責任ある AIチューニングの概要