文脈内学習とは、大規模言語モデルがパラメーターの重みを更新することなく、プロンプト内に提示された指示や提示例（コンテキスト）のみを解釈して新しいタスクを即座に実行する能力のことです。モデルを再学習させる事前準備が不要で、プロンプトの工夫だけで柔軟な回答を引き出せるため、AI活用において極めて重要な特性となっています。
文脈内学習とは
文脈内学習（In-Context Learning）とは、一言でいうと「AIモデルの内部パラメーターを書き換えることなく、入力文（プロンプト）内に与えられた説明や例示を読み取るだけで、その場で新しいタスクを理解して実行する仕組み」です。
詳しく解説
従来の機械学習では、新たなタスクをモデルに習得させるためにパラメータ（重み）を更新するファインチューニングと呼ばれる処理が必要でした。しかし、大規模言語モデル（LLM）は巨大なデータセットで事前に学習を行うことで、提示された文脈（コンテキスト）からパターンやルールを推論する高い適応力を獲得しました。文脈内学習では、モデル自体の更新作業が一切発生しないため、時間や計算コストを大幅に削減できるという強力な利点があります。これにより、ユーザーはモデルの構造を変更することなく、入力プロンプトの設計だけで高度な入出力制御が可能になりました。
具体例・使われ方
例えば、翻訳タスクを行う際に「英語：Apple、日本語：リンゴ」「英語：Dog、日本語：イヌ」という数個の例を入力テキスト内に含めて指示を出すことで、モデルは明示的な再学習なしに「英語：Cat、日本語：ネコ」のように正しく出力します。例示を一切与えずに指示するゼロショット学習や、いくつかの例示を与えるフューショット学習も文脈内学習の代表的な実践例です。
似た用語との違い
ファインチューニングとの最大の違いは、モデルの内部パラメーターを更新するかどうかです。ファインチューニングは追加データを用いてモデルの重み自体を恒久的に変更しますが、文脈内学習はプロンプトの入力範囲内でのみ一時的にタスクを理解します。また、プロンプトエンジニアリングは文脈内学習の能力を最大限に引き出すための入力設計技術や手法全般を指し、文脈内学習はその基盤となるモデル側の性質・機能を指します。
注意点
文脈内学習で推論された知識やルールは、その対話内または入力プロンプト内でのみ有効であり、モデル自体に永久に記憶されるわけではありません。また、モデルが処理できる入力長（コンテキストウィンドウ）には上限があるため、長大すぎる例示や複雑すぎるタスクを与えるのには限界があります。さらに、与えた例示の順序や表現の僅かな違いによって出力品質が大きく変動する点にも注意が必要です。