11.0 学習チェックリスト：自然言語処理

このページは印刷用チェックリストとして使います。詳しい説明が必要なときは、第 11 章入口ページ に戻ってください。

2時間の初回通読

時間	やること	ここまで言えたら止める
20 分	テキストからタスクへの流れを見る	「NLP は生テキストから始まり、評価可能な出力で終わる。」
25 分	ラベル評価スクリプトを動かす	「予測ラベルと期待ラベルを比較できる。」
25 分	11.1 テキスト前処理をざっと読む	「cleaning は意味によって助けにも害にもなる。」
25 分	分類、抽出、生成のロードマップをざっと読む	「タスクは出力で定義される。」
25 分	タスク出力図を読む	「出力タイプから指標を選べる。」

必ず残す証拠

証拠	最小版
text_cleaning.py	cleaning、tokenization、before/after 例
label_guide.md	label 定義、境界ケース、正例と反例
classification_report.md	指標、混同行列またはエラー表、モデル比較
extraction_examples.jsonl	元文、抽出フィールド、検証結果
failure_cases.md	紛らわしいラベル、欠損フィールド、根拠なし事実、悪い要約
README.md	タスク目標、実行コマンド、入出力、指標、制限

品質ゲート

ゲート	合格条件
Label/schema boundary	labels または fields に positive、negative、edge examples がある。
Baseline	rule、TF-IDF、simple model、LLM baseline が同じ fixed eval cases で動く。
Factuality	生成 summary/answer が fluency だけでなく source evidence で確認される。
Error review	confusion、missing fields、unsupported facts、bad summaries に cause と next test がある。

章を出る前の質問

• 生テキストが token とモデル入力になる流れを説明できますか？
• training や prompting の前にラベル境界を定義できますか？
• タスクが分類、抽出、検索、生成のどれを必要とするか判断できますか？
• 要約や回答の事実一貫性を評価できますか？
• 伝統的 NLP 手法で足りる場合と、LLM が役立つ場合を説明できますか？

答えがすべて「はい」なら、NLP の考え方を Prompt、RAG、Agent memory、マルチモーダル作業により安定して使えます。