ルーブリック評価 (採点基準)
読み: るーぶりくひょうか
最終更新: 2026-07-28・AI PICKS編集部
定義
ルーブリック評価とは、AI出力や成果物を複数の評価観点と段階別の基準文で採点し、評価者間のブレを抑えて一貫した判定を行う手法のこと。
ルーブリック評価 (採点基準)とは — 詳しく解説
ルーブリック評価とは、LLMの出力やAIエージェントの成果物を「正確性」「一貫性」「安全性」などの観点ごとに複数段階の基準文で採点し、評価者や採点用LLM(LLM-as-judge)間のブレを抑える評価設計のこと。単一のスコアで良否を決めるより、観点ごとに基準を言語化することで判定根拠を追跡できる点が業界標準の考え方とされる。2026年時点の実運用では、基準文があいまいだと採点用LLMが甘め・辛めに振れる「evaluator drift」が起きやすく、定期的な基準文の見直しとサンプル監査が欠かせない落とし穴が広く指摘される。コスト面では人手評価より安く回せる一方、判定に使うLLMのAPI呼び出しが積み重なるため、評価対象が数千件規模の現場では判定モデルを軽量なものに絞るなど相場感を踏まえた選び方が求められる。
ルーブリック評価 (採点基準)の使用例
- カスタマーサポートAIの回答を「正確性」「丁寧さ」「解決率」の3観点で5段階採点するルーブリックを設計する。
- コード生成AIの出力を「可読性」「テストカバレッジ」「セキュリティ」の基準文で採点し合格ラインを決める。
ルーブリック評価 (採点基準)に関連するAIツール
関連用語
「評価指標」の他の用語
Massive Multitask Language Understanding。 57 分野・1.5 万問の LLM 知識評価ベンチマーク。
OpenAI 発の Python コーディング能力ベンチマーク。 164 問の関数実装タスク。
ユーザー投票による LLM の人間評価ランキング。 Elo レーティングで モデルを順位付け。
ベンチマークとは、AIモデルの性能を標準化されたテスト課題で数値化し、異なるモデル間を公平に比較するための評価基準セットのこと。MMLUやHumanEval等、用途別に数十種類が存在する。
SWE-benchとはGitHubの実際のIssueをAIが自動修正できるかを測る、コーディングAI評価の業界標準ベンチマークのこと。
GPQAとは、生物・物理・化学の大学院レベルの難問でAIの推論力を測る評価ベンチマークのこと。Googleで検索しても解けない設計が特徴。
AI用語辞典をすべて見てみませんか
12カテゴリ・1113語以上を体系的に整理しています
辞典トップへ