栄養学の質問、ChatGPTに聞いて大丈夫？——専門RAGで精度を測ってみた（2026年3月）
栄養学の質問、ChatGPTに聞いて大丈夫？——専門RAGで精度を測ってみた（2026年3月）
「ヨウ素の過剰摂取で甲状腺機能が低下するのはなぜ？」「推定平均必要量と推奨量、どう使い分ける？」——国試対策や実務で浮かぶ疑問を、ChatGPTに投げかけたことはありませんか。便利な反面、「この回答、本当に正しいの？」と不安になることもあるはずです。
栄養学のように、数値や基準の版が大事な分野では、学習データだけで答える汎用AIには、出典・数値・版の面で注意が必要です。そこで、栄養学の専門資料を検索して参照させるRAG（検索拡張生成）を作り、管理栄養士国家試験の過去問で精度を測ってみました。2026年3月の測定では、専門RAG（Claude Haiku + aiyolabナレッジベース）が180問中165問、91.7%でした。
この記事では、測定の条件と結果の読み方、そして汎用AIが栄養学で苦戦しやすい理由と、専門RAGの仕組みを解説します。なお、汎用AIとの精度の比較は、後述の理由で、同じ条件の比較にはなっていません。
測定の条件：国試180問で何を測ったか
今回の測定（2026年3月21日）では、管理栄養士国家試験の過去問（第28〜40回）から、9科目を各20問ずつ無作為に選んだ180問を、専門RAGに解かせました。応用力試験（本番の30問）は含みません。
- Claude Haiku 4.5 + aiyolabナレッジベース：栄養学の専門知識（食事摂取基準、ガイドライン、疾患別栄養管理など）を、質問のたびに検索して参照するRAGシステム。結果は165問正解（91.7%）。この測定は評価用の設定で、回答プロンプトに、間違えやすい論点の判断基準を書き足しています。本番のチャットとは構成が違います。
比較として、3月11日には、別の問題180問を、gpt-4o-mini（ChatGPTの軽量モデル）に解かせた測定があり、131問正解（72.8%）でした。ただし、この2つの測定は、問題が別々（共通は180問中19問）で、プロンプトも違い、日付も違います。同じ条件の比較ではないため、「何ポイントの差」とは言えません。また、現在の汎用AIは、当時より大きく進歩しており、現在の精度を示すものでもありません。
国試は、基礎栄養学から臨床栄養、公衆栄養まで幅広い領域をカバーしているため、栄養学の実務知識を総合的に問う指標として参考になります。ただし、1回の測定の数字は、問題の選び方で数ポイント動きます。
汎用AIが栄養学で苦戦しやすい3つの理由
汎用AIが栄養学で間違えやすい理由は、大きく3つに整理できます。
出典の曖昧さが最も深刻です。ChatGPTは膨大なテキストから学習していますが、学習データだけで答える場合、「この知識はどの文献から来たのか」を明示できません。Web検索を使えば出典のリンクが示されますが、示されるのは一般のWebページが中心で、食事摂取基準の該当箇所まで特定できるとは限りません。たとえば「ヨウ素の耐容上限量は3,000μg/日」と答えても、それが食事摂取基準2020年版なのか、古い版なのか、あるいは海外の基準なのかが分かりません。栄養指導の現場では、根拠の出所が不明な情報は使えません。
数値の揺れも無視できません。たとえば推奨量や目安量は、性別・年齢・活動量によって細かく設定されています。汎用AIは、ある年齢区分の数値を、別の年齢区分に当てはめて答えてしまうことがあります。こうした細部の正確性は、国試でも、実務でも重要です。
版の混在はさらに厄介です。食事摂取基準は2015年版、2020年版、そして2025年版（最新）と改訂されていますが、汎用AIは学習データの時期によって古い版を参照することがあります。「カルシウムの推奨量は〜」と答えても、それが2015年版の数値なのか2025年版なのかが曖昧なまま出力されることがあります。栄養学は基準が頻繁に更新される分野なので、版の違いは致命的な誤りにつながります。
専門RAGはどう精度を高めているか
RAG（Retrieval-Augmented Generation）は、質問を受けると、まず専門ナレッジベースから関連情報を検索し、その情報をもとに回答を生成します。aiyolabのシステムでは、食事摂取基準2025年版、日本人の食事摂取基準活用ガイドライン、疾患別栄養管理の最新知見などを構造化して保持しています。
たとえば「甲状腺機能低下とヨウ素の関係」について聞かれた場合、RAGは以下のような流れで回答します。
- ナレッジベースから「甲状腺」「ヨウ素」に関連するエントリを検索
- 「ヨウ素過剰→甲状腺機能低下（Wolff-Chaikoff効果）」という知識を取得
- 「日本は昆布文化で過剰側に注意」という文脈情報も併せて提示
- 出典（食事摂取基準2025年版）を明記して回答
この仕組みは、出典を明示し、数値と版の問題を減らすことを狙っています。ただし、RAGでも間違えることはあります。回答は、教科書やガイドラインで確認する前提で使ってください。
実務での使い分け：何を汎用AIに聞き、何を専門RAGに聞くか
では、実務では汎用AIと専門RAGをどう使い分ければいいのでしょうか。
汎用AIは、概念の整理や大まかな理解には向いています。「無作為化比較試験とは何か」「エコロジカルモデルの5つのレベルを教えて」といった、定義や枠組みを知りたい場面では十分に機能します。また、文章の要約や言い換え、レポートの構成案など、栄養学以外のタスクでは強力です。
一方、専門RAGは、数値や基準が絡む実務判断で力を発揮します。「30歳女性のカルシウム推奨量は？」「特定保健用食品と機能性表示食品の違いは？」「陽性的中率と有病率の関係は？」といった、正確性が求められる場面では、出典つきで回答できるRAGが安全です。国試対策や栄養指導の下調べ、レポート作成の根拠確認には、専門RAGを使う方が確実です。
aiyolabで聞いてみた
このテーマをaiyolabのAIチャットに質問すると、食事摂取基準2025年版や日本人の食事摂取基準活用ガイドラインを根拠に、出典つきで回答が返ってきます。「ヨウ素の耐容上限量は？」「推定平均必要量と推奨量の使い分けは？」といった具体的な疑問に対して、版と出典を明記した形で確認できるので、レポートや栄養指導の下調べに使えます。
まとめ
汎用AIは便利ですが、栄養学のように出典・数値・版が重要な分野では、精度に限界があります。管理栄養士国試180問の検証では、専門RAGが91.7%、汎用AIが72.8%という結果が出ました。実務では、概念整理には汎用AI、数値や基準が絡む判断には専門RAGを使い分けることで、正確性と効率を両立できます。