シラバスによると、事前学習済みモデルは、元の学習で使用されたデータやプロセスからバイアスや制限を継承することが多く、新しいユースケースに適合しない可能性があります。具体的には、シラバスには次のように記載されています。
事前学習済みモデルを使用する場合、学習データと学習プロセスはモデルのユーザーによって完全に制御または把握できません。その結果、モデルは元の開発および学習プロセスの一部であったバイアスや不正確さを継承する可能性があります。（参照：ISTQB CT-AIシラバスv1.0、セクション1.8.3）

シラバスのセクション1.3「AIベースシステムと従来型システム」では、従来型システムと教師あり機械学習を用いたAIベースシステムの根本的な違いを解説しています。従来型システムは、入力データを解釈するために、分岐、条件、明示的なルールなど、人間がプログラムしたロジックに依存しています。
システムは開発者が指定したとおりに動作します。
対照的に、教師あり学習を用いるAIシステムは、ラベル付けされたデータからパターンを自動的に学習します。シラバスには、「データ内のパターンは、システムが将来どのように反応すべきかを決定するために用いられる」と記されています。
AI はデータ内のどのパターンや特徴が使用できるかを独自に決定します。これはオプション C と直接一致します。AI システムはトレーニング中に X 線画像内の関連する診断パターンを識別しますが、従来のシステムでは人間の専門家がそれらのパターンを明示的にプログラムする必要があります。
選択肢Aは不正解です。AIの出力は通常、説明可能性が高くなるのではなく、低くなるからです。選択肢Bは不正解です。どちらのシステムも同じX線画像を使用できますが、機械学習では構造的に異なる画像は必要ありません。選択肢Dは単純化しすぎていて、完全に正確ではありません。学習データは機械学習の中心ですが、AIシステムにはデータだけでなく、アーキテクチャ、アルゴリズム、前処理も含まれます。
したがって、オプション C はシラバスに準拠した正しい回答です。

シラバスでは、バックツーバック テストは、修正された AI システムを以前のバージョンと比較する方法として定義されており、次のシナリオに最適です。
「バックツーバックテストは、同じ出力を提供すると想定される2つのシステムの出力を比較することによって行われます。1つは既知の信頼できるシステム、もう1つはテストシステムです。このアプローチは、再学習後の機械学習システムをテストし、改善によって回帰が発生していないことを確認するために使用できます。」（参照：ISTQB CT-AIシラバスv1.0、セクション9.3、99ページ中67ページ）

閾値カバレッジは、ニューラルネットワークのテストで使用されるカバレッジ指標の一種です。ネットワーク内の各ニューロンが、指定された閾値を超える活性化値を達成することを保証します。これは、特に、商品の将来価値がスポット価格を少なくとも0.75%上回った場合にのみニューロンが活性化することをテスターが検証するという、前述のシナリオに関連します。
* 閾値ベースの活性化: 質問のテストケースは、特定の閾値 (0.75%) を超えた場合にのみニューロンが活性化するかどうかを明示的に検証しています。これは、閾値カバレッジの定義と完全に一致しています。
* ニューラル ネットワーク テストで一般的: しきい値カバレッジは、ニューラル ネットワーク内の各ニューロンが指定されたアクティブ化値に達するかどうかを測定するのに使用され、さまざまなテスト入力にさらされたときにニューラル ネットワークが期待どおりに動作することを確認します。
* 研究における前例:DeepXplore フレームワークは、ニューラル ネットワーク内の誤った動作を識別するために 0.75% のしきい値を使用しており、このカバレッジ基準は AI テスト研究で十分に文書化されています。
* (B) ニューロンカバレッジ#
* ニューロンカバレッジは、テスト中のある時点でニューロンが活性化（非ゼロ値）するかどうかのみをチェックします。特定の活性化閾値は考慮されないため、このシナリオでは精度が低くなります。
* (C) サインチェンジカバレッジ#
* このカバレッジでは、各ニューロンが正と負の両方の活性化値を示しているかどうかを測定しますが、これは特定のシナリオには関係ありません (活性化は特定のしきい値を超えた場合にのみ重要になります)。
* (D) 価値変動補償#
* このカバレッジでは、各ニューロンが選択したしきい値によって異なる 2 つの活性化値を生成する必要がありますが、質問は活性化値の変化ではなく、固定しきい値を超えて活性化が発生するかどうかに焦点を当てています。
* 閾値カバレッジは、ニューロンが特定の活性化閾値を超えることを保証します。「完全な閾値カバレッジには、ニューラルネットワーク内の各ニューロンが指定された閾値を超える活性化値を達成する必要があります。DeepXploreフレームワークを作成した研究者は、ニューロンカバレッジは、状況に応じて変化する閾値を超える活性化値に基づいて測定されるべきであると提案しました。」閾値カバレッジが正しい理由他の選択肢が間違っている理由ISTQB認定テスターAIテスト学習ガイドからの参照したがって、選択肢Aが正解です。閾値カバレッジは、ニューラルネットワークの活性化が必要な条件（0.75%）に基づいて正しく評価されることを保証します。

ISTQB CT-AI シラバスのセクション 2.2「データ準備」で、ML データ準備ワークフローについて説明しています。
データ準備は、データ収集、クレンジング、変換、そしてサンプリングから構成されます。シラバスでは、データ収集における重要な課題の一つとして、構造、品質、形式が異なる複数の異種ソースからのデータを統合することの重要性を強調しています。結果として得られるデータセットの正確性、完全性、そして代表性を確保することは複雑であり、MLワークフローにおける重要な課題となっています。
これはオプションCと直接一致します。
選択肢Aは不正解です。誤ったデータ修正はクリーニングの一部であり、変換の一部ではないからです。選択肢Bはシラバスに矛盾しています。自動化は確かに役立ちますが、特に微妙なデータ品質の問題を検出する際には専門家の監視が必要となるため、すべてのステップを自動化すべきではありません。選択肢Dは不正解です。サンプリングには、特に代表性に関してリスクが伴い、シラバスは自己満足ではなく注意を重視しているからです。
したがって、OptionC はシラバスを正確に反映する唯一のステートメントです。