diff --git a/04-prompt-engineering-fundamentals/translations/ja-jp/README.md b/04-prompt-engineering-fundamentals/translations/ja-jp/README.md
index 1581423c1..bcc50737d 100644
--- a/04-prompt-engineering-fundamentals/translations/ja-jp/README.md
+++ b/04-prompt-engineering-fundamentals/translations/ja-jp/README.md
@@ -6,13 +6,13 @@
 
 _生成 AI_ は、ユーザーからの依頼に対して、テキスト、画像、オーディオ、コード等の新しいコンテンツを生み出す能力を有しています。これを実現するために、OpenAI の GPT（Generative Pre-trained Transformer）シリーズのような、自然言語とコードの使用目的でトレーニングされた _大規模言語モデル（LLM）_ を利用します。
 
-利用者は、チャットのような馴染み深い手法で、特別な技術の知識や研修を受講しなくても、これらのモデルと対話できるようになりました。これらのモデルは、_プロンプト_ で操作し、ユーザーがテキストの入力（プロンプト）を送ると、AI からの回答（コンプリーション）が得られます。その後、利用者は何度も 「AI と対話」を重ね、複数回のやり取りを通じてプロンプトを洗練させ、期待する回答が得られるまで調整を行います。
+利用者は、チャットのような馴染み深い手法で、特別な技術の知識や研修を受講しなくても、これらのモデルと対話できるようになります。これらのモデルは、_プロンプト_ で操作し、ユーザーがテキストの入力（プロンプト）をモデルに送信すると、AI モデルからの回答（コンプリーション）が得られます。その後、利用者は何度も 「AI と対話」を重ね、複数回のやり取りを通じてプロンプトを洗練させ、期待する回答が得られるまで調整を行います。
 
-現在、「プロンプト」は生成 AI アプリケーションの主要なプログラミングインターフェースとなり、モデルに対して何を行うべきか指示し、返される回答の品質に影響を与えています。「プロンプト・エンジニアリング」は、大規模で一貫性のある高品質な回答を得るためのプロンプトの設計と最適化に焦点を当てた、急速に成長している研究分野です。
+現在、「プロンプト」は生成 AI アプリケーションの主要なプログラミング・インターフェースとなっており、モデルに対して何を行うべきか指示し、そして返される回答の品質にも影響を与えています。「プロンプト・エンジニアリング」は、大規模で一貫性のある高品質な回答を得るためのプロンプトの設計と最適化に焦点を当てた、急速に成長している研究分野です。
 
 ## 学習目標
 
-このレッスンでは、プロンプト・エンジニアリングとは何か、そしてその重要性、また特定のモデルやアプリケーションの目的に応じた、効果的なプロンプトの作成方法について学習します。プロンプト・エンジニアリングの基本概念とベストプラクティスを理解し、実際にこれらのコンセプトを適用している例を、インタラクティブな Jupyter ノートブックの「サンドボックス」環境で動かし、その操作方法も学びます。
+このレッスンでは、プロンプト・エンジニアリングとは何か、そしてその重要性、また特定のモデルやアプリケーションの目的に応じた、効果的なプロンプトの作成方法について学習します。プロンプト・エンジニアリングの基本概念とベスト・プラクティスを理解し、これらを適用している例を、インタラクティブな Jupyter ノートブック「サンドボックス」環境上で動かし、その操作方法も学びます。
 
 このレッスンの終了後、下記ができるようになります：
 
@@ -21,30 +21,30 @@ _生成 AI_ は、ユーザーからの依頼に対して、テキスト、画
 3. プロンプト・エンジニアリングのベストプラクティスと技術を習得する
 4. OpenAI のエンドポイントにアクセスし、学んだテクニックを実際に試す
 
-## サンドボックス (Sandbox) とは
-
 プロンプト・エンジニアリングは現在、科学というよりは、むしろ芸術に近いものです。これに対する感覚を高めるには、_より多くの練習_ を積み重ね、アプリケーション専門知識で推奨される技術や、モデル固有の最適化を組み合わせた、試行錯誤の方法を取り入れることが重要です。
 
-このレッスンに付随するJupyterノートブックは、学んだ内容を実際に試すことができる _サンドボックス_ 環境を提供します。レッスン中、もしくは最終的なコードチャレンジで利用することができます。演習を行うためには、下記が必要です：
+## サンドボックス (Sandbox) とは
+
+このレッスンに付随する Jupyter ノートブックは、学んだ内容を実際に試すことができる _サンドボックス_ 環境を提供します。レッスン中、もしくは最終的なコードチャレンジで利用できます。演習を行うためには、下記が必要です：
 
 1. OpenAI API キー - デプロイした大規模言語モデル（LLM）のサービスエンドポイント
 2. Python の実行環境 - ノートブックを実行する環境
 
-このリポジトリは Python 3 の実行環境を含む、_.devcontainer_ を提供しています。GitHub Codespaces、もしくは Docker Desktop をインストールしたご自身のローカル環境でリポジトリを開くことで、コンテナ環境が自動的に起動します。その後、ノートブックを開いて Python 3.x カーネルを選択することで、実行するためのノートブックを準備できます。
+このリポジトリは、_.devcontainer_ ディレクトリ配下の設定ファイルで Python 3 の実行環境を含むコンテナ・イメージを提供しています。GitHub Codespaces、もしくは Docker Desktop をインストールしたご自身のローカル環境でリポジトリを開くことで、コンテナ・イメージが自動的に起動します。その後、ノートブックを開いて Python 3.x カーネルを選択することで、実行するノートブックを準備できます。
 
-デフォルトで用意されているノートブックは、OpenAI の API キーを利用する設定になっています。フォルダのルート・ディレクトリにある`.env.copy`を`.env`にリネームし、`OPENAI_API_KEY=`の行に API キーを入力するだけで、準備が整います。
+デフォルトで用意されているノートブックは、OpenAI の API キーを利用する設定になっています。フォルダのルート・ディレクトリにある`.env.copy`を`.env`にリネームし、`OPENAI_API_KEY=`の行に API キーを入力するだけで、準備が完了します。
 
-このノートブックには基本的な演習が用意されていますが、より多くのサンプルやアイディアを試すために、ご自身で_Markdown_（説明文）や_Code_（プロンプトのリクエスト）のセクションを追加することができます。これにより、プロンプトデザインに対する感覚をより養うことができます。
+このノートブックには基本的な演習が用意されていますが、より多くのサンプルやアイディアを試すために、ご自身で _Markdown_（説明文）や _Code_（プロンプトのリクエスト）のセクションを追加することができます。これにより、プロンプト・デザインに対する感覚をより養うことができます。
 
 ## スタートアップ
 
-それでは、_このトピック_ がスタートアップのミッションである「[教育へ AI 革新をもたらす](https://educationblog.microsoft.com/2023/06/collaborating-to-bring-ai-innovation-to-education?WT.mc_id=academic-105485-yoterada)」とどのように結びついているのかについて見て行きましょう。私たちは　_個別学習_　を実現する AI アプリケーションの開発を目指しています。そこで、私たちのアプリケーションを利用する様々な利用者がプロンプトをどのように「デザイン」するかを考えてみましょう。  
+それでは、_このトピック_ がスタートアップのミッションである「[教育へ AI 革新をもたらす](https://educationblog.microsoft.com/2023/06/collaborating-to-bring-ai-innovation-to-education?WT.mc_id=academic-105485-yoterada)」とどのように結びついているのかについて見て行きましょう。私たちは　_個別学習_　を実現する AI アプリケーションの開発を目指しています。そこで、私たちのアプリケーションを利用する様々な利用者がプロンプトをどのように「デザイン」するのかを考えてみましょう。  
 
 - **管理者**: AI に _カリキュラムのデータを分析し、カバーしてない領域を特定する_ よう要求する可能性があります。AI はその結果をまとめたり、コードを用いて可視化することができます。
-- **教員**: AI に _特定の生徒と授業科目に応じた授業計画を作成する_ 可能性があります。AI は指定されたフォーマットに従って個別に計画を作成できます。
+- **教員**: AI に _特定の生徒と授業科目に応じた授業計画の作成を依頼する_ 可能性があります。AI は指定されたフォーマットに従って個別に計画を作成できます。
 - **生徒**: AI に _苦手な科目で個別指導を依頼する_ 可能性があります。AI は生徒のレベルに合わせたレッスン、ヒント、例を提供して指導することができます。
 
-これらは、ほんの一例です。教育専門家から厳選された、オープンソースのプロンプト・ライブラリ「[Prompts For Education](https://github.com/microsoft/prompts-for-edu/tree/main?WT.mc_id=academic-105485-yoterada)」を確認し、さらに広い視野で可能性を探ってみてください！ _サンドボックスでそれらのプロンプトを試しに実行したり、OpenAI Playground で試してどのような結果が出力されるか試してください！_  
+これらは、ほんの一例です。教育専門家から厳選された、オープンソースのプロンプト・ライブラリ「[Prompts For Education](https://github.com/microsoft/prompts-for-edu/tree/main?WT.mc_id=academic-105485-yoterada)」を確認し、さらに広い視野で可能性を探ってみてください！ _サンドボックスでそれらのプロンプトを試しに実行したり、OpenAI Playground で試してどのような結果が得られるかを試してください！_  
 
 <!--
 LESSON TEMPLATE:
@@ -77,21 +77,29 @@ LLM は、プロンプトを _トークンの連続_ として見ており、異
 
 ![Tokenization](../../images/04-tokenizer-example.png?WT.mc_id=academic-105485-yoterada)
 
+> 訳者追記：  
+> 太陽の 1000 分の 1 の質量を持つ巨大ガス惑星ですが、太陽系の他のすべての惑星を合わせた質量の 2 倍です。木星は、夜空で肉眼で見える天体の中で最も明るい天体の一つで、有史以前から古代文明に知られていました。ローマの神ジュピターにちなんで名付けられました。[19]地球から見ると、木星は反射光が目に見える影を落とすのに十分な明るさであり[20]、夜空では月と金星に次いで平均して 3 番目に明るい天体です。
+
 ### 概念: ファウンデーション・モデル
 
-プロンプトをトークンに分割した後、「[Base LLM](https://blog.gopenai.com/an-introduction-to-base-and-instruction-tuned-large-language-models-8de102c785a6?WT.mc_id=academic-105485-yoterada)」（またはファウンデーションモデル）の主な役割は、その分割したトークンの連続した文字列の中で、次に来るトークンを予測することです。LLM は膨大な量のテキスト・データでトレーニングされているため、トークン間の統計的な関連性を十分に把握しており、ある程度の自信を持ってその予測を行うことができます。ただしモデルは、プロンプトやトークンに含まれる単語の _意味_ を理解しているわけではなく、単に次にくるトークンの予測から「完成」できるパターンを見ているだけです。ユーザーが操作を停止するか、あらかじめ定められた条件が満たされるまで、予測を続けることが可能です。
+プロンプトをトークンに分割した後、「[Base LLM](https://blog.gopenai.com/an-introduction-to-base-and-instruction-tuned-large-language-models-8de102c785a6?WT.mc_id=academic-105485-yoterada)」（またはファウンデーションモデル）は、その分割したトークンの連続した文字列の中で、次に来るトークンは何かを予測します。LLM は膨大な量のテキスト・データでトレーニングされているため、トークン間の統計的な関連性を十分に把握しており、ある程度の自信を持ってその予測を行えます。ただしモデルは、プロンプトやトークンに含まれる単語の「_意味_」 を理解しているわけではなく、次にくるトークンの予測から「完成」できるパターンを単純に見ているだけです。ユーザーが操作を停止するか、あらかじめ定められた条件が満たされるまで、予測を続けます。
 
-プロンプトベースの完成(completion)がどのように機能するか確認してみたいですか？上記のプロンプトをデフォルトの設定のままでAzure OpenAI Studioの[_チャットプレイグラウンド_](https://oai.azure.com/playground?WT.mc_id=academic-105485-yoterada)に入力してください。システムは、プロンプトを情報のリクエストとして処理するように構成されいるので、その文脈に適した回答結果が得られるはずです。
+プロンプト・ベースの完成 (completion) がどのように機能するか確認したいですか？上記のプロンプトの出力結果をデフォルトの設定のままで Azure OpenAI Studio の[_チャットプレイグラウンド_](https://oai.azure.com/playground?WT.mc_id=academic-105485-yoterada)にコピー＆ペーストしてください。システムは、プロンプトを情報のリクエストとして処理するように構成されいるので、その文脈に適した回答結果が得られるはずです。
 
 それでは、ユーザーがある特定基準やタスク目標に対して適する、特定結果を望む場合はどうでしょうか？そのような場合には、_インストラクション・チューニングされた LLM_ が役立ちます。
 
 ![Base LLM Chat Completion](../../images/04-playground-chat-base.png?WT.mc_id=academic-105485-yoterada)
 
+> 訳者追記:  
+> はい、その通りです。木星は太陽から 5 番目の惑星であり、太陽系で最大の惑星です。主に水素で構成されており、その質量の 4 分の 1 はヘリウムです。木星の強い内部熱は、雲の帯や、少なくとも 17 世紀から存在していたことがわかっている巨大な嵐である大赤斑など、大気中に多くの半永久的な特徴を生み出します。
+木星は、顕著な環（リング）システムと多数の衛星でも知られています。現在、木星の周りを回っている衛星は79個あり、そのうち4個はガニメデ、イオ、エウロパ、カリストです。
+
+
 ### 概念: インストラクション・チューニングされた LLM
 
-[インストラクションチューニングされたLLM](https://blog.gopenai.com/an-introduction-to-base-and-instruction-tuned-large-language-models-8de102c785a6?WT.mc_id=academic-105485-yoterada)は、ファウンデーションモデルを基に、明確な指示を含む例や入出力の組み合わせ（例えば、複数のターンにわたる「メッセージ」など）で微調整を施します。そして、AI はその指示に従うような回答作成を試みるようになります。
+[インストラクション・チューニングされた LLM](https://blog.gopenai.com/an-introduction-to-base-and-instruction-tuned-large-language-models-8de102c785a6?WT.mc_id=academic-105485-yoterada) は、ファウンデーションモデルを基に、明確な指示を含む、例や入出力の組み合わせ（例えば、複数回わたる「質問とそれに対する回答例のメッセージ」など）で微調整を施します。すると、AI はその指示に従うような回答作成を試みるようになります。
 
-これには、人間のフィードバックを取り入れた強化学習（Reinforcement Learning with Human Feedback : RLHF）などの技術が使われます。RLHF を利用すると、モデルが利用者からの _指示に従って_ 、 _フィードバックから学習する_ ようにトレーニングでき、これにより、実用的なアプリケーションに適した、よりユーザーの目的に合致する回答が得られるようになります。
+これには、人間のフィードバックを取り入れた強化学習（Reinforcement Learning with Human Feedback : RLHF）などの技術が使われます。RLHF を利用すると、モデルが利用者からの _指示に従って_ 、 _フィードバックから学習する_ ようにトレーニングでき、これにより、実用的なアプリケーションに適した、よりユーザーの目的に一致する回答が得られるようになります。
 
 それでは、実際に試してみましょう。
 先ほどのプロンプトに戻り、今度は _システムメッセージ_ を変更して、下記の指示をコンテキストとして加えてみてください：  
@@ -102,30 +110,38 @@ LLM は、プロンプトを _トークンの連続_ として見ており、異
 
 ![Instruction Tuned LLM Chat Completion](../../images/04-playground-chat-instructions.png?WT.mc_id=academic-105485-yoterada)
 
+> 訳者追記：  
+> * 木星は太陽から5番目の惑星で、太陽系で最大の惑星です。
+> * 太陽よりは軽いのですが、他のすべての惑星を合わせた重量よりも重いガス惑星です。
+> * 望遠鏡なしで夜空に木星が見えます、それは本当に明るいです!
+> * 惑星はローマの神、Jupiter にちなんで名付けられました。
+> * 木星はとても明るく輝いているので、その光は地球に影を落とすことさえあります。通常、夜に月と金星に次いで3番目に明るい星です。
+
+
 ## プロンプト・エンジニアリングはなぜ必要なのでしょうか？  
 
 LLM がプロンプトをどのように処理するかを理解したところで、_なぜ_ プロンプト・エンジニアリングが必要なのかについて考えてみましょう。その答えは、現在の LLM がいくつかの課題を抱えており、プロンプトの作成と最適化に取り組まなければ、_信頼性のある一貫した回答_ を得ることが難しく、このような課題が多数存在するという事実があります。例を挙げると：  
 
-1. **モデルの回答は確率的な性質を持っています。** たとえ、_同一プロンプト_ であっても、異なるモデルやモデルのバージョンの差によって、異なる回答を得る場合があります。そして、_同じモデル_ でも、異なる時期に実行すると異なる結果を生じることがあります。_プロンプト・エンジニアリングの手法は、より適切なガイドラインを提供することで、こうしたばらつきを減らすのに役立ちます。_  
+1. **モデルの回答は確率的な性質を持っています** たとえ「_同一プロンプト_」でも、異なるモデルやモデルのバージョンの差によって、異なる回答を得る場合があります。そして「_同じモデル_ 」でも、異なる時期に実行すると異なる結果を生じることがあります。「_プロンプト・エンジニアリングの手法は、より適切なガイドラインを提供することで、こうしたばらつきを減らすのに役立ちます。_」
 
-1. **モデルは回答を捏造することがあります** モデルは _大規模ながら有限の_ データセットで事前にトレーニングされているため、トレーニングの範囲を超えた概念に関する知識は不足しています。その結果、不正確、もしくは架空、あるいは既知の事実と明らかに矛盾する回答を出力することがあります。_プロンプトエンジニアリングの手法は、ユーザーがこのような捏造を特定し軽減するのに役立ちます。例えば、AI に出典や論理的根拠の説明を求めて防ぎます。_  
+1. **モデルは回答を捏造することがあります** モデルは「_大規模ながら有限の_」データセットで事前トレーニングされているため、トレーニングの範囲を超える知識は不足しています。その結果、不正確、もしくは架空、あるいは既知の事実と明らかに矛盾する回答を出力することがあります。「_プロンプトエンジニアリングの手法は、ユーザーがこのような捏造を特定し軽減するのに役立ちます。例えば、AI に出典や論理的根拠の説明を求めて防ぎます。_」
 
-1. **モデルの能力は異なります。** 新しいモデルや新世代のモデルは、より高度な機能を持つ一方で、独自の特性やコストと複雑さの面でトレードオフをもたらします。_プロンプト・エンジニアリングは、これらの違いを取り除き、スケーラブルでシームレスな方法でモデル固有の要件に適応するベストプラクティスとワークフローを開発するのに役立ちます。_
+1. **モデルの能力は異なります** 新しいモデルや新世代のモデルは、より高度な機能を持つ一方で、独自の特性やコストと複雑さの面でトレード・オフをもたらします。「_プロンプト・エンジニアリングは、これらの違いを取り除き、スケーラブルでシームレスな方法でモデル固有の要件に適応するベスト・プラクティスとワークフローを開発に役立ちます。_」
 
 OpenAI や Azure OpenAI プレイグラウンドで実際に試してみましょう：  
 
-- 異なる LLM 環境（例えば OpenAI、Azure OpenAI、Hugging Face）で同じプロンプトを使ってみてください - 変化に気づきましたか？  
-- _同じ_ LLM 環境（例えば：Azure OpenAI プレイグラウンド）で同じプロンプトを繰り返し実行してみてください - これらの変化はどのように変わりましたか？  
+- 「_異なる_」 LLM 環境（例えば OpenAI、Azure OpenAI、Hugging Face）で同じプロンプトを使って実行してください - 変化に気づきましたか？  
+- 「_同じ_」 LLM 環境（例えば：Azure OpenAI プレイグラウンド）で同じプロンプトを繰り返し実行してみてください - これらの変化はどのように変わりましたか？  
 
 ### 捏造の例  
 
 この講座では、LLM がトレーニングの制限やその他の制約により、事実に反する情報を回答する現象を「**捏造**」という用語で説明します。一般的な記事や研究論文で「_幻覚_」と表現されることもありますが、機械が生み出した回答に対して人間の特性を誤って当てはめる擬人化を避けるために、「_捏造_」という用語の使用を強く推奨します。これは、用語の観点から[責任ある AI のガイドライン](https://www.microsoft.com/ai/responsible-ai?WT.mc_id=academic-105485-yoterada)を強化するものであり、また、一部の文脈で不快感を与えたり排他的であると考えられる用語を排除することにもつながります。
 
-捏造がどのように行われるかを理解したいですか？AI に対して、トレーニング・データに含まれていない、架空のトピックに関するコンテンツ作成をプロンプトで指示する事を考えてください。例えば、私は下記のプロンプトを試しました：  
+捏造がどのように行われるかを理解したいですか？AI に対して、トレーニング・データに含まれていない、架空のトピックに関するコンテンツ作成をプロンプトで指示してみてください。例えば、私は下記のプロンプトを試しました：  
 
 > **プロンプト：** 2076年の火星戦争についての授業計画を生成してください。  
 
-Web で検索を行ったところ、火星の戦争についてのフィクション（例：テレビドラマや書籍）はいくつか見つかりましたが、2076 年に関するものは存在しませんでした。常識的に考えても、2076年は _未来_ であり、実際の出来事と関連付けることはできません。  
+Web で検索を行ったところ、火星の戦争についてのフィクション（例：テレビドラマや書籍）はいくつか見つかりましたが、2076 年に関するものは存在しませんでした。常識的に考えても、2076年は「_未来_」であり、実際の出来事と関連付けることはできません。  
 
 それでは、このプロンプトを異なる LLM サービス・プロバイダで試したら、どのような結果が得られるのでしょうか？
 
@@ -141,9 +157,9 @@ Web で検索を行ったところ、火星の戦争についてのフィクシ
 
 ![Response 3](../../images/04-fabrication-huggingchat.png?WT.mc_id=academic-105485-yoterada)
 
-予想通り、モデルごと（またはモデルのバージョンごと）に、確率的なふるまいやモデルの能力差によって、微妙に異なる回答が得られました。たとえば、一つのモデルは中学2年生を対象にしているのに対し、別のモデルは高校生を対象にしています。しかし、どのモデルも、情報を持たないユーザーに対して、その出来事が実際にあったかのように誤解生じさせる回答を生成しました。
+予想通り、モデルごと（またはモデルのバージョンごと）に、確率的なふるまいやモデルの能力差によって、微妙に異なる回答が得られました。たとえば、一つのモデルは中学 2 年生を対象に回答しているのに対し、別のモデルは高校生を対象に回答しています。しかし、どのモデルも、情報を全く持たない利用者に対して、その出来事が実際にあったかのように誤解生じさせる回答を生成しました。
 
-_メタプロンプティング_ や _温度調整_ といったプロンプトエンジニアリングの手法は、モデルによる捏造をある程度抑制することが可能です。新しいプロンプトエンジニアリングの　_アーキテクチャ_　は、これらの影響を緩和または削減させるために、新しいツールや手法をプロンプト・フローにシームレスに取り入れています。
+「_メタプロンプティング_ 」や「_温度調整_」といったプロンプトエンジニアリングの手法は、モデルによる捏造をある程度抑制することが可能です。新しいプロンプト・エンジニアリングの「_アーキテクチャ_」は、これらの影響を緩和または削減させるために、新しいツールや手法をプロンプト・フローにシームレスに取り入れています。
 
 ## ケーススタディ：GitHub Copilot  
 
@@ -177,11 +193,11 @@ CONCEPT #2:
 
 ## プロンプトの組み立て
 
-ここまで、プロンプト・エンジニアリングがなぜ大切なのかを見てきました。次に、プロンプトをどのように _作成する_ のかを把握し、より効果的なプロンプトを設計するために存在する、様々な手法を見ていきましょう。
+ここまで、プロンプト・エンジニアリングがなぜ大切なのかを見てきました。次に、プロンプトをどのようにして「_作成する_」のかを把握し、より効果的なプロンプトを設計するための、様々な手法を見ていきましょう。
 
 ### 基本的なプロンプト  
 
-基本的なプロンプトから始めましょう：モデルに送信するテキスト入力で、他のコンテキストはありません。例を挙げると、OpenAI の[Completion API](https://platform.openai.com/docs/api-reference/completions?WT.mc_id=academic-105485-yoterada) にアメリカ国歌の最初の数語を送ると、すぐに次の数行で回答を _完成させる_、基本的な予測動作を示します。  
+基本的なプロンプトから始めましょう：モデルに送信するテキスト入力で、他のコンテキストはありません。例を挙げると、OpenAI の[Completion API](https://platform.openai.com/docs/api-reference/completions?WT.mc_id=academic-105485-yoterada) にアメリカ国歌の最初の数語を送ると、すぐに次の数行で回答を _完成させる_、基本的な予測動作を行います。  
 
 | プロンプト (入力) | 回答 (出力) |
 |:---|:---|
@@ -189,12 +205,12 @@ CONCEPT #2:
 
 ### 複雑なプロンプト
 
-次に、基本的なプロンプトにコンテキストと指示を加えてみましょう。[Chat Completion API](https://learn.microsoft.com/azure/ai-services/openai/how-to/chatgpt?WT.mc_id=academic-105485-yoterada) を利用すると、以下の要素を含むメッセージのコレクションとして高度なプロンプトを作成できます：
+次に、基本的なプロンプトにコンテキストと指示を加えてみましょう。[Chat Completion API](https://learn.microsoft.com/azure/ai-services/openai/how-to/chatgpt?WT.mc_id=academic-105485-yoterada) を利用する際、以下の要素をメッセージに含め、高度なプロンプトを作成できます：
 
-- _ユーザー_ の入力と _アシスタント_ の応答を示す入出力ペア
-- アシスタントの振る舞いや人格の文脈を設定するシステムメッセージ
+- 「_ユーザー_」の入力(質問)と「_アシスタント_」からの回答例を含む入出力ペア
+- 「_システムメッセージ_」：アシスタントの振る舞いや、人格のコンテキストを設定
 
-リクエストは下記の形式になり、トークン化によってコンテキストと会話から関連情報を効果的に捉えられます。システム・コンテキストの変更は、ユーザーの入力内容と同じくらい、回答品質に影響を与える可能性があります。
+実際のリクエストは下記のようになります。トークン化によってシステム・コンテキストと会話履歴から関連情報を効果的に捉えられるようになります。システム・コンテキストの変更は、ユーザーの入力内容と同じくらい、回答品質に影響を与える可能性があります。
 
 ```python
 response = openai.ChatCompletion.create(
@@ -237,17 +253,17 @@ response = openai.ChatCompletion.create(
 - **キュー(手がかり)** - 完了を促す「キュー（合図）」の指示に従って、モデルをより関連性の高い回答に誘導します。
 - **テンプレート** - 繰り返し再利用できるプロンプトの「レシピ」で、特定の用途に合わせて入力データをカスタマイズできるプレースホルダー（変数）を持ちます。
 
-これらを実際に探ってみましょう。  
+これらを実際により詳しく見ていきましょう。  
 
 ### 使用例
 
-この手法では、特定の指示に対して期待する出力のサンプルをいくつか「モデルに供給し」、主要コンテンツを使用し、期待する出力パターンをモデルに推測させるアプローチです。提供する例の数に応じて、ゼロショット、ワンショット、フューショット・プロンプティングなどがあります。  
+この手法では、特定の指示に対して期待する出力のサンプルをいくつか「モデルに提供し」、主要コンテンツを使用し、期待する出力パターンをモデルに推測させるアプローチです。提供する例の数に応じて、ゼロショット、ワンショット、フューショット・プロンプティングなどがあります。  
 
 プロンプトは、下記の３つの要素から構成されます：  
 
 - タスクの説明  
 - 期待する出力の数例  
-- 新しい例の開始部分（これが暗黙的にタスク説明となります）  
+- 新しい問い合わせの開始部分（これが暗黙的にタスク説明となります）  
 
 | 学習の型 | プロンプト (入力) | 回答 (出力) |
 |:---|:---|:---|
@@ -260,7 +276,7 @@ response = openai.ChatCompletion.create(
 
 ### プロンプト・キュー
 
-主要コンテンツを利用する際、もう一つの方法は、例を提供する代わりに _キュー(手がかり)_ を提供することです。この場合、期待する回答フォーマットを反映した一部で _始める_ ことで、モデルを正しい方向に少し誘導します。その後、モデルはその手がかりを受け取って、その流れに従って続けます。
+主要コンテンツを利用する際、もう一つの方法は、例を提供する代わりに「_キュー(手がかり)_」を提供することです。この場合、期待する回答フォーマットを反映した一部で「_始める_」ことで、モデルを正しい方向に誘導します。その後、モデルはその手がかりを受け取って、流れに従って続けます。
 
 | キューの数 | プロンプト (入力) | 回答 (出力) |
 |:---|:---|:---|
@@ -271,15 +287,15 @@ response = openai.ChatCompletion.create(
 
 ### プロンプト・テンプレート
 
-プロンプト・テンプレートは、必要に応じて保存し再利用できる _事前に定義したプロンプトのレシピ_ で、大規模向けに一貫したユーザー・エクスペリエンスを実現するために使用します。最も基本的な形式は、[OpenAI の例](https://platform.openai.com/examples?WT.mc_id=academic-105485-yoterada)のようなプロンプト例のコレクションで、インタラクティブなプロンプト要素(ユーザー メッセージとシステム メッセージ) と API 駆動型のリクエスト・フォーマットの両方を提供しており、再利用を促進しています
+プロンプト・テンプレートは、必要に応じて保存し再利用できる「_事前に定義したプロンプトのレシピ_」で、大規模向けに一貫したユーザー・エクスペリエンスを実現するために使用します。最も基本的な形式は、[OpenAI の例](https://platform.openai.com/examples?WT.mc_id=academic-105485-yoterada)のようなプロンプト例のコレクションで、インタラクティブなプロンプト要素(ユーザー・メッセージとシステム・メッセージ) と API 駆動型のリクエスト・フォーマットの両方を提供しており、再利用を促進しています
 
-[LangChain の例](https://python.langchain.com/docs/modules/model_io/prompts/prompt_templates/?WT.mc_id=academic-105485-yoterada)のような、より複雑な形式では、様々なソース(ユーザー入力、システムコンテキスト、外部データソースなど)からのデータを置き換える _プレースホルダー_ を含んでおり、プロンプトを動的に生成できます。これにより、大規模に**プログラムによる**一貫したユーザー・エクスペリエンスを実現するための再利用可能なプロンプトのライブラリを作成することが可能になります。
+[LangChain の例](https://python.langchain.com/docs/modules/model_io/prompts/prompt_templates/?WT.mc_id=academic-105485-yoterada)のような、より複雑な形式では、様々なソース(ユーザー入力、システムコンテキスト、外部データソースなど)からのデータを置き換える _プレースホルダー_ を含んでおり、プロンプトを動的に生成できます。これにより、大規模に「**プログラムによる**」一貫したユーザー・エクスペリエンスを実現するための再利用可能なプロンプトのライブラリを作成することが可能になります。
 
-最後に、テンプレートの真の価値は、特定の垂直アプリケーションドメイン用の _プロンプト・ライブラリ_ を作成し、公開する能力にあります。プロンプトテンプレートを、アプリケーション固有のコンテキストや例を反映するように最適化し、ターゲットの利用者にとって回答をより適切で正確なものにします。[Prompts For Edu](https://github.com/microsoft/prompts-for-edu?WT.mc_id=academic-105485-yoterada)リポジトリは、教育分野に特化したプロンプトのライブラリを集め、レッスン計画やカリキュラム設計、学生の個別指導などの重要な目標に焦点を当てた、この手法の優れた例です。  
+最後に、テンプレートの真の価値は、特定業界 (例、医療、金融、製造など) 用アプリケーションの「_プロンプト・ライブラリ_」を作成し、公開できる点です。プロンプト・テンプレートを、業界に特化したアプリケーション固有のコンテキストや例を反映するように最適化し、ターゲットの利用者にとって回答をより適切で正確なものにします。[Prompts For Edu](https://github.com/microsoft/prompts-for-edu?WT.mc_id=academic-105485-yoterada)は、教育分野に特化したプロンプト・ライブラリを集めたリポジトリで、レッスン計画やカリキュラムの設計、学生の個別指導など、教育関連の重要な項目に焦点を当てたプロンプト・ライブラリを提供する、とても良い例です。  
 
 ## サポートコンテンツ
 
-プロンプトの作成を、指示（タスク）と目的（主コンテンツ）を含むものと考えた場合、_サポートコンテンツ_ は、**何らかの形で影響を与える**追加情報のようなものです。これは、モデルがユーザーの目的や期待に応じて回答を _カスタマイズ_ するのを支援するチューニング・パラメーターやフォーマットの指示、トピックの分類方法などを含むことができます。
+プロンプトの作成を、指示（タスク）と目的（主コンテンツ）を含むものと考えた場合、「_サポートコンテンツ_」は、「**何らかの形で影響を与える**」追加情報のようなものです。これは、モデルがユーザーの目的や期待に応じて回答を _カスタマイズ_ するのを支援するチューニング・パラメーターやフォーマットの指示、トピックの分類方法などを含むことができます。
 
 例えば、カリキュラムで利用可能な全コースに関する広範囲のメタデータ（名前、説明、レベル、メタデータタグ、講師など）を含むコース・カタログがあるとします：  
 
@@ -304,17 +320,17 @@ CONCEPT #3:
 
 ## プロンプト作成のベストプラクティス
 
-プロンプトがどのように _組み立てられる_ かを理解したので、ベスト・プラクティスを反映するように _プロンプトをデザイン_ する方法について考えます。これは、適切な _考え方_ を持ち、適切な _テクニック_ を適用するという2つの側面に分けて考えることができます。  
+プロンプトがどのように「_組み立てられる_」かを理解したので、ベスト・プラクティスを反映するように「_プロンプトを設計_」する方法について考えます。これは、適切な「_考え方_」で、適切な「_技術_」を適用するという 2 つの側面に分けて考えることができます。  
 
 ### プロンプト・エンジニアリングの考え方  
 
 プロンプトエンジニアリングは試行錯誤のプロセスなので、以下の 3 つの広範な指針を念頭に置いてください.
 
-1. **ドメインの理解が大切です。** 回答の精度や関連性は、アプリケーションやユーザーが活動する　_ドメイン_　に依存します。直感とドメインの専門知識を用いて、**テクニックをさらにカスタマイズ**してください。たとえば、システム・プロンプトに _ドメイン固有のパーソナリティ_ を定義したり、ユーザー・プロンプトに _ドメイン固有のテンプレート_ を使用します。ドメイン固有の文脈を反映するセカンダリ コンテンツを提供したり、 _ドメイン固有の手がかりや例_ を使用して、モデルが慣れ親しんだ使用パターンに導きます。
+1. **ドメインの理解が大切です。** 回答の精度や関連性は、アプリケーションやユーザーが活動する「_ドメイン（業界・業種・業務）_」に依存します。直感とドメインの専門知識を用いて、**テクニックをさらにカスタマイズ**してください。たとえば、システム・プロンプトに「_ドメイン固有のパーソナリティ_」を定義したり、ユーザー・プロンプトに「_ドメイン固有のテンプレート_」を使用します。ドメイン固有の文脈を反映するセカンダリ・コンテンツを提供したり、「_ドメイン固有の手がかりや例_」を使用して、慣れ親しんだユースケースにモデルを誘導します。
 
-2. **モデル理解が大切です。** モデルは本質的に確率的な性質を持っていますが、使用するトレーニング・データ（事前学習した知識）、提供する機能（例えば API や SDK を通じて）、最適化されたコンテンツの種類（例えばコード、画像、テキスト）によっても実装は異なります。使用するモデルの長所と制限を理解し、その知識を用いて _タスクに優先順位を付けたり_ 、モデルの能力に最適化した _カスタマイズしたテンプレート_ を作成してください。
+2. **モデル理解が大切です。** モデルは本質的に確率的な性質を持っていますが、使用するトレーニング・データ（事前学習した知識）、提供する機能（例えば API や SDK を通じて）、最適化されたコンテンツの種類（例えばコード、画像、テキスト）によっても実装は異なります。使用するモデルの長所と制限を理解し、その知識を用いて「_タスクに優先順位を付けたり_」、モデルの能力に最適化した「_カスタマイズしたテンプレート_」を作成してください。
 
-3. **反復と検証が重要です。** モデルは急速に進化しており、プロンプト・エンジニアリングの手法も急速に進化しています。ドメインの専門家として、広範囲のコミュニティには、 _あなたが実装する_ アプリケーションに適さない、独自のコンテキストや基準があるかもしれません。プロンプト・エンジニアリングのツールやテクニックを使用してプロンプトの作成を「いち早く開始し」、その後、自分の直感とドメインの専門知識を使用して結果を反復しながら検証してください。そして知見を記録し、他者がが将来的により迅速に反復でき、新しい基準として使用できる **ナレッジベース**（例えばプロンプトライブラリ）を作成してください。  
+3. **反復と検証が重要です。** モデルは急速に進化しており、プロンプト・エンジニアリングの手法も急速に進化しています。ドメインの専門家として、広範囲のコミュニティの中には、 「_あなたが実装したプロンプト_」が適さない場合、つまり独自のコンテキストや基準を持つコミュニティもあるかもしれません。プロンプト・エンジニアリングのツールやテクニックを使用してプロンプトを「いち早く試し」、その後、自分の直感とドメインの専門知識を使用して、結果の検証を繰り返しながら行なってください。そして知見を記録し、他者が将来的により迅速に反復できるよう、そして新基準として再利用できる「**ナレッジベース**（例えばプロンプトライブラリ）」を作成してください。  
 
 ## ベストプラクティス
 
@@ -323,15 +339,15 @@ CONCEPT #3:
 | 項目 | 理由 |
 |:---|:---|
 | 最新モデルの評価 | 新世代のモデルは、機能や品質が向上している可能性があります。一方でコストが高くなる可能性もあります。影響を評価し移行の可否を検討します。 |
-| 指示とコンテキストの分離 | 使用しているモデルやサービス提供者が、指示やプライマリコンテンツ、セカンダリコンテンツを明確に区別するために、 _区切り文字_ を定義しているか確認してください。これにより、モデルはトークンに対して重みをより正確に割り当てることができます。 |
+| 指示とコンテキストの分離 | 使用しているモデルやサービス提供者が、指示やプライマリコンテンツ、セカンダリコンテンツを明確に区別するために、「_区切り文字_」を定義しているか確認してください。これにより、モデルはトークンに対して重みをより正確に割り当てることができます。 |
 | 具体的かつ明確 | 目的のコンテキスト、結果、長さ、フォーマット、スタイルなどについての詳細を記入してください。これにより、回答の品質と一貫性の両方が向上します。再利用可能なテンプレートにレシピを取り込みます。 |
 | 詳細に説明し、実例を示す | モデルは「示しながら教える」アプローチにより適切に応答する可能性があります。まずはゼロショット・アプローチからはじめます、最初は指示を出すだけで例を示さないでください。次にフューショット・アプローチで期待する出力例をいくつか提供し改善します。類推してください。|
 | 手がかりを用いて出力を促進 | 回答の起点となる、いくつかの単語やフレーズを与え期待する結果を得てください。|
 | ダブル・ダウン | 場合によっては、モデルに対して自身で反復する必要があります。メイン・コンテンツの前後で指示を出したり、指示やキュー（手がかり）を使ったりします。反復して検証し、何が機能するかを確認します。|
 | 順序の重要性 | モデルに対する情報提示の順番は出力に影響を及ぼすことがあります。それが学習例の提示だとしても、最近の情報に過敏に影響を受ける認知バイアス (recency bias) によって影響します。（訳者追記：プロンプトの末尾にある情報が出力に大きな影響を与えることがある）どの方法が最良かを見極めるために、異なる方法も試してみることをお勧めします。|
-| モデルに「代替案」を用意する | 何らかの理由でタスクを完了できない場合に備えて、モデルが提供できる _代替の回答_ を用意してください。これにより、モデルが誤ったり、捏造した回答を生成する可能性を低減します。 |
+| モデルに「代替案」を用意する | 何らかの理由でタスクを完了できない場合に備えて、モデルが提供できる「_代替の回答_」を用意してください。これにより、モデルが誤ったり、捏造した回答を生成する可能性を低減します。|
 
-すべてのベストプラクティスに共通して、_実際の効果はケース・バイ・ケース_ であることを認識してください。モデルの種類、タスクの内容、専門分野によって結果は変わります。上記の指針を基点に、ご自身にとって何が最も効果的かを見つけるために、試行錯誤を繰り返してください。新しいモデルやツールが登場するたびに、プロセスのスケーラビリティと回答の品質に注目し、プロンプト・エンジニアリングの手法をを継続的に再評価しましょう。
+すべてのベストプラクティスに共通して、「_実際の効果はケース・バイ・ケース_」であることを認識してください。モデルの種類、タスクの内容、専門分野によって結果は変わります。上記の指針を手始めに、ご自身にとって何が最も効果的かを見つけるために、試行錯誤を繰り返してください。新しいモデルやツールが登場するたびに、プロセスのスケーラビリティと回答の品質に注目し、プロンプト・エンジニアリングの手法をを継続的に再評価しましょう。
 
 <!--
 LESSON TEMPLATE: