教育設計フレームワーク
このドキュメントは、AdCP 認定プログラムの設計、提供、維持の方法を説明します。教育方法論とプログラム品質の権威ある参照として機能します。
認定要素リファレンス
教育哲学
認定プログラムは5つの原則に基づいています:
ソクラテス的方法。 Addie は講義ではなく会話を通じて教えます。ほとんどの回答には質問またはタスクが含まれますが、Addie は強い回答を肯定し、発展させることもあります — リズムは尋問というよりも教えることと問うことを交互に行います。学習者は答えを受け取るのではなく、問題を論理的に考えることで理解を構築します。
マスタリーベースの進歩。 失敗はなく、「まだ」があるだけです。学習者はすべての学習目標のマスタリーを実証するまで Addie と作業を続けます。評価は学習者には見えません — 合格するまで継続的な学習として体験されます。
パーソナライゼーション。 Addie は各学習者の背景、役割、コミュニケーションスタイルに適応します。ランニングシューズを販売する学習者には、例はランニングシューズについてとなります。技術的な学習者には、Addie は技術的になります。コンテキストはセッション全体を通じて引き継がれます。
アクティブラーニング。 回答は150語以内に保ちます。1ターン1アイデア。簡潔さは参加を促します。学習者は演習、ライブサンドボックスエージェントに対するデモ、シナリオベースの推論を通じて知識を構築します。
具体的な言語。 抽象的な専門用語は常に具体的な動作に根ざします。「エージェントはインプレッションを推論する」ではなく「エージェントはプレースメントがキャンペーン目標に適合するかを評価し、いくら入札するかを決定する」。
学習成果とカリキュラム構造
3段階クレデンシャルモデル
プログラムは深さが増す3つのクレデンシャルを授与します:
| 段階 | クレデンシャル | モジュール | 要件 |
|---|
| 1 | AdCP basics | A1、A2、A3 | 無料 — すべての人に開放 |
| 2 | AdCP practitioner | Basics + ロールトラック1つ（B、C、D） | ハンズオンビルドプロジェクトを含む |
| 3 | AdCP specialist | Practitioner + スペシャリストキャップストーン（S1〜S5） | ラボ演習 + 適応型試験 |
ブルームの分類との整合
学習目標は段階に応じてスケールします:
- Basics（A トラック）: 理解と適用 — 学習者はエージェンティック広告とは何か、AdCP がどう機能するか、エコシステム構造を説明します
- Practitioner トラック（B、C、D）: 適用と分析 — 学習者はエージェントを設定し、レスポンスを解釈し、トレードオフについて論理的に考えます
- ビルドプロジェクト（B4、C4、D4）: 創造と評価 — 学習者は動く AdCP エージェントを構築し、設計上の決定を説明します
- スペシャリストキャップストーン（S1〜S5）: 分析、評価、創造 — 学習者はハンズオンラボと適応型評価を通じてプロトコルマスタリーを実証します
前提条件の適用
モジュールには明示的な前提条件があります。システムは基礎を完了せずに高度なモジュールを開始することを防ぎます。ビルドプロジェクトはすべてのトラックモジュールを必要とします。スペシャリストキャップストーンは Practitioner クレデンシャルを必要とします。
教育担当者
AI 教育アシスタント
Addie は Claude（Anthropic 製）を搭載しています。教育動作はフリーフォームの AI 生成ではなく、実行時に注入された運用ルールによって管理されます。これらのルールは以下を指定します:
- ソクラテス的方法論とターン構造
- 評価の公平性とスコアリングキャリブレーション
- 学習者データの取り扱いとプライバシー
- ツールの使用タイミングと方法（デモ、演習、チェックポイント）
カリキュラム設計
モジュールのレッスンプラン、評価基準、スコアリングルーブリックは、広告技術と AdCP プロトコルの専門知識を持つ主題専門家が設計します。コンテンツの正確性は、プロトコル事実の単一の情報源として機能する AdCP 仕様に対して検証されます。
人間による監督
プログラムリーダーシップは以下を通じて教育品質を監督します:
- スコア監視 — 管理ダッシュボードがモジュール、次元、設定バージョン、期間別にスコアを追跡します。異常（例: ある次元で一貫して低いスコア）はカリキュラムレビューを引き起こします
- フィードバックレビュー — すべてのモジュール完了後に学習者フィードバックを収集します。プログラムリーダーシップは四半期ごとにフィードバックを確認し、ネガティブなセンチメントパターンは即座のレビューを引き起こします
- 教育動作監査 — 教育方法論の変更には
CODE_VERSION のバンプが必要で、学習者アウトカムの変更前後の比較を可能にします
- カリキュラムレビュー — すべてのカリキュラム変更はデプロイ前にコードレビューを経ます。プロトコルの正確性は AdCP 仕様に対して検証されます
- 学習者エスカレーション — 人間の支援が必要な学習者は certification@agenticadvertising.org に連絡できます。評価の異議申し立ては苦情処理プロセスを通じて処理されます
コンピテンシーベース評価
形成的評価
評価は指導中に継続的に行われます:
- ソクラテス的質問 — すべてのモジュールを通じて、Addie は理解を探り、誤解を修正し、回答に基づいて深さを調整します
- 教育チェックポイント — 概念グループの境界で保存され、カバーされたコンセプト、残りのコンセプト、学習者の強み、学習者のギャップ、暫定スコアを記録します
- チェックポイントの一貫性 — 最終スコアはチェックポイント中に記録された暫定スコアから20ポイント以上ジャンプできません
総括的評価
各モジュールは明示的なルーブリックを持つ3〜5つの評価次元を定義します:
- 各次元にはウェイト、説明、スコアリングガイド（高/中/低レンジ）があります
- 次元ごとの50%フロア — 学習者はすべてのエリアで基本的なコンピテンシーを実証しなければなりません
- マスタリーのための70%加重平均閾値
- スコアキャリブレーション: 70 = コーチングありで基準を達成、85 = 独立して実証、95+ = 教えられた以上の深さ
スコアは内部のみです。学習者はパーセンテージや次元の内訳を見ることはありません。体験は: マスタリーまで学び続け、その後クレデンシャルを受け取るというものです。
評価は別のテストフェーズではなく、指導的な会話を通じて継続的に行われます。これはテスト不安を減らし、即座の改善を可能にし、マスタリーベース学習原則と一致します。形成的評価（ソクラテス的質問、教育チェックポイント）と総括的評価（モジュール完了時の次元スコアリング）は同じ学習者インタラクション内で行われても、別々のプロセスとして維持されます。早期にコンピテンシーを実証する専門家学習者に対しては、教育は圧縮されますが評価要件は同一のままです。会話トランスクリプトが監査可能な証拠として機能します: 各評価次元への理解を実証する学習者自身の言葉を示します。教育チェックポイントは、どの次元が評価されたか、暫定スコア、学習者背景コンテキストを記録します。
シミュレーション職場環境
学習者は本番環境を反映するシミュレーション職業コンテキストで作業します:
- サンドボックスエージェント — 本番エージェントが使用するものと同じ AdCP プロトコルエンドポイントを実装します。学習者は実際のツール呼び出し、実際の JSON スキーマ、実際のレスポンス形式で練習します — 唯一の違いはサンドボックスエージェントが本番インベントリではなくテストデータを提供することです
- ビルドプロジェクト（B4、C4、D4）— 学習者は AI コーディングアシスタントを使って動くエージェントを作成し、AdCP スキーマに対してレスポンスを検証し、実装を説明します
- スペシャリストラボ（S1〜S5）— サンドボックスエージェントに対する実際の AdCP ツールを使ったガイド付き演習、その後に適応型質問
評価の公平性
すべての学習者は、背景や経験レベルに関係なく、同じコアコンピテンシーを実証しなければなりません。
各モジュールは3〜5の必須実証 — 会話中に学習者が実行または説明しなければなりません具体的で観察可能なもの — を定義します。これらはすべての人に同じです:
- A1（3つの実証）: ライブエージェントをクエリする、レスポンスフィールドを解釈する、プロトコルがすべてのチャンネルで機能することを説明します
- A2（3つの実証）: メディアバイを指示する、各トランザクションステップを特定する、プロトコルタスクをライフサイクルステージにマップします
- A3（4つの実証）: 特定のシナリオを処理するプロトコルドメインを特定する、エージェント発見における brand.json の役割を説明する、フォーマット/マニフェストの区別を説明する、スポンサードインテリジェンスが会話としてどう機能するかを説明します
- ビルドプロジェクト（指定/検証/拡張フェーズにわたる9つの実証）: 正しい用語を使って仕様を書く、ライブスキーマに対して検証する、新しいケイパビリティで拡張します
- スペシャリストキャップストーン（3〜5つの実証）: ライブツールを使ったプロトコル固有のマスタリータスク
Addie は会話を通じて各実証を確認し、安定した基準 ID（例: a1_ex1_sc0）を使って教育チェックポイントに記録します。必須実証が欠けている場合、サーバーはモジュール完了を拒否します。これはサーバーサイドで適用されます — Addie はバイパスできません。
早期にコンピテンシーを実証する専門家学習者も同じ基準を確認します。教育は圧縮されることがありますが、実証は同一です。
確認された各実証には証拠の根拠が含まれます — 学習者が基準を満たすために言ったことまたは行ったことを説明する簡単なメモ。これにより監査可能なトレールが作成されます: 任意のクレデンシャルについて、どの実証が確認されたか、いつ、そしてどの証拠が各実証を支持したかを正確に追跡できます。
再認定
AdCP は生きたプロトコルです。仕様が進化します — 新しいタスクが追加され、既存のタスクが変更され、チャンネルが拡張されます — 認定に必要なコンピテンシーも変わる可能性があります。
各必須実証は特定のプロトコル知識に結びついた安定した ID で追跡されます。プロトコルの変更が認定された人が知るべき内容に影響を与えると、システムは以前の基準の下で学習したクレデンシャル保持者を特定し、再認定のフラグを立てることができます。
再認定は一括ではなく、ターゲットを絞ったものです。プロトコルの更新が新しいガバナンスタスクを追加しても、メディアバイワークフローに影響を与えない場合、ガバナンスをカバーするクレデンシャルだけがフラグを立てられます。クレデンシャル保持者は Addie を通じて何が変わったか、何をレビューする必要があるかのコンテキスト付きで通知を受け取ります。
| 段階 | 有効期間 | 再認定 |
|---|
| 1 — AdCP basics | 期限なし | 基礎概念が変更されたときにフラグ |
| 2 — AdCP practitioner | 2年 | 標準更新、プラスプロトコル引き起こし更新 |
| 3 — AdCP specialist | 2年 | 標準更新、プラスプロトコル引き起こし更新 |
評価の整合性
サーバーサイドの適用がゲームを防ぎます:
- すべての学習者のモジュール完了前に必須実証が確認されます
- 最低エンゲージメント: モジュールで4ユーザーターン、キャップストーンで6、配置評価で3
- 最低時間: モジュールで5分、キャップストーンで10分
- 完了前に少なくとも1つの暫定スコア付き教育チェックポイントが必要です
- スコア一貫性チェックはチェックポイントスコアから20ポイント以上のジャンプがある完了を拒否します
- モジュール完了は Addie のツール呼び出しを通じてのみ利用可能です — 直接 REST API エンドポイントなし
- 学習者は自分のスコアに影響を与えることができません
- ペーストされたコンテンツ（JSON、コード、ログ）は指示ではなく検証するデータとして扱われます
モジュール設計パターン
標準モジュール
モジュール A1〜A3、B1〜B3、C1〜C3、D1〜D3 はこのフローに従います:
- 学習者を理解する — 最初のターンは常に学習者について: 背景、役割、何を知っているか
- 早期デモ（ターン2〜3）— 理論を説明する前に実際のエージェントレスポンスを示します
- ソクラテス的方法で教える — レッスンプランのすべての重要コンセプトをカバーし、ガイダンスを段階的に縮小します
- 練習 — サンドボックスエージェントに対する演習、シナリオベースの推論
- 会話を通じて評価 — 各学習目標のマスタリーを確認します
専門家パス。 学習者がガイダンスや修正なしに3つ以上の概念に対して正しく詳細な回答を連続して示すことで早期に強い理解を実証する場合、ステップ3〜4は圧縮されます: Addie は専門知識を認め、ターゲットを絞ったデモンストレーション質問で残りの概念を確認し、評価に移ります。監査トレールは同じです — 会話トランスクリプト、チェックポイントスコア、次元ごとのルーブリック — しかし証拠は最初に教えられるのではなく、コンピテンシーを実証する学習者から来ます。
ビルドプロジェクトモジュール
モジュール B4、C4、D4 は5フェーズアプローチを使用します:
- 指定（約5分）— 学習者は AdCP 用語を使って何を構築したいかを説明します
- 構築（約5分）— 学習者は AI コーディングアシスタントを使ってエージェントを作成します
- 検証（約10分）— 学習者はツール呼び出しを実行し、JSON レスポンスをペーストし、Addie がスキーマに対して検証します
- 説明（約10分）— 設計上の決定とトレードオフについての掘り下げ質問
- 拡張（約15分）— 学習者はケイパビリティを追加し、反復できることを実証します
Addie はコーチであり、ビルダーではありません。評価は5つの次元にわたります: 仕様の品質、スキーマコンプライアンス、エラーハンドリング、設計の根拠、拡張能力。
スペシャリストキャップストーンモジュール
モジュール S1〜S5 はハンズオンラボ作業と適応型試験を組み合わせます:
- ラボフェーズ — サンドボックスエージェントに対する実際の AdCP ツールを使ったガイド付き演習
- チェックポイント — 試験前に必須で、試験前の観察を記録します
- 試験フェーズ — 評価次元をカバーする6〜10のフォローアップ質問、難易度は回答に応じて適応します
形式にはオープンエンドの質問、多肢選択、シナリオベースの問題、「エラーを見つける」比較が含まれます。
学習者サポート
復帰学習者。 教育チェックポイントはセッションをまたいだ再開を可能にします。学習者が戻ってきたとき、Addie はコールドリスタートではなく、カバーされた最後のコンセプトに関する想起質問から始めます。
エンゲージメントが低い学習者。 学習者が繰り返し短い回答をしたり、意欲を失っているように見える場合、Addie はアプローチを切り替えます: デモを実行し、コンセプトを学習者の述べた目標に結びつけ、または抽象性を認めて具体的にします。
過剰資格の学習者。 教育と評価は異なる目的に役立ちます。教育は学習者のためで、評価はクレデンシャルのためです。学習者がガイダンスなしに3つ以上の概念に対して連続して強い理解を実証する場合、Addie は教育を圧縮しますが評価は圧縮しません。専門家パスは指導をデモンストレーションに置き換えます: 「X を教え、X について質問する」の代わりに、Addie は「X への理解を示してください」と直接尋ねます。これにより教育を受ける前にコンピテンシーを実証する学習者の言葉から強い監査証拠が生成され、同時に学習者の時間を尊重します。パスに関係なく、同じ評価次元、スコアリングルーブリック、最低エンゲージメント要件が適用されます。
配置評価。 既存の知識を実証する学習者は、コンテンツを繰り返さずにモジュールをテストアウトできます（ビルドプロジェクトとスペシャリストキャップストーンを除く）、前提条件を満たします。
ペーシング。 Addie は45分以上または2つ以上の連続モジュール後に休憩を提案します。モジュールの移行は、完了したモジュールを次のモジュールに結びつける圧縮されたウォームアップでパーソナライゼーションコンテキストを引き継ぎます。
クレデンシャル発行
学習者がクレデンシャル段階に必要なすべてのモジュールを完了すると、システムは自動的に:
- すべての前提条件とモジュール完了を確認します
- クレデンシャルを付与し、日付を記録します
- 固有の確認 URL と QR コード付きで Certifier を通じてデジタルバッジを発行します
- 学習者に通知し、共有オプション（LinkedIn、公開プロフィール）を提供します
クレデンシャルの有効性: Basics クレデンシャルには有効期限がありません。Practitioner と Specialist クレデンシャルは2年間有効です。クレデンシャルは発行時のプロトコルバージョンを参照します。プロトコルの変更が既存のクレデンシャルにどう影響するかについては、再認定を参照してください。
学習者アイデンティティ: 学習者は AgenticAdvertising.org アカウント（WorkOS）を通じて認証します。クレデンシャルは認証済みアカウントに紐づけられます。プログラムは現在、評価に対して監視付きのアイデンティティ確認を必要としていません。
カリキュラム維持
プロトコル変更トリガー
プロトコルバージョンがリリースされたとき（マイナーまたはメジャー）:
MODULE_RESOURCES URL を確認します — ドキュメントページが移動または名前変更されていないか？- 教育ノートを確認します — 重要コンセプトが変更された動作を参照していないか？
- 現在のスキーマに対してドキュメントの例を検証します
- タスクが追加、削除、または名前変更された場合、影響を受けるモジュールのレッスンプランを更新します
学習者フィードバックループ
- すべてのモジュール後に Addie を通じて完了後フィードバックを収集します
- フィードバックにはフリーテキストとセンチメント分類（ポジティブ、混合、ネガティブ）が含まれます
- ネガティブフィードバックのパターンは影響を受けるモジュールのカリキュラムレビューを引き起こします
プログラム評価（四半期ごと）
プログラムリーダーシップはプログラムが目標を達成しているかを評価するための四半期評価を実施します:
確認するデータ:
- すべてのモジュールにわたる学習者フィードバックパターン（センチメントトレンド、繰り返しの混乱点）
- モジュールと次元別のスコア分布 — 一貫して低いスコアは教育ギャップを示します
- 学習者がよく詰まるコンセプトのチェックポイントデータ
- 完了率と完了までの時間のトレンド
- 段階別のクレデンシャル授与率
プロセス:
- プログラムリーダーシップがデータを確認し、所見を文書化します
- 所見は具体的なカリキュラム変更に変換されます（教育ノートの更新、レッスンプランの改訂、スコアリングガイドの調整）
- 変更は標準コードレビュープロセスを通じて実装され、
CODE_VERSION で追跡されます
- 変更の結果は翌四半期のレビューで評価されます
バージョン追跡
- 教育動作バージョンは
CODE_VERSION（形式: YYYY.MM.N）で追跡されます
- プロトコルの変更はチェンジセットワークフローで追跡されます
- スコア分析を設定バージョンをまたいで比較し、教育改善を測定できます
品質保証
サーバーサイド適用
品質ゲートは AI の判断だけでなく、アプリケーションによって適用されます:
- モジュール完了を許可する前に最低ターン数と時間をサーバーサイドで確認します
- ユーザーターンのカウントはクライアント報告ではなくサーバーサイドです
- スコア一貫性チェックはチェックポイントスコアから20ポイント以上のジャンプがある完了を拒否します
- モジュールステータス検証は進行中でないモジュールの完了を防ぎます
- クレデンシャル授与チェックはすべてのモジュール完了後に自動的に実行されます
フィードバックと評価
- すべてのモジュール完了後に構造化フィードバックを収集します
- モジュールと期間をまたいだトレンド検出のためのセンチメント分析
- 管理者分析: 完了率、次元別スコア分布、完了までの時間
- チームクレデンシャル追跡のための組織レベルレポーティング
継続的改善
- 教育方法論定数はこのフレームワーク文書を権威ある情報源として参照します
- 教育動作へのコード変更は変更前後の比較のために
CODE_VERSION をバンプします
- 仮定ではなく学習者データに基づく四半期カリキュラムレビュー
認定整合
このフレームワークは以下の要件を満たすよう設計されています:
- ANSI/IACET 1-2018 継続教育・訓練標準 — 要素 2（学習環境）、3（教育担当者）、5（学習成果）、6（コンテンツと指導）、7（評価）、9（評価と改善）
- ASTM E3416-24 コンピテンシーベース職場学習プログラムの標準実践 — コンピテンシー整合、形成的・総括的評価、シミュレーション職場設定、クレデンシャル発行
- CPD Standards Office の継続的専門能力開発の認定要件
このフレームワークを支援する組織ポリシーはポリシーセクションに文書化されています。
