Κέρδη:
- Δυνατότητα διαμόρφωσης του πλαισίου ανάλυσης αναγκών, της λογικής του προγράμματος και του σχεδίου εφαρμογής χρηματοδότησης με τεχνητή νοημοσύνη
- Γνωρίζοντας ότι το πρόγραμμα γεννιέται από το πεδίο και είναι σε θέση να εφαρμόσει την πειθαρχία της τοποθέτησης κάθε στατιστικού και ποσού με πραγματικά δεδομένα και τη σήμανση με ένα φτιαγμένο νούμερο [ΑΠΑΙΤΟΥΜΕΝΑ ΔΕΔΟΜΕΝΑ].
- Επιδείξτε την ικανότητα να τηρείτε τις υποσχέσεις σας ρεαλιστικές και βιώσιμες και να χρησιμοποιείτε γλώσσα που δεν στιγματίζει και δεν ενδυναμώνει την ομάδα-στόχο.
Η κοινωνική εργασία δεν είναι μόνο ατομική μελέτη περίπτωσης. Αφορά επίσης το σχεδιασμό, την εκτέλεση και την εύρεση πόρων για προγράμματα και έργα που καλύπτουν τις ανάγκες των κοινοτήτων. Ένα πρόγραμμα στήριξης της απασχόλησης των γυναικών σε μια γειτονιά, ένα σχέδιο υποστήριξης της εκπαίδευσης για μειονεκτούντα παιδιά, ένα κέντρο κοινωνικοποίησης για ηλικιωμένους, μια εκστρατεία ευαισθητοποίησης για την καταπολέμηση του εθισμού. Αυτά τα έργα? Απαιτεί ανάλυση αναγκών, καθορισμό στόχων, σχέδιο δραστηριοτήτων, προϋπολογισμό, παρακολούθηση-αξιολόγηση και συχνά αίτηση ταμείου (αίτηση που ζητά πόρους σε αντάλλαγμα για το έργο). Σε αυτή την ενότητα, θα μάθετε πώς να χρησιμοποιείτε την τεχνητή νοημοσύνη ως συνεργάτη σκέψης και γραφής από το στάδιο της ιδέας του προγράμματος έως το προσχέδιο της εφαρμογής, ποια δεδομένα πρέπει να είναι πραγματικά και ηθικά όρια.
Μια αρχή από την αρχή: Το πρόγραμμα αναδύεται από το πεδίο. όχι από το τραπέζι. Αυτό που κάνει ένα πρόγραμμα πραγματικά πολύτιμο είναι ότι βασίζεται στην πραγματική ανάγκη μιας πραγματικής κοινότητας. Η τεχνητή νοημοσύνη μπορεί να παράγει ένα ευχάριστο κείμενο «ανάλυσης αναγκών», αλλά δεν γνωρίζει το πεδίο. Χρησιμοποιώντας τα στατιστικά στοιχεία, τις ανάγκες και τις αιτιολογήσεις που παρέχει χωρίς να τα επαληθεύσετε με πραγματικά δεδομένα και τις γνώσεις σας στον τομέα παράγουν ένα πρόγραμμα που είναι καλό στα χαρτιά αλλά ξένο στην πραγματικότητα. Η τεχνητή νοημοσύνη ενισχύει τη δομή και τη γλώσσα. Εξασφαλίζετε την αυθεντικότητα του περιεχομένου.
Σε ποιο σημείο του κύκλου του προγράμματος είναι χρήσιμη η τεχνητή νοημοσύνη;
1. Πλαίσιο ανάλυσης αναγκών. Πλαισιώνει ποια δεδομένα, ποια ενδιαφερόμενα μέρη και ποιες ερωτήσεις χρειάζονται για τη συστηματική εξέταση μιας ανάγκης. Βάζεις όμως τους αριθμούς και τα ευρήματα από πραγματικές πηγές.
2. Λογική προγράμματος (θεωρία αλλαγής). Βοηθά στον καθορισμό της αλυσίδας (λογική παρέμβασης) του "Αυτή η δραστηριότητα παράγει αυτό το αποτέλεσμα, αυτό το αποτέλεσμα, αυτό το αποτέλεσμα". Κάνει ορατά κενά και αδύναμες υποθέσεις.
3. Δραστηριότητα και χρονοδιάγραμμα. Παράγει ένα πλαίσιο που πηγαίνει από στόχους σε δραστηριότητες, από δραστηριότητες σε ημερολόγιο.
4. Σχέδιο αίτησης χρηματοδότησης. Ένας ισχυρός συνεργάτης γραφής για τη συμπλήρωση των ενοτήτων μιας αίτησης (σύνοψη, σκεπτικό, στόχοι, δραστηριότητες, σκεπτικό προϋπολογισμού, παρακολούθηση-αξιολόγηση, βιωσιμότητα) — επαληθεύετε τα δεδομένα και την πραγματικότητα.
5. Δείκτες παρακολούθησης-αξιολόγησης. Προτείνει μετρήσιμους δείκτες για τη μέτρηση της επιτυχίας του προγράμματος.
Συμβουλή: Όταν έχετε την τεχνητή νοημοσύνη να συντάξει μια εφαρμογή, πείτε της να "δημιουργήσει στατιστικά στοιχεία ή πηγές, αντικαταστήστε αριθμούς με [ΑΠΑΙΤΟΥΜΕΝΑ ΔΕΔΟΜΕΝΑ]". Ένα κατασκευασμένο στατιστικό στοιχείο στις αιτήσεις κεφαλαίων θα απορρίψει την αίτηση και θα βλάψει την αξιοπιστία του ιδρύματός σας. Συμπληρώνεις το κενό με πραγματικά στοιχεία.
Η βιωσιμότητα του προγράμματος είναι μία από τις διαστάσεις που συχνά παραμελείται, αλλά είναι από αυτές που εξετάζουν περισσότερο οι χρηματοδότες. Ποια θα είναι τα οφέλη όταν ολοκληρωθεί ένα έργο, πώς θα συνεχιστεί η υπηρεσία, πώς η κοινότητα θα δημιουργήσει τη δική της ικανότητα — όλα αυτά αποτελούν μέρος του καλού σχεδιασμού. Η τεχνητή νοημοσύνη μπορεί να είναι διορατική στη δημιουργία σεναρίων βιωσιμότητας («όταν εξαντληθεί η χρηματοδότηση, αυτός ο ενδιαφερόμενος αναλαμβάνει», «δημιουργείται εθελοντική ικανότητα», «συντάσσεται πρωτόκολλο με την τοπική κυβέρνηση»). Αλλά μόνο εσείς, με τις γνώσεις σας στον τομέα, μπορείτε να αξιολογήσετε εάν αυτά τα σενάρια είναι πραγματικά δυνατά και ποιος ενδιαφερόμενος έκανε πραγματικά την υπόσχεση. Μια «καλή» υπόσχεση βιωσιμότητας που παράγεται από την τεχνητή νοημοσύνη, εάν δεν υπάρχει πραγματική δέσμευση πίσω από αυτήν, θέτει έναν οργανισμό σε μια υπόσχεση που δεν μπορεί να εκπληρώσει στο μέλλον.
Προσοχή: Κάθε δέσμευση που αναλαμβάνετε σε μια αίτηση χρηματοδότησης είναι μια σύμβαση. Η τεχνητή νοημοσύνη μπορεί να προτείνει υπερβολικούς στόχους, μη εφικτούς αριθμούς δικαιούχων ή μη ρεαλιστικά αποτελέσματα «για να αυξηθούν οι πιθανότητες επιτυχίας». Ακόμη και αν μια τέτοια αίτηση γίνει αποδεκτή, η αποτυχία επίτευξης στόχων κατά την περίοδο αναφοράς καταστρέφει την αξιοπιστία του ιδρύματος και τις πιθανότητες για μελλοντική χρηματοδότηση. Είναι πάντα καλύτερο να υπόσχεσαι λιγότερα και να κάνεις περισσότερα από το να υπόσχεσαι πάρα πολλά και να αποτυγχάνεις να πραγματοποιήσεις.
Βήμα προς βήμα: από την ιδέα στην εφαρμογή
- Συλλέξτε ότι χρειάζεστε από το χωράφι. Ξεκινήστε με πραγματικά δεδομένα (δεδομένα δικών σας περιπτώσεων, επίσημα στατιστικά στοιχεία, απόψεις ενδιαφερομένων). Όχι με AI.
- Κατασκευάστε το πλαίσιο με AI. Ζητήστε από την AI ανάλυση απαιτήσεων και τον σκελετό της λογικής του προγράμματος. τοποθετήστε τα πραγματικά σας δεδομένα σε αυτόν τον σκελετό.
- Σχεδιάστε τη δραστηριότητα και το σκεπτικό του προϋπολογισμού. Η τεχνητή νοημοσύνη μπορεί να περιγράψει την αλυσίδα δραστηριότητας-εκροών-αποτέλεσμα και τη λογική των στοιχείων του προϋπολογισμού. Εσείς καθορίζετε τα ποσά.
- Ενισχύστε τη γλώσσα εφαρμογής. Χρησιμοποιήστε AI για σαφές και πειστικό αντίγραφο που ταιριάζει με τη γλώσσα και τις προτεραιότητες του χρηματοδότη. Αποφύγετε όμως τις υπερβολές και τις ψεύτικες υποσχέσεις.
- Έλεγχος γνησιότητας και δεοντολογίας. Υπάρχει πηγή για κάθε αριθμό; Είναι ρεαλιστικές οι υποσχέσεις; Το πρόγραμμα εγκυμονεί κίνδυνο να βλάψει ή να στιγματίσει μια ομάδα; Εκτελείτε αυτόν τον έλεγχο.
τρεις μίνι θήκες
Περίπτωση 1 — Το πλαίσιο εξοικονόμησε χρόνο. Ένας σύλλογος ετοίμαζε αίτηση για σχέδιο υποστήριξης παιδιών σε μια μειονεκτική γειτονιά. Το πλαίσιο ανάλυσης αναγκών που ζήτησαν από την τεχνητή νοημοσύνη μου θύμισε τα δύο ενδιαφερόμενα μέρη που έχασε η ομάδα (σχολικούς συμβούλους και διευθυντή). Η ομάδα συνέλεξε πραγματικά δεδομένα από αυτά τα ενδιαφερόμενα μέρη. Η αίτηση βασίστηκε σε πολύ ισχυρότερη αιτιολόγηση. Περίπου 2 ημέρες εργασίας διαμόρφωσης μειώθηκαν σε μισή ημέρα.
Περίπτωση 2 — Ψεύτικα στατιστικά στοιχεία. Ο YZ συμπεριέλαβε μια εντυπωσιακή πρόταση σε ένα προσχέδιο αίτησης: "70% των παιδιών σε αυτή τη γειτονιά εγκαταλείπουν το σχολείο." Η ομάδα ρώτησε σχετικά με την πηγή αυτού του αριθμού. Ο YZ δεν μπόρεσε να αναφέρει πηγή, ο αριθμός ήταν κατασκευασμένος. Όταν διερευνήθηκαν τα πραγματικά δεδομένα, η αναλογία ήταν πολύ διαφορετική. Εάν αποστέλλονταν με κατασκευασμένα στατιστικά στοιχεία, η αίτηση θα απορρίπτονταν και θα έχανε την αξιοπιστία της.
Περίπτωση 3 — Αναγνωρισμένος ηθικός κίνδυνος. Το προσχέδιο της τεχνητής νοημοσύνης ενός προγράμματος περιέγραψε την ομάδα στόχο ως «προβληματικές οικογένειες» και τις απεικόνιζε ως παθητικά «αντικείμενα βοήθειας». Η ομάδα συνειδητοποίησε αυτό: η γλώσσα ήταν στιγματιστική και αντίθετη με την αρχή του προγράμματος για ενδυνάμωση. Το κείμενο μεταφράστηκε σε μια γλώσσα που έκανε την κοινότητα υποκείμενο και συνεργάτη. Αυτό βελτίωσε τόσο την ηθική όσο και την ποιότητα της εφαρμογής.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Πλαίσιο ανάλυσης αναγκών:
Ο ρόλος σας: σύμβουλος σχεδιασμού κοινωνικών προγραμμάτων. Προετοιμάστε το πλαίσιο για μια ανάλυση αναγκών σχετικά με [εκπαιδευτική υποστήριξη για μειονεκτούντα παιδιά στη γειτονιά]: ποια δεδομένα πρέπει να συλλέξω, από ποιους ενδιαφερόμενους πρέπει να πάρω συνέντευξη, ποιες ερωτήσεις πρέπει να κάνω; Στατιστικά στοιχεία ή ευρήματα FAKE? Γράψτε [ΑΠΑΙΤΟΥΜΕΝΑ ΔΕΔΟΜΕΝΑ] όπου απαιτούνται αριθμοί.
2) Λογική προγράμματος (θεωρία αλλαγής):
Δημιουργήστε μια λογική αλυσίδα παρέμβασης για την ακόλουθη ιδέα προγράμματος: Δραστηριότητες → Έξοδοι → Αποτελέσματα → Αντίκτυπος. Καταγράψτε τις υποθέσεις κάτω από κάθε βήμα και σημειώστε τις αδύναμες/επικίνδυνες υποθέσεις. Ιδέα: [γράψτε την ιδέα προγράμματος]. Μην υπόσχεστε μη ρεαλιστικά αποτελέσματα.
3) Σχέδιο αίτησης ταμείου:
Ο ρόλος σας: συντάκτης αναφοράς. Γράψτε προσχέδια για τις ακόλουθες ενότητες: περίληψη, σκεπτικό, στόχοι (SMART), δραστηριότητες, δείκτες παρακολούθησης-αξιολόγησης, βιωσιμότητα. Στατιστικά στοιχεία και ποσό FITTING;Χρησιμοποιήστε σύμβολα κράτησης θέσης [ΑΠΑΙΤΟΥΜΕΝΑ ΔΕΔΟΜΕΝΑ] / [ΑΠΑΙΤΟΥΜΕΝΟ ΠΟΣΟ]. Μην υπερβάλλετε. Γράψε ρεαλιστικά και καθαρά. Πληροφορίες προγράμματος: [παρέχετε πληροφορίες]
4) Δεοντολογία και γλωσσικός έλεγχος:
Εξετάστε το παρακάτω κείμενο του προγράμματος: στιγματίζει την ομάδα-στόχο, την απεικονίζει ως παθητικά «αντικείμενα βοήθειας», υπάρχει γλώσσα που παραβιάζει την αρχή της ενδυνάμωσης και της συμμετοχής; Επισημάνετε προβληματικές δηλώσεις και προτείνετε εναλλακτικές με σεβασμό που απασχολούν την κοινότητα. Κείμενο: [επικόλληση κειμένου]
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Γράψτε μια αίτηση έργου για μειονεκτούντα παιδιά και συμπεριλάβετε εντυπωσιακά στατιστικά στοιχεία στην αιτιολόγησή σας.
Λέγοντας «βάλε εντυπωσιακά στατιστικά» είναι μια πρόσκληση για την τεχνητή νοημοσύνη να συνθέσει αριθμούς. Το αποτέλεσμα είναι ένα εντυπωσιακό αλλά χωρίς πηγή κείμενο που θα κάνει την αίτηση να απορριφθεί και θα υπονομεύσει την εμπιστοσύνη.
Ισχυρή προτροπή:
Ο ρόλος σας: συντάκτης αναφοράς. Γράψτε ένα σχέδιο αίτησης έργου με βάση τα ΠΡΑΓΜΑΤΙΚΑ δεδομένα μου και τις γνώσεις πεδίου παρακάτω. Πρόσθετα στατιστικά στοιχεία FITTING; Γράψτε [ΑΠΑΙΤΟΥΜΕΝΑ ΔΕΔΟΜΕΝΑ] όπου απαιτείται ο αριθμός που δεν έδωσα. Κρατήστε τους στόχους SMART και τις υποσχέσεις ρεαλιστικούς. Ορίστε την κοινότητα ως συμμετοχικό υποκείμενο, όχι ως παθητικό υποκείμενο. Τα δεδομένα μου: [επικόλληση πραγματικών δεδομένων]
Η διαφορά: λέγοντας «χρησιμοποιήστε τα δεδομένα που σας έδωσα, σημειώστε τα υπόλοιπα» αντί για «βάλε στατιστικά» κάνει την εφαρμογή και ειλικρινή και ισχυρή.
AI και άνθρωπος στον κύκλο του προγράμματος
Σκηνή
Συνεισφορά του AI
δουλειά του ανθρώπου
Ανάλυση αναγκών
πλαίσιο, ερωτήσεις
Πραγματικά δεδομένα, πεδίο
Λογική προγράμματος
αλυσίδα + υπόθεση
Κρίση ρεαλισμού
Σχέδιο δραστηριοτήτων
σχέδιο ημερολογίου
Εφαρμογή
Προϋπολογισμός
λογική στυλό
Πραγματικά ποσά
Συγγραφή εφαρμογών
γλώσσα, δομή
ειλικρίνεια, ειλικρίνεια
Παρακολούθηση-αξιολόγηση
Σύσταση δείκτη
Σημασία, μέτρηση
Ηθική
Έλεγχος γλώσσας
Απόφαση για ζημιά/στίγμα
Συνήθη λάθη
- Εμπιστευόμαστε τα στατιστικά στοιχεία της AI. Φτιάχνει τους αριθμούς. βάλτε όλα τα δεδομένα από πραγματική πηγή.
- Σχεδιασμός προγράμματος από τον πίνακα. Το πρόγραμμα προκύπτει από το πεδίο. Το AI δεν γνωρίζει το πεδίο.
- Υπερβολική υπόσχεση. Τα αποτελέσματα που δεν θα πραγματοποιηθούν καταστρέφουν την εφαρμογή και την εμπιστοσύνη. Να είστε ρεαλιστές.
- Στιγματιστική γλώσσα. Ορίστε την ομάδα στόχο ως συμμετέχοντα υποκείμενο, όχι ως παθητικό «αντικείμενο».
- Παράκαμψη παρακολούθησης-αξιολόγησης. Δεν είναι δυνατή η διαχείριση ενός προγράμματος που δεν μπορεί να μετρηθεί. βάλε τους δείκτες από την αρχή.
Συνοπτικά
Ο σχεδιασμός προγραμμάτων και έργων είναι η δύναμη της κοινωνικής εργασίας σε κοινοτικό επίπεδο. Εδώ, η τεχνητή νοημοσύνη εξοικονομεί πραγματικό χρόνο με το πλαίσιο ανάλυσης αναγκών, τη λογική του προγράμματος, το σχέδιο δραστηριοτήτων, το σχέδιο αίτησης χρηματοδότησης και την πρόταση δεικτών. Αλλά το πρόγραμμα γεννιέται από το πεδίο: βάζεις τα στατιστικά στοιχεία, τις ανάγκες και τα ποσά με πραγματικά δεδομένα, κρατάς τις υποσχέσεις ρεαλιστικές και κάνεις τη γλώσσα να συνάδει με την αρχή της ενδυνάμωσης χωρίς στιγματισμό. Η τεχνητή νοημοσύνη ενισχύει τη δομή και τη γλώσσα. Εξασφαλίζετε την αυθεντικότητα και την ηθική.
Εργασία εφαρμογής
Επιλέξτε μια ιδέα προγράμματος, πραγματική ή φανταστική, αλλά ρεαλιστική. Εξάγετε τα δεδομένα και τα ενδιαφερόμενα μέρη που πρέπει να συλλέξετε με το πρότυπο «πλαίσιο ανάλυσης αναγκών». Στη συνέχεια, τραβήξτε ένα προσχέδιο με το πρότυπο «πρόχειρο αίτησης χρηματοδότησης» και ελέγξτε εάν η τεχνητή νοημοσύνη δημιουργεί στατιστικά στοιχεία, χρησιμοποιώντας σωστά τα σύμβολα κράτησης θέσης [ΑΠΑΙΤΟΥΜΕΝΑ ΔΕΔΟΜΕΝΑ]. Τέλος, εφαρμόστε το πρότυπο «έλεγχος δεοντολογίας και γλώσσας».
λίστα ελέγχου
- [ ] Στήριξα την ανάγκη σε πραγματικά δεδομένα και γνώσεις πεδίου.
- [ ] Έχω επαληθεύσει/σημαδέψει κάθε στατιστικό στοιχείο που παράγει το AI από την πραγματική πηγή.
- [ ] Κράτησα τις υποσχέσεις και τους στόχους ρεαλιστικούς και μετρήσιμους.
- [ ] Χρησιμοποίησα γλώσσα που δεν στιγματίζει την ομάδα-στόχο, αλλά την ενδυναμώνει.
- [ ] Σχεδίασα από την αρχή τους δείκτες παρακολούθησης-αξιολόγησης.