רווחים:
- יכולת להגדיר את מסגרת ניתוח הצרכים, היגיון תוכנית וטיוטת יישום מימון עם בינה מלאכותית
- לדעת שהתוכנית נולדה מהשטח ולהיות מסוגל ליישם את הדיסציפלינה של הצבת כל נתון וכמות עם נתונים אמיתיים ולסמן אותו בנתון מורכב [DATA REQUIRED].
- להפגין יכולת לקיים הבטחות מציאותיות ובר קיימא ולהשתמש בשפה שאינה מטילה סטיגמה ומעצימה את קבוצת היעד.
עבודה סוציאלית היא לא רק מחקר מקרה אחד על אחד; זה גם על עיצוב, ביצוע ומציאת משאבים עבור תוכניות ופרויקטים העונים על הצרכים של קהילות. תכנית תומכת בתעסוקת נשים בשכונה, פרויקט תמיכה בחינוך לילדים מוחלשים, מרכז סוציאליזציה לקשישים, קמפיין מודעות למאבק בהתמכרות. עבודות אלו; זה דורש ניתוח צרכים, קביעת יעדים, תוכנית פעילות, תקציב, ניטור-הערכה ולעיתים פנייה לקרן (בקשה המבקשת משאבים בתמורה לפרויקט). ביחידה זו תלמדו כיצד להשתמש בבינה מלאכותית כשותף לחשיבה ולכתיבה משלב רעיון התוכנית ועד לטיוטת האפליקציה, אילו נתונים צריכים להיות אמיתיים וגבולות אתיים.
עיקרון מההתחלה: התכנית יוצאת מהשטח; לא מהשולחן. מה שהופך תוכנית לבעלת ערך באמת הוא שהיא מבוססת על הצורך האמיתי של קהילה אמיתית. בינה מלאכותית יכולה לייצר טקסט "ניתוח צרכים" שוטף, אבל היא לא מכירה את התחום; שימוש בסטטיסטיקה, הצרכים וההצדקות שהוא מספק מבלי לאמת זאת עם נתונים אמיתיים והידע שלך בתחום מייצר תוכנית טובה על הנייר אך זרה למציאות. AI משפר את המבנה והשפה; אתה מבטיח את האותנטיות של התוכן.
היכן במחזור התוכנית AI מועיל?
1. מסגרת ניתוח צרכים. הוא ממסגר אילו נתונים, אילו מחזיקי עניין, ואילו שאלות נדרשות כדי לבחון באופן שיטתי צורך. אבל אתה מביא את המספרים והממצאים ממקורות אמיתיים.
2. לוגיקה תוכנית (תורת השינוי). זה עוזר לבסס את השרשרת (לוגיקת ההתערבות) של "פעילות זו מייצרת את התפוקה הזו, התוצאה הזו, האפקט הזה"; זה הופך פערים והנחות חלשות לגלויות.
3. תכנית פעילות וזמן. הוא מייצר מסגרת שעוברת מיעדים לפעילויות, מפעילויות ללוח שנה.
4. טיוטת בקשת מימון. שותף חזק לכתיבה למילוי חלקי טופס בקשה (סיכום, רציונל, יעדים, פעילויות, רציונל תקציבי, ניטור-הערכה, קיימות) - אתה מאמת את הנתונים והמציאות.
5. מדדי ניטור-הערכה. הוא מציע אינדיקטורים מדידים למדידת הצלחת התוכנית.
טיפ: כאשר יש לך טיוטת הבינה המלאכותית של יישום, אמור לו "ליצור נתונים סטטיסטיים או מקורות; החלף מספרים ב-[נתונים נדרשים]." נתון מפוברק בבקשות לקרן גם ידחה את הבקשה וגם יפגע באמינות המוסד שלך. אתה ממלא את החסר בנתונים אמיתיים.
קיימות התוכנית היא אחד הממדים שלעיתים קרובות מוזנחים אך הוא אחד שמממנים מסתכלים עליו ביותר. מה יהיו היתרונות כשפרויקט יסתיים, איך השירות ימשיך, איך הקהילה תבנה את היכולת שלה - כל אלה הם חלק מתכנון טוב. בינה מלאכותית יכולה להוות תובנה ביצירת תרחישי קיימות ("כאשר המימון נגמר, בעל העניין הזה משתלט", "מתבססת יכולת התנדבות", "נעשה פרוטוקול עם הממשל המקומי"); אבל רק אתה, עם הידע שלך בתחום, יכול להעריך אם התרחישים האלה באמת אפשריים ואיזה בעל עניין באמת הבטיח. הבטחת קיימות "נשמעת טוב" שהופקה על ידי AI, אם אין מחויבות אמיתית מאחוריה, מעמידה ארגון בהבטחה שהוא לא יכול לקיים בעתיד.
שימו לב: כל התחייבות שתתחייב בבקשת מימון היא חוזה. AI עשוי להציע יעדים מוגזמים, מספרים בלתי ניתנים להשגה של מוטבים או תוצאות לא מציאותיות "כדי להגדיל את סיכויי ההצלחה". גם אם בקשה כזו תתקבל, אי השגת יעדים בתקופת הדיווח הורסת את אמינות המוסד ואת סיכוייו למימון עתידי. תמיד עדיף להבטיח פחות ולעשות יותר מאשר להבטיח יותר מדי ולא לעמוד.
שלב אחר שלב: מרעיון ליישום
- אסוף מה שאתה צריך מהשטח. התחל עם נתונים אמיתיים (נתוני מקרה משלך, סטטיסטיקה רשמית, דעות של בעלי עניין); לא עם AI.
- בנה את המסגרת עם AI. בקש מבינה מלאכותית לניתוח דרישות ושלד של הגיון התוכנית; שים את הנתונים האמיתיים שלך בשלד הזה.
- נסח את נימוק הפעילות והתקציב. בינה מלאכותית יכולה לשרטט את שרשרת הפעילות-תפוקה-תוצאות ואת ההיגיון של סעיפי תקציב; אתה קובע את הסכומים.
- חיזוק שפת היישום. השתמש ב-AI עבור עותק ברור ומשכנע התואם את השפה והעדיפויות של המממן; אבל הימנעו מהגזמות והבטחות שווא.
- ביקורת אותנטיות ואתיקה. האם יש מקור לכל מספר? האם ההבטחות ריאליות? האם התוכנית מהווה סיכון לפגיעה או סטיגמה של קבוצה? אתה מבצע את השליטה הזו.
שלושה מיני תיקים
מקרה 1 - המסגרת חסכה זמן. עמותה הכינה בקשה לפרויקט מזונות ילדים בשכונה מוחלשת. מסגרת ניתוח הצרכים שהם ביקשו מ-AI הזכירה לי את שני בעלי העניין שהצוות החמיץ (יועצי בית ספר ומנהל). הצוות אסף נתונים אמיתיים מבעלי עניין אלה; הבקשה התבססה על נימוק הרבה יותר חזק. כיומיים של עבודת תצורה צומצמו לחצי יום.
מקרה 2 - נתפסו סטטיסטיקות מזויפות. י.ז כללה משפט בולט בטיוטת בקשה: "70% מהילדים בשכונה זו נושרים מבית הספר". הצוות שאל על מקור הנתון הזה; YZ לא יכול היה לצטט מקור, הנתון הומצא. כאשר נחקרו נתונים בפועל, היחס היה שונה מאוד. אם זה היה נשלח עם סטטיסטיקה מפוברקת, הבקשה תידחה ותאבד מאמינות.
מקרה 3 - סיכון אתי מוכר. טיוטת הבינה המלאכותית של תוכנית אחת תיארה את קבוצת היעד כ"משפחות בעייתיות" והציגה אותן כ"אובייקטי סיוע פסיביים". הצוות הבין זאת: השפה הייתה סטיגמטית ומנוגדת לעקרון ההעצמה של התוכנית. הטקסט תורגם לשפה שהפכה את הקהילה לנושא ושותפה. זה שיפר הן את האתיקה והן את איכות היישום.
ארבע תבניות הניתנות להעתקה
1) מסגרת לניתוח צרכים:
תפקידך: יועץ לעיצוב תכניות חברתיות. הכן את המסגרת לניתוח צרכים בנושא [תמיכה חינוכית לילדים מוחלשים בשכונה]: אילו נתונים עלי לאסוף, אילו מחזיקי עניין עלי לראיין, אילו שאלות עלי לשאול? נתונים סטטיסטיים או ממצאים מזויפים; כתוב [DATA REQUIRED] היכן שנדרשים מספרים.
2) לוגיקה של התוכנית (תיאוריית השינוי):
צור שרשרת לוגית התערבות לרעיון התוכנית הבא: פעילויות ← תפוקות ← תוצאות ← השפעה. רשום את ההנחות מתחת לכל שלב וסמן הנחות חלשות/מסוכנות. רעיון: [כתוב רעיון לתוכנית]. אל תבטיח תוצאות לא מציאותיות.
3) טיוטת בקשה לקרן:
תפקידך: עורך עיון. כתוב טיוטות עבור הסעיפים הבאים: סיכום, רציונל, יעדים (SMART), פעילויות, מדדי ניטור-הערכה, קיימות. נתונים סטטיסטיים וכמות מתאימים; השתמש במצייני מקום [DATA REQUIRED] / [AMOUNT REQUIRED]. אל תגזים; כתוב בצורה מציאותית וברורה. מידע על התוכנית: [ספק מידע]
4) אתיקה ושליטה בשפה:
בחנו את טקסט התכנית להלן: האם היא מטילה סטיגמה על קבוצת היעד, האם היא מציגה אותם כ"מושאי סיוע" פסיביים, האם יש שפה הפוגעת בעקרון ההעצמה וההשתתפות? סמן הצהרות בעייתיות והצע חלופות מכבדות המעסיקות את הקהילה. טקסט: [הדבק טקסט]
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
כתבו בקשה לפרויקט לילדים מוחלשים ושלבו בהצדקה סטטיסטיקות מרשימות.
אמירת "הכנס סטטיסטיקה מרשימה" היא הזמנה לבינה מלאכותית להמציא מספרים. התוצאה היא טקסט בולט אך ללא מקור שיגרום לדחיית הבקשה ולערער את האמון.
הנחיה עוצמתית:
תפקידך: עורך עיון. כתוב טיוטת בקשה לפרויקט המבוססת על הנתונים האמיתיים והידע שלי בשטח למטה. סטטיסטיקה נוספת FITTING; כתוב [DATA REQUIRED] היכן שנדרש המספר שלא נתתי. שמור על המטרות SMART והבטחות מציאותיות. הגדירו את הקהילה כסובייקט משתף, לא כסובייקט פסיבי. הנתונים שלי: [הדבק נתונים בפועל]
ההבדל: אמירת "השתמש בנתונים שנתתי לך, סמן את השאר" במקום "שים סטטיסטיקה" הופכת את האפליקציה לכנה וחזקה כאחד.
AI ואדם במחזור התוכנית
במה
תרומה של AI
עבודתו של אדם
צריך ניתוח
מסגרת, שאלות
נתונים אמיתיים, שדה
היגיון תוכנית
שרשרת + הנחה
שיפוט של ריאליזם
תוכנית פעילות
טיוטת לוח שנה
ישימות
תקציב
היגיון עט
סכומים בפועל
כתיבת בקשה
שפה, מבנה
אמת, כנות
ניטור-הערכה
המלצת אינדיקטור
משמעות, מדידה
אתיקה
בקרת שפה
החלטת נזק/סטיגמה
טעויות נפוצות
- סומך על הנתונים הסטטיסטיים של ה-AI. הוא ממציא את המספרים; לשים כל נתונים ממקור אמיתי.
- עיצוב תוכנית מהשולחן. התכנית יוצאת מהשטח; AI לא מכיר את התחום.
- הבטחה מוגזמת. תוצאות שלא יתממשו הורסים את האפליקציה ואת האמון; תהיה מציאותי.
- שפה סטיגמטית. הגדירו את קבוצת היעד כסובייקט משתתף, ולא כ"אובייקט" פסיבי.
- דילוג על ניטור-הערכה. לא ניתן לנהל תוכנית שלא ניתן למדוד; שים את האינדיקטורים מההתחלה.
לסיכום
עיצוב תכניות ופרויקטים הוא החוזק של העבודה הסוציאלית ברמת הקהילה; כאן, AI חוסך זמן אמת עם מסגרת ניתוח הצרכים, לוגיקה של התוכנית, תוכנית פעילות, טיוטת יישום מימון והצעת אינדיקטור. אבל התוכנית נולדה מהשטח: אתה שם את הסטטיסטיקה, הצרכים והכמויות עם נתונים אמיתיים, מקיים את ההבטחות ריאליות והופך את השפה לתואמת את עקרון ההעצמה ללא סטיגמה. AI משפר את המבנה והשפה; אתה מבטיח אותנטיות ואתיקה.
משימת יישום
בחר רעיון לתוכנית, אמיתי או בדיוני, אך ריאליסטי. חלץ את הנתונים ובעלי העניין שאתה צריך לאסוף באמצעות התבנית של "מסגרת ניתוח צרכים". לאחר מכן קח טיוטה עם תבנית "טיוטת בקשת המימון" ובדוק אם הבינה המלאכותית מרכיבה נתונים סטטיסטיים כלשהם, תוך שימוש נכון במצייני מקום [נתונים נדרשים]. לבסוף, החל את התבנית "בדיקת אתיקה ושפה".
רשימת בדיקה
- [ ] ביססתי את הצורך על נתונים אמיתיים וידע בשטח.
- [ ] אימתתי/סימנתי כל נתון שה-AI מייצר מהמקור האמיתי.
- [ ] עמדתי בהבטחות ויעדים ריאליים וניתנים למדידה.
- [ ] השתמשתי בשפה שאינה מטילה את קבוצת היעד, אלא מעצימה אותה.
- [ ] תכננתי את מדדי הניטור-הערכה מההתחלה.