Gevinster:
- Evne til å konfigurere rammeverket for behovsanalyse, programlogikk og finansieringssøknadsutkast med kunstig intelligens
- Å vite at programmet er født fra feltet og være i stand til å bruke disiplinen med å sette hver statistikk og mengde med ekte data og markere den med en oppdiktet figur [DATA PÅKREVES].
- Vise evne til å holde løfter realistiske og bærekraftige og å bruke språk som ikke stigmatiserer og styrker målgruppen.
Sosialt arbeid er ikke bare en-til-en case-studie; Det handler også om å designe, gjennomføre og finne ressurser for programmer og prosjekter som imøtekommer behovene til lokalsamfunn. Et program som støtter kvinners sysselsetting i et nabolag, et utdanningsstøtteprosjekt for vanskeligstilte barn, et sosialiseringssenter for eldre, en bevisstgjøringskampanje for å bekjempe avhengighet. Disse verkene; Det krever behovsanalyse, målsetting, aktivitetsplan, budsjett, overvåking-evaluering og ofte en fondssøknad (søknad som ber om ressurser i retur for prosjektet). I denne enheten lærer du hvordan du bruker AI som en tenke- og skrivepartner fra programidéstadiet til søknadsutkastet, hvilke data som skal være reelle og etiske grenser.
Et prinsipp fra begynnelsen: Programmet kommer fra feltet; ikke fra bordet. Det som gjør et program virkelig verdifullt er at det er basert på det virkelige behovet til et ekte fellesskap. AI kan produsere en flytende "behovsanalyse"-tekst, men den kjenner ikke feltet; Ved å bruke statistikken, behovene og begrunnelsene det gir uten å verifisere det med reelle data og fagkunnskapen din produserer du et program som er bra på papiret, men fremmed for virkeligheten. AI forbedrer struktur og språk; Du sikrer autentisiteten til innholdet.
Hvor i programsyklusen kommer AI til nytte?
1. Behovsanalyseramme. Den rammer inn hvilke data, hvilke interessenter og hvilke spørsmål som trengs for å systematisk undersøke et behov. Men du setter tallene og funnene fra ekte kilder.
2. Programlogikk (teori om endring). Det hjelper å etablere kjeden (intervensjonslogikk) av "Denne aktiviteten produserer dette resultatet, dette resultatet, denne effekten"; Det synliggjør hull og svake forutsetninger.
3. Aktivitets- og tidsplan. Det produserer et rammeverk som går fra mål til aktiviteter, fra aktiviteter til en kalender.
4. Utkast til finansieringssøknad. En sterk skrivepartner for å fylle ut delene av et søknadsskjema (sammendrag, begrunnelse, mål, aktiviteter, budsjettrasjonale, overvåking-evaluering, bærekraft) - du bekrefter dataene og virkeligheten.
5. Overvåking-evaluering indikatorer. Den foreslår målbare indikatorer for å måle suksessen til programmet.
Tips: Når du har AI-utkastet til en applikasjon, be den "lage statistikk eller kilder; erstatte tall med [DATA KREVES]." En fabrikkert statistikk i fondssøknader vil både avvise søknaden og skade institusjonens troverdighet. Du fyller ut tomrommet med ekte data.
Bærekraften til programmet er en av dimensjonene som ofte blir neglisjert, men som finansieringsgivere ser mest på. Hva fordelene vil være når et prosjekt er ferdig, hvordan tjenesten vil fortsette, hvordan samfunnet vil bygge sin egen kapasitet - alt dette er en del av god design. AI kan være innsiktsfull når det gjelder å generere bærekraftsscenarier ("når finansieringen tar slutt, tar denne interessenten over", "frivillig kapasitet er etablert", "en protokoll lages med lokale myndigheter"); Men bare du, med din fagkunnskap, kan vurdere om disse scenariene virkelig er mulige og hvilken interessent som virkelig har gitt løftet. Et "godlydende" bærekraftsløfte produsert av AI, hvis det ikke er noen reell forpliktelse bak det, setter en organisasjon under et løfte som den ikke kan oppfylle i fremtiden.
Oppmerksomhet: Hver forpliktelse du gjør i en finansieringssøknad er en kontrakt. AI kan foreslå overdrevne mål, uoppnåelige antall begunstigede eller urealistiske utfall "for å øke sjansene for suksess." Selv om en slik søknad aksepteres, ødelegger manglende måloppnåelse i rapporteringsperioden institusjonens troverdighet og muligheter for fremtidig finansiering. Det er alltid bedre å love mindre og gjøre mer enn å love for mye og ikke levere.
Steg for steg: fra idé til søknad
- Samle det du trenger fra feltet. Start med reelle data (dine egne saksdata, offisiell statistikk, interessenters meninger); Ikke med AI.
- Bygg rammeverket med AI. Be AI om kravanalyse og skjelett av programlogikk; plasser dine virkelige data i dette skjelettet.
- Lag utkast til aktivitets- og budsjettrasjonal. AI kan skissere aktivitet-utgang-resultatkjeden og logikken til budsjettposter; Du bestemmer beløpene.
- Styrk applikasjonsspråket. Bruk AI for en klar og overbevisende kopi som samsvarer med finansieringsgiverens språk og prioriteringer; Men unngå overdrivelse og falske løfter.
- Autentisitets- og etikkrevisjon. Finnes det en kilde for hvert tall? Er løftene realistiske? Utgjør programmet en risiko for å skade eller stigmatisere en gruppe? Du utfører denne kontrollen.
tre minisaker
Case 1 — Rammen sparte tid. En forening var i ferd med å utarbeide en søknad om et barnebidragsprosjekt i et vanskeligstilt nabolag. Behovsanalyserammeverket de ba om fra AI minnet meg om de to interessentene teamet savnet (skolerådgivere og rektor). Teamet samlet inn ekte data fra disse interessentene; Søknaden var basert på en mye sterkere begrunnelse. Omtrent 2 dager med konfigurasjonsarbeid ble redusert til en halv dag.
Sak 2 - Falsk statistikk fanget. YZ inkluderte en slående setning i et søknadsutkast: «70 % av barna i dette nabolaget dropper ut av skolen». Teamet spurte om kilden til denne figuren; YZ kunne ikke sitere en kilde, figuren var oppdiktet. Når faktiske data ble undersøkt, var forholdet svært forskjellig. Hvis den ble sendt med oppdiktet statistikk, ville søknaden bli avvist og mistet troverdighet.
Tilfelle 3 – Etisk risiko anerkjent. AI-utkastet til ett program beskrev målgruppen som «urolige familier» og fremstilte dem som passive «hjelpsobjekter». Teamet innså dette: språket var stigmatiserende og i strid med programmets prinsipp om myndiggjøring. Teksten ble oversatt til et språk som gjorde fellesskapet til et subjekt og en partner. Dette forbedret både etikk og applikasjonskvalitet.
Fire kopierbare maler
1) Behovsanalyseramme:
Din rolle: designkonsulent for sosiale programmer. Utarbeide rammeverket for en behovsanalyse om [pedagogisk støtte til vanskeligstilte barn i nabolaget]: hvilke data bør jeg samle inn, hvilke interessenter bør jeg intervjue, hvilke spørsmål bør jeg stille? Statistikk eller funn FAKE; Skriv [DATA KREVES] der det kreves tall.
2) Programlogikk (teori om endring):
Etabler en intervensjonslogikkkjede for følgende programidé: Aktiviteter → Utganger → Resultater → Effekt. Skriv ned forutsetningene under hvert trinn og merk svake/risikofylte forutsetninger. Idé:[skriv programidé]. Ikke lov urealistiske resultater.
3) Utkast til fondssøknad:
Din rolle: referanseredaktør. Skriv utkast for følgende seksjoner: sammendrag, begrunnelse, mål (SMART), aktiviteter, indikatorer for overvåking-evaluering, bærekraft. Statistikk og beløp PASSER;Bruk plassholdere [DATA KREVES] / [BEHOV KREVES]. Ikke overdriv; Skriv realistisk og tydelig. Programinformasjon: [gi informasjon]
4) Etikk og språkkontroll:
Undersøk programteksten under: stigmatiserer den målgruppen, framstiller den dem som passive «hjelpsobjekter», finnes det språk som bryter med prinsippet om myndiggjøring og deltakelse? Flagg problematiske utsagn og foreslå respektfulle alternativer som engasjerer fellesskapet.Tekst: [lim inn tekst]
Svak forespørsel / Sterk forespørsel
Svak melding:
Skriv en prosjektsøknad for vanskeligstilte barn og ta med imponerende statistikk i begrunnelsen.
Å si "legg inn imponerende statistikk" er en invitasjon for AI til å finne opp tall. Resultatet er en slående, men ikke-kildebasert tekst som vil gjøre søknaden avvist og undergrave tilliten.
Kraftig ledetekst:
Din rolle: referanseredaktør. Skriv et utkast til prosjektsøknad basert på mine EKTE data og feltkunnskap nedenfor. Tilleggsstatistikk PASSER; Skriv [DATA KREVES] der nummeret jeg ikke oppga er påkrevd. Hold målene SMARTE og løfter realistiske. Definer fellesskapet som et deltakende subjekt, ikke et passivt subjekt. Mine data: [lim inn faktiske data]
Forskjellen: å si "bruk dataene jeg ga deg, merk resten" i stedet for "legg inn statistikk" gjør applikasjonen både ærlig og kraftig.
AI og menneske i programsyklusen
Scene
Bidrag av AI
manns arbeid
Trenger analyse
rammeverk, spørsmål
Ekte data, felt
Programlogikk
kjede + antakelse
Dom av realisme
Aktivitetsplan
utkast til kalender
Anvendbarhet
Budsjett
penn logikk
Faktiske beløp
Søknadsskriving
språk, struktur
sannhet, ærlighet
Overvåking-evaluering
Indikatoranbefaling
Betydning, måling
Etikk
Språkkontroll
Avgjørelse om skade/stigma
Vanlige feil
- Stoler på AIs statistikk. Han utgjør tallene; legg alle data fra ekte kilde.
- Utforme et program fra bordet. Programmet dukker opp fra feltet; AI kan ikke feltet.
- Overdrevet løfte. Resultater som ikke vil bli realisert ødelegger applikasjonen og tilliten; Vær realistisk.
- Stigmatiserende språk. Definer målgruppen som et deltakende subjekt, ikke et passivt «objekt».
- Hopp over overvåking-evaluering. Et program som ikke kan måles kan ikke administreres; sette indikatorene fra begynnelsen.
Oppsummert
Program- og prosjektdesign er styrken til sosialt arbeid på samfunnsnivå; Her sparer AI sanntid med rammeverket for behovsanalyse, programlogikk, aktivitetsplan, finansieringssøknadsutkast og indikatorforslag. Men programmet er født fra feltet: du setter statistikk, behov og beløp med reelle data, holder løftene realistiske og gjør språket i samsvar med prinsippet om myndiggjøring uten stigmatisering. AI forbedrer struktur og språk; Du sikrer autentisitet og etikk.
Søknadsoppgave
Velg en programidé, ekte eller fiktiv, men realistisk. Trekk ut hvilke data og interessenter du trenger å samle inn med malen for "behovsanalyseramme". Ta deretter et utkast med "finansieringssøknadsutkastet"-malen og sjekk om AI-en utgjør noen statistikk, ved å bruke [DATA PÅKREVES] plassholdere riktig. Til slutt, bruk malen "etikk og språksjekk".
sjekkliste
- [ ] Jeg baserte behovet på reelle data og feltkunnskap.
- [ ] Jeg har verifisert/merket hver statistikk AI produserer fra den faktiske kilden.
- [ ] Jeg holdt løfter og mål realistiske og målbare.
- [ ] Jeg brukte språk som ikke stigmatiserer målgruppen, men styrker dem.
- [ ] Jeg planla overvåking-evalueringsindikatorene fra begynnelsen.