Zyski:
- Możliwość konfiguracji frameworku analizy potrzeb, logiki programu i projektu wniosku o dofinansowanie za pomocą sztucznej inteligencji
- Wiedząc, że program rodzi się w terenie i potrafiąc zastosować dyscyplinę polegającą na umieszczaniu każdej statystyki i kwoty w rzeczywistych danych i oznaczaniu ich wymyśloną liczbą [WYMAGANE DANE].
- Wykazać umiejętność dotrzymywania obietnic w sposób realistyczny i trwały oraz używania języka, który nie stygmatyzuje i nie wzmacnia grupy docelowej.
Praca socjalna to nie tylko indywidualne studium przypadku; Chodzi także o projektowanie, realizację i znajdowanie zasobów dla programów i projektów, które odpowiadają potrzebom społeczności. Program wspierający zatrudnienie kobiet w sąsiedztwie, projekt wsparcia edukacyjnego dla dzieci znajdujących się w niekorzystnej sytuacji, ośrodek socjalizacyjny dla osób starszych, kampania uświadamiająca na temat walki z uzależnieniami. Te prace; Wymaga analizy potrzeb, ustalenia celów, planu działania, budżetu, monitorowania-ewaluacji i często wniosku o dofinansowanie (wniosek żądający środków w zamian za projekt). W tej jednostce dowiesz się, jak wykorzystywać sztuczną inteligencję jako partnera myślącego i piszącego od etapu pomysłu na program po wersję roboczą wniosku, jakie dane powinny być prawdziwe i jakie są granice etyczne.
Zasada od początku: program wyłania się z pola; nie ze stołu. Tym, co czyni program naprawdę wartościowym, jest to, że opiera się na rzeczywistych potrzebach prawdziwej społeczności. Sztuczna inteligencja może stworzyć płynny tekst „analizy potrzeb”, ale nie zna pola; Korzystanie ze statystyk, potrzeb i uzasadnień, jakie dostarcza, bez weryfikowania ich z rzeczywistymi danymi i wiedzą terenową, tworzy program, który jest dobry na papierze, ale obcy rzeczywistości. Sztuczna inteligencja poprawia strukturę i język; Zapewniasz autentyczność treści.
Gdzie w cyklu programowym przydaje się sztuczna inteligencja?
1. Ramy analizy potrzeb. Określa, jakie dane, którzy interesariusze i jakie pytania są potrzebne do systematycznego badania potrzeb. Ale podajesz liczby i ustalenia z prawdziwych źródeł.
2. Logika programu (teoria zmiany). Pomaga ustalić łańcuch (logikę interwencji) „To działanie wytwarza ten wynik, ten wynik, ten efekt”; Uwidacznia luki i słabe założenia.
3. Plan zajęć i czasu. Tworzy ramy, które obejmują cele i działania, od działań do kalendarza.
4. Projekt wniosku o dofinansowanie. Silny partner w pisaniu wypełniania sekcji formularza wniosku (podsumowanie, uzasadnienie, cele, działania, uzasadnienie budżetu, monitorowanie-ocena, zrównoważony rozwój) — weryfikujesz dane i rzeczywistość.
5. Wskaźniki monitoringu-ewaluacji. Sugeruje mierzalne wskaźniki mierzące powodzenie programu.
Wskazówka: kiedy AI przygotuje aplikację, powiedz jej, aby „utworzyła statystyki lub źródła; zamień liczby na [WYMAGANE DANYCH]”. Sfabrykowane statystyki we wnioskach o fundusze zarówno odrzucą wniosek, jak i podważą wiarygodność Twojej instytucji. Wypełniasz puste miejsca prawdziwymi danymi.
Trwałość programu to jeden z wymiarów, który jest często zaniedbywany, a który jednak jest tym, na który zwracają największą uwagę fundatorzy. Jakie korzyści będą po zakończeniu projektu, w jaki sposób usługa będzie kontynuowana, w jaki sposób społeczność będzie budować swój własny potencjał – to wszystko jest częścią dobrego projektu. Sztuczna inteligencja może być wnikliwa w generowaniu scenariuszy zrównoważonego rozwoju („kiedy skończą się fundusze, interesariusz przejmuje kontrolę”, „utworzono potencjał wolontariatu”, „jest sporządzany protokół z samorządem lokalnym”); Ale tylko Ty, dzięki swojej wiedzy terenowej, możesz ocenić, czy te scenariusze są naprawdę możliwe i który interesariusz naprawdę złożył obietnicę. „Dobrze brzmiąca” obietnica zrównoważonego rozwoju stworzona przez sztuczną inteligencję, jeśli nie stoi za nią żadne prawdziwe zaangażowanie, nakłada na organizację obietnicę, której nie będzie mogła spełnić w przyszłości.
Uwaga: Każde zobowiązanie, które podejmujesz we wniosku o dofinansowanie, jest umową. Sztuczna inteligencja może sugerować wygórowane cele, nieosiągalną liczbę beneficjentów lub nierealistyczne wyniki „w celu zwiększenia szans na sukces”. Nawet w przypadku pozytywnego rozpatrzenia wniosku, nieosiągnięcie celów w okresie sprawozdawczym niszczy wiarygodność instytucji i jej szanse na przyszłe finansowanie. Zawsze lepiej jest obiecać mniej i zrobić więcej, niż obiecać za dużo i nie spełnić oczekiwań.
Krok po kroku: od pomysłu do zastosowania
- Zbierz z pola to, czego potrzebujesz. Zacznij od prawdziwych danych (własnych danych przypadków, oficjalnych statystyk, opinii interesariuszy); Nie z AI.
- Zbuduj środowisko za pomocą sztucznej inteligencji. Poproś AI o analizę wymagań i szkielet logiki programu; umieść swoje prawdziwe dane w tym szkielecie.
- Opracuj projekt działania i uzasadnienie budżetu. Sztuczna inteligencja może nakreślić łańcuch działań, wyników i wyników oraz logikę pozycji budżetowych; Ty ustalasz kwoty.
- Wzmocnij język aplikacji. Użyj sztucznej inteligencji, aby uzyskać przejrzystą i przekonującą kopię, która pasuje do języka i priorytetów fundatora; Unikaj jednak przesady i fałszywych obietnic.
- Audyt autentyczności i etyki. Czy istnieje źródło każdej liczby? Czy obietnice są realistyczne? Czy program stwarza ryzyko wyrządzenia krzywdy lub napiętnowania grupy? Wykonujesz tę kontrolę.
trzy mini etui
Przypadek 1 — Struktura pozwoliła zaoszczędzić czas. Stowarzyszenie przygotowywało wniosek w sprawie projektu alimentacyjnego na rzecz dziecka w dzielnicy znajdującej się w niekorzystnej sytuacji. Ramy analizy potrzeb, o które poprosiłem sztuczną inteligencję, przypomniały mi o dwóch interesariuszach, których zespół pominął (doradcy szkolni i dyrektor). Zespół zebrał prawdziwe dane od tych interesariuszy; Wniosek oparto na znacznie mocniejszym uzasadnieniu. Około 2 dni pracy konfiguracyjnej zostało skrócone do pół dnia.
Przypadek 2 — wyłapano fałszywe statystyki. YZ umieściło w projekcie wniosku uderzające zdanie: „70% dzieci w tej okolicy porzuca szkołę”. Zespół zapytał o źródło tej liczby; YZ nie mógł podać źródła, dane zostały zmyślone. Kiedy zbadano rzeczywiste dane, stosunek był zupełnie inny. Gdyby został przesłany ze sfabrykowanymi statystykami, wniosek zostałby odrzucony i straciłby wiarygodność.
Przypadek 3 – Uznane ryzyko etyczne. Szkic jednego z programów AI określił grupę docelową jako „rodziny z problemami” i przedstawił ją jako pasywne „obiekty pomocy”. Zespół zdał sobie z tego sprawę: język jest stygmatyzujący i sprzeczny z zasadą programu dotyczącą wzmacniania pozycji. Tekst został przetłumaczony na język, który uczynił wspólnotę podmiotem i partnerem. Poprawiło to zarówno etykę, jak i jakość aplikacji.
Cztery szablony do kopiowania
1) Ramy analizy potrzeb:
Twoja rola: konsultant ds. projektowania programów społecznych. Przygotuj ramy analizy potrzeb w zakresie [wsparcia edukacyjnego dzieci znajdujących się w niekorzystnej sytuacji w sąsiedztwie]: jakie dane powinienem zebrać, z którymi zainteresowanymi stronami przeprowadzić wywiad, jakie pytania zadać? Statystyki lub ustalenia FAŁSZYWE; Wpisz [WYMAGANE DANE] tam, gdzie wymagane są liczby.
2) Logika programu (teoria zmiany):
Ustal łańcuch logiki interwencji dla następującej koncepcji programu: Działania → Produkty → Wyniki → Wpływ. Zapisz założenia w ramach każdego kroku i zaznacz słabe/ryzykowne założenia. Pomysł: [napisz pomysł na program]. Nie obiecuj nierealistycznych wyników.
3) Projekt wniosku o dofinansowanie:
Twoja rola: redaktor referencji. Napisz projekty następujących sekcji: podsumowanie, uzasadnienie, cele (SMART), działania, wskaźniki monitorująco-ewaluacyjne, zrównoważony rozwój. Statystyki i ilość DOPASOWANIE;Użyj symboli zastępczych [WYMAGANE DANYCH] / [WYMAGANA KWOTA]. Nie przesadzaj; Pisz realistycznie i wyraźnie. Informacje o programie: [podaj informacje]
4) Etyka i kontrola języka:
Przyjrzyj się poniższemu tekstowi programu: czy stygmatyzuje on grupę docelową, czy przedstawia ją jako pasywne „obiekty pomocy”, czy występuje język naruszający zasadę wzmacniania i uczestnictwa? Oznaczaj problematyczne stwierdzenia i sugeruj pełne szacunku alternatywy, które angażują społeczność. Tekst: [wklej tekst]
Słaba zachęta/silna zachęta
Słaba zachęta:
Napisz wniosek projektowy na rzecz dzieci znajdujących się w niekorzystnej sytuacji i załącz w uzasadnieniu imponujące statystyki.
Powiedzenie „wprowadź imponujące statystyki” jest zaproszeniem dla sztucznej inteligencji do wymyślania liczb. Rezultatem jest uderzający, ale niepotwierdzony tekst, który spowoduje odrzucenie wniosku i podważy zaufanie.
Potężny monit:
Twoja rola: redaktor referencji. Napisz poniżej projekt wniosku projektowego w oparciu o moje PRAWDZIWE dane i wiedzę terenową. Dodatkowe statystyki MONTAŻ; Wpisz [WYMAGANE DANE] tam, gdzie wymagany jest numer, którego nie podałem. Staraj się wyznaczać cele SMART, a obietnice realistyczne. Zdefiniuj społeczność jako podmiot uczestniczący, a nie podmiot pasywny. Moje dane: [wklej aktualne dane]
Różnica: powiedzenie „użyj danych, które ci dałem, zaznacz resztę” zamiast „umieść statystyki” sprawia, że aplikacja jest zarówno uczciwa, jak i potężna.
AI i człowiek w cyklu programu
Scena
Wkład sztucznej inteligencji
praca człowieka
Potrzebuje analizy
ramy, pytania
Prawdziwe dane, pole
Logika programu
łańcuch + założenie
Sąd nad realizmem
Plan działania
projekt kalendarza
Możliwość zastosowania
Budżet
logika pióra
Rzeczywiste kwoty
Pisanie aplikacji
język, struktura
prawdomówność, uczciwość
Monitoring-ewaluacja
Zalecenie dotyczące wskaźnika
Znaczenie, pomiar
Etyka
Kontrola języka
Decyzja o szkodzie/stygmatyzacji
Typowe błędy
- Ufając statystykom AI. On wymyśla liczby; umieszczaj wszystkie dane z prawdziwego źródła.
- Projektowanie programu z tabeli. Program wyłania się z pola; AI nie zna pola.
- Przesadzona obietnica. Wyniki, które nie zostaną zrealizowane, niszczą aplikację i zaufanie; Bądź realistą.
- Stygmatyzujący język. Zdefiniuj grupę docelową jako podmiot uczestniczący, a nie pasywny „obiekt”.
- Pomijanie monitorowania-ewaluacji. Programem, którego nie można zmierzyć, nie da się zarządzać; umieść wskaźniki od początku.
Podsumowując
Projektowanie programów i projektów jest siłą pracy socjalnej na poziomie społeczności; W tym przypadku sztuczna inteligencja oszczędza czas rzeczywisty dzięki ramom analizy potrzeb, logice programu, planowi działań, projektowi wniosku o finansowanie i propozycji wskaźników. Ale program rodzi się z pola: statystyki, potrzeby i kwoty zestawiasz z rzeczywistymi danymi, dotrzymujesz obietnic realistycznych i tworzysz język zgodny z zasadą wzmacniania pozycji bez stygmatyzacji. Sztuczna inteligencja poprawia strukturę i język; Zapewniasz autentyczność i etykę.
Zadanie aplikacji
Wybierz pomysł na program, prawdziwy lub fikcyjny, ale realistyczny. Wyodrębnij, jakie dane i interesariuszy musisz zebrać, korzystając z szablonu „ramy analizy potrzeb”. Następnie weź wersję roboczą z szablonem „szkic wniosku o finansowanie” i sprawdź, czy sztuczna inteligencja tworzy jakieś statystyki, używając poprawnie symboli zastępczych [WYMAGANE DANYCH]. Na koniec zastosuj szablon „kontrola etyki i języka”.
lista kontrolna
- [ ] Potrzebę oparłem na realnych danych i wiedzy terenowej.
- [ ] Sprawdziłem/oznaczyłem wszystkie statystyki generowane przez sztuczną inteligencję z rzeczywistego źródła.
- [ ] Dotrzymywałem obietnic, a cele były realistyczne i mierzalne.
- [ ] Użyłem języka, który nie stygmatyzuje grupy docelowej, ale ją wzmacnia.
- [ ] Od początku zaplanowałem wskaźniki monitorująco-ewaluacyjne.