La realidad es que operamos en un ambiente de rápida evolución que debe ser considerado al implementar nuestros programas o proyectos. Como señalaron los colegas, las limitaciones planteadas por COVID-19, por ejemplo, deben impulsar la adaptación para lograr con éxito los resultados previstos.
Esto puede hacerse, por ejemplo, introduciendo lo que USAID llamó "marco de colaboración, aprendizaje y adaptación (CLA)" [CLA Tool Kit Landing | USAID Learning Lab], que implica un conjunto de prácticas integradas en el ciclo del programa para asegurar que los programas se coordinen con otros, se basen en una sólida base de pruebas y se adapten de manera iterativa para seguir siendo relevantes a lo largo de la implementación. Con esto, las suposiciones críticas identificadas que son centrales para una TdC deben ser probadas periódicamente - lo cual es una característica central de la planificación basada en suposiciones - y si ya no son válidas, entonces se emplean pasos de gestión adaptativa como respuesta.
Es cierto que esto conlleva una complejidad de aplicación que también requiere el uso de nuevos métodos de evaluación que respondan a la complejidad, y que aún están en evolución. En tales condiciones, es necesario integrar la ciencia de los datos* en las actividades del MEL.
Nota: La ciencia de los datos es un campo interdisciplinario que utiliza métodos, procesos, algoritmos y sistemas científicos para extraer conocimientos y percepciones de muchos datos estructurales y no estructurados. La ciencia de los datos está relacionada con la minería de datos, el aprendizaje por máquina y los grandes datos (https://en.wikipedia.org/wiki/Data_science).
RE: Can we use an evidence-based, evolving Theory of Change to achieve "local learning” during project design?
Estimados todos,
La realidad es que operamos en un ambiente de rápida evolución que debe ser considerado al implementar nuestros programas o proyectos. Como señalaron los colegas, las limitaciones planteadas por COVID-19, por ejemplo, deben impulsar la adaptación para lograr con éxito los resultados previstos.
Esto puede hacerse, por ejemplo, introduciendo lo que USAID llamó "marco de colaboración, aprendizaje y adaptación (CLA)" [CLA Tool Kit Landing | USAID Learning Lab], que implica un conjunto de prácticas integradas en el ciclo del programa para asegurar que los programas se coordinen con otros, se basen en una sólida base de pruebas y se adapten de manera iterativa para seguir siendo relevantes a lo largo de la implementación. Con esto, las suposiciones críticas identificadas que son centrales para una TdC deben ser probadas periódicamente - lo cual es una característica central de la planificación basada en suposiciones - y si ya no son válidas, entonces se emplean pasos de gestión adaptativa como respuesta.
Es cierto que esto conlleva una complejidad de aplicación que también requiere el uso de nuevos métodos de evaluación que respondan a la complejidad, y que aún están en evolución. En tales condiciones, es necesario integrar la ciencia de los datos* en las actividades del MEL.
Nota: La ciencia de los datos es un campo interdisciplinario que utiliza métodos, procesos, algoritmos y sistemas científicos para extraer conocimientos y percepciones de muchos datos estructurales y no estructurados. La ciencia de los datos está relacionada con la minería de datos, el aprendizaje por máquina y los grandes datos (https://en.wikipedia.org/wiki/Data_science).
Mejor,
Janvier