La réalité est que nous opérons dans un environnement en évolution rapide dont il faut tenir compte lors de la mise en œuvre de nos programmes ou projets. Comme l'ont fait remarquer des collègues, les contraintes soulevées par COVID-19 par exemple devraient pousser à s'adapter afin de parvenir aux résultats escomptés.
Cela peut être fait par exemple en introduisant ce que l'USAID appelle "le cadre de collaboration, d'apprentissage et d'adaptation (CLA)" [CLA Tool Kit Landing | USAID Learning Lab] qui implique un ensemble de pratiques intégrées dans le cycle de programme pour s'assurer que les programmes sont coordonnés avec d'autres, fondés sur une base de preuves solides, et adaptés de manière itérative pour rester pertinents tout au long de la mise en œuvre. Ainsi, les hypothèses critiques identifiées au cœur d'une TdC doivent être périodiquement testées - ce qui est une caractéristique centrale de la planification basée sur des hypothèses - et si elles ne sont plus valables, des mesures de gestion adaptative doivent être prises en conséquence.
Il est vrai que cela entraîne une complexité de mise en œuvre qui nécessite également l'utilisation de méthodes d'évaluation complexes et réactives nouvelles et toujours en évolution. Dans ces conditions, il est nécessaire d'intégrer la science des données* dans les activités de la MEL.
Note : La science des données est un domaine interdisciplinaire qui utilise des méthodes, des processus, des algorithmes et des systèmes scientifiques pour extraire des connaissances et des aperçus de nombreuses données structurelles et non structurées. La science des données est liée à l'exploration des données, à l'apprentissage machine et aux données volumineuses (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?
Chers tous,
La réalité est que nous opérons dans un environnement en évolution rapide dont il faut tenir compte lors de la mise en œuvre de nos programmes ou projets. Comme l'ont fait remarquer des collègues, les contraintes soulevées par COVID-19 par exemple devraient pousser à s'adapter afin de parvenir aux résultats escomptés.
Cela peut être fait par exemple en introduisant ce que l'USAID appelle "le cadre de collaboration, d'apprentissage et d'adaptation (CLA)" [CLA Tool Kit Landing | USAID Learning Lab] qui implique un ensemble de pratiques intégrées dans le cycle de programme pour s'assurer que les programmes sont coordonnés avec d'autres, fondés sur une base de preuves solides, et adaptés de manière itérative pour rester pertinents tout au long de la mise en œuvre. Ainsi, les hypothèses critiques identifiées au cœur d'une TdC doivent être périodiquement testées - ce qui est une caractéristique centrale de la planification basée sur des hypothèses - et si elles ne sont plus valables, des mesures de gestion adaptative doivent être prises en conséquence.
Il est vrai que cela entraîne une complexité de mise en œuvre qui nécessite également l'utilisation de méthodes d'évaluation complexes et réactives nouvelles et toujours en évolution. Dans ces conditions, il est nécessaire d'intégrer la science des données* dans les activités de la MEL.
Note : La science des données est un domaine interdisciplinaire qui utilise des méthodes, des processus, des algorithmes et des systèmes scientifiques pour extraire des connaissances et des aperçus de nombreuses données structurelles et non structurées. La science des données est liée à l'exploration des données, à l'apprentissage machine et aux données volumineuses (https://en.wikipedia.org/wiki/Data_science).
Meilleur,
Janvier