Технологии производства доказательной информации

скачанные-файлыИгроки социальной сферы порой не понимают,  почему исследователи отказываются от новых экспериментов, отдавая предпочтение  анализу и синтезу вторичных данных? Чтобы ответить на этот вопрос, эксперты американской «фабрики мысли» Meaningful Evidence, LLC рассказали о трех подходах к формированию «доказательств», необходимых для разработки  социально-экономических политик и принятия объективных решений.

  1. Рандомизация. Реестры, отражающие результаты «рандомизированных контролируемых исследований» (РКИ) [такие как Национальный реестр программ и практик с подтвержденными результатами / The National Registry of Evidence-Based Programs and Practices], содержат данные, которые можно сортировать по множеству критериев и параметров. Эта информация позволяет убедиться в том, что исполнители программ получили согласованные результаты, но не дает представления о том, как эти инициативы повлияли на общество, и почему они оказались эффективными или неэффективными. Чтобы сформировать полноценную картину, нужны дополнительные эксперименты (либо «квази-эксперименты»).
  2. Разъяснение. Синтез доказательств, полученных из надежных источников (таких, например, как результаты РКИ, опубликованные в научных журналах и официальных отчетах), существенно экономит время и деньги. Используя такую технику (подробно освещенную Дэвидом Гуфом / David Gough в концепции «Значение доказательств» / Weight of Evidence), можно узнать о незапланированных эффектах программы — как положительных, так и отрицательных; выяснить, насколько успешной считают данную модель или практику благополучатели, партнеры и члены коллектива организации; и определить пути дальнейшего развития.
  3. Картирование. Составление «карт знаний» (knowledge maps) – это важный этап в разработке программы или политики. Интегрируя результаты исследований и представляя их в виде карты, аналитики визуализируют совпадения, расхождения, открытия и новые идеи. Благодаря такому подходу стейкхолдеры могут оценивать риски, видеть связи между проектами, формировать представление об альтернативных сценариях, и прогнозировать последствия своих решений. А с помощью таких новых методов, как «Интегративный пропозициональный анализ» (Integrative Propositional Analysis), можно определить даже степень надежности изучаемых доказательств.

«Исследователи и практикующие специалисты отказываются от дорогостоящих экспериментов не только из соображений экономии, — поясняет учредитель Meaningful Evidence, LLC Бернадетт Райт (Bernadette Wright). – Они исходят из того, что современный мир переполнен информацией, а синтез и карты облегчают процесс применения существующих данных для создания эффективных программ».

Источник: The Stanford Innovation Review

Добавить комментарий