Атрибуция каузальная примеры: Теория каузальной атрибуции

Каузальная атрибуция и поэзия… — Статьи — Проза

Забавная штука – психология: она дружит со многими другими науками, что позволяет ей быть в курсе событий. Как шутили в Кемерово: похожа на всех, непохожа ни на кого (с). Психология – Мата Хари среди других наук, она шпионка и разведчица, влияющая на иных и иные. Экстраполяция – её конёк, инкорпорация – ваще не про неё. Возникла идея распространить психологические законы – или, мягче говоря, закономерности – на поэтический дискурс.

Люди общаются. Если раньше формат общения подразумевал очно-заочную, вербально-невербальную форму, то 21-й век добавил новый тип общения – виртуальный. Но даже этот, айтишный, вид коммуникации не исключает психологических законов, эффектов социальной перцепции, усваивания происходящего. Перцепция – это восприятие в широком смысле понимания этого слова; т.е. процесс не только взросления, но и вообще жития сопровождается постоянной перцепцией. Социальная же перцепция – это результат приписывания оценочного впечатления на восприятие действий, поступков, личностных черт другого человека (с) при недостатке:

А. времени;
Б. источника информации.
Перевожу: общаясь с людьми, мы руководствуемся некими законами (эффектами), которые, конечно же, не замечаем. Поскольку на литературных сайтах существует общение (глубокая мысль!), существуют и психологические эффекты его определяющие…
Итак, начнем…

1. Эффект ореола

Определение (здесь и далее: определения представлены различными первоисточниками, указывать которые не имеет смысла по причине сложности вот этой самой первоисточности. посему, просто выражаю слова благодарности всем умным до меня и вместо меня).

Характеризуется тенденцией преувеличивать свойства личности собеседника, переносить благоприятное (неблагоприятное) впечатление об одном качестве индивида на все остальные. Хрестоматийный пример иллюстрируется известным студенческим мемом: сначала студент работает на зачётку, а затем – зачётка на студента.

Гипотеза №1. Автор с хорошим поэтическим уровнем, проявляющий себя хамски, неуважительно, асоциально, грубо в различных реакциях, комментариях и пр. рискует быть неоцененным, поскольку частное негативное мнение приведёт к негативной оценке непредставленных качеств. Повторю, что речь идёт о среднем поэтическом уровне. Очень часто эффект ореола можно наблюдать на примере новичков, участвующих в конкурсах впервые: среди равновеликих работ голосующие отдают балл известному имени…

Феномен гипотезы №1. Обратного явления не существует: автор с хорошим (невысоким!) поэтическим уровнем, проявляющий себя уважительно, не рискует быть оцененным выше заявленного уровня.

2. Эффект Пигмалиона или эффект Розенталя

Определение.
Уникальный психологический феномен, который заключается в том, что человек, убеждённый в достоверности какой-либо информации, подсознательно ведёт себя таким образом, чтобы эта информация подтвердилась. Хрестоматийный пример – экстрасенсы.

Гипотеза №2. Эффект Пигмалиона присущ графоманам, уверенным, что пишут как минимум гениальные стихи. Основная проблема графомана – именно когнитивная, не эмоциональная: они не знают (не хотят знать и пр. ) критериев хорошего уровня. Точнее. Графоман – это человек, который знает, что Пастернак (Бродский и пр.) писали хорошо, но не знают, почему написанное ими — хорошо. Они пишут, заранее уверив себя, что #полученноеполучится гениальным, лишний раз подтвердив упомянутый эффект Розенталя. Эффект Пигмалиона исключает сомнение в малом смысле и самообразование как древо сомнения – в огромных смыслах…

Феномен гипотезы №2. Как ни странно, но критика зачастую усиливает эффект Пигмалиона.

3. Эффект проекции

Определение
Суть его состоит в том, что человек приписывает другому человеку те черты характера и качества, которые есть в нём самом. Завистливый человек считает, что все вокруг завидуют ему, а обидчивый постоянно видит обиду в других.

Гипотеза №3. Читая произведение, мы в первую очередь замечаем те достоинства, которые любим в своих произведениях. Именно: хорошие рифмы, оригинальные образы, безупречный ритм, отсутствие заглавных букв, наличие отсутствия знаков препинания, солецизмы, неологизмы, окказионализмы и прочие изобретенияизмы.

Феномен гипотезы №3. Иногда мы в первую очередь обращаем внимание на те недостатки, которым подвержены сами. Именно: хорошие рифмы, оригинальные образы, безупречный ритм, отсутствие заглавных букв, наличие отсутствие знаков препинания, солецизмы, неологизмы, окказионализмы и прочие изобретенияизмы.

Феномен гипотезы №3.1. Более того. При написании критических разборов мы иногда возмущаемся тем, что больше всего наблюдается в собственных стихах.

4. Эффект плацебо

Определение.
В психологии (как и в медицине) эффект плацебо основан на внушении. Человеку просто сообщают, что нечто оказывает определённое воздействие, и человек начинает этого воздействия ожидать. В итоге – в результате внушения – происходит и ожидаемый эффект.

Гипотеза №4. Доказано практикой проведения конкурсов. Стоит нескольким уважаемым людям похвалить посредственную, а то и низкокачественную вещь, как шансы опуса данного в конкурсе возрастают. Иногда эффект плацебо срабатывает на конкурсах, требующих быстрого голосования (блицы, к примеру).

Феномен гипотезы №4.

Посредственная работа от комплиментарной рецензии лучше не становится))))))

5. Каузальная атрибуция

Моя любимая)))

Определение.

Сложно.
Уникальный психологический феномен, характеризующийся следующим: при отсутствии достаточного количества необходимой информации о конкретном человеке либо о ситуации, в которой он находится, у людей возникает искаженная интерпретация ситуации. Такой феномен восприятия основан на приписывании неких несуществующих характеристик, особенностей, причинно-следственных связей (с) и т.п.
То есть если просто…

Люди ж не дваждыдвачетыре? Предположим, уличив (визуально!) в факте измены, жена (ну, или муж, ладно) мотивы, интенции, причины и пр. дописывает до общей картинки, поскольку оных их «здесь и теперь» знать не может…

Гипотеза №5.
Да всё общение виртуальное пронизано каузальной атрибуцией, поскольку о собеседниках зачастую имеется оооочень мало информации, даже если вы общаетесь с ними годами… Самый хрестоматийный пример каузальной атрибуции иллюстрируется опять же конкурсным участием:

1. победа в конкурсе отождествляется только личным вкладом…
2. поражению приписываются различные обстоятельства…

Классика просто…

Феномен гипотезы №5.
Очень немногие – они гуру! – текстам верят больше, чем авторам… Но это редкость… Что бы не говорили…

La continuazione seguirò

Или проще:
to be continued

п.с. опеачтки – возможны

Ошибки каузальной атрибуции | Диплом по психологии

Перейти к содержимому

Теоретические и эмпирические исследования каузальной атрибуции выявили несколько разнообразных тенденций в области данного процесса, свойственных большинству людей, осуществляющих каузальную атрибуцию. Эти тенденции были названы типичными ошибками каузальной атрибуции.

Кроме принципов усиления и обесценивания, выделенных Г. Келли (см. п. 3.2.), различают следующие типичные ошибки каузальной атрибуции:

1. Фундаментальная ошибка каузальной атрибуции – зависимость каузальной атрибуции от позиции наблюдателя: при объяснении чужого поведения причины поведения чаще приписываются обстоятельствам (ситуативная каузальность), при объяснении собственного поведения причины чаще приписываются личностным особенностям (личностная каузальность).
   К причинам фундаментально ошибки каузальной атрибуции относят следующие факторы:
   • Использование личностной каузальности делает поведение других более понятным и прогнозируемым, что соответствует мотивам каузальной атрибуции;
   • Причина поведения приписывается объекту восприятия и внимания: «Для наблюдателя внешняя среда постоянна и устойчива, а действия автора изменчивы, непонятны, поэтому на них он и обращает внимание прежде всего. Для автора его действия спланированы и простроены, а среда непостоянна, поэтому концентрирует на себе его внимание» [4].

   Т.е. фундаментальная ошибка каузальной атрибуции связана с особенностями психических процессов (восприятия и внимания), а именно с психологическими особенностями восприятия «фигуры» и «фона»;

   • «Иллюзия контроля» – преувеличение человеком собственной роли в той ситуации, в которую он оказался вовлечен, обусловлено тем, что сам факт участия в каком-то событии заставляет нас почувствовать (часто безосновательно) свою способность влиять на его ход и результаты [6].
2. Эгоцентрическая, или проективная ошибка атрибуции, или ошибка ложного согласия – при объяснении поведения окружающих человек часто исходит из собственных потребностей и мотивов: проецируя поведение другого на себя, ориентируется на то, как бы сам поступил в такой ситуации. «Ошибка ложного согласия проявляется и в тех случаях, когда в поступки другого человека вкладываются собственные смыслы: если бы я так поступал, то только по причине…» [4].
   Эгоцентрическая ошибка атрибуции связана с феноменом проекции, если использовать термины психоаналитической школы, или генерализации, если следовать терминологии бихевиоризма.В п. 4.3. будет описан механизм идентификации, являющийся следствием проекции (генерализации) и служащий основой для эгоцентрической ошибки каузальной атрибуции.
3. Защитная ошибка каузальной атрибуции. Эта типичная ошибка проявляется в ситуациях объяснения причин получения результатов какой-либо деятельности. Человек интерпретирует неудачные результаты своей деятельности внешними и нестабильными факторами, а успешные – стабильными и внутренними [6]. При объяснении чужих достижении, наоборот, причины положительных результатов деятельности приписываются обстоятельствам, а причины чужих неудач – особенностям личности. «Если речь лично обо мне, то успех — результат моих личных титанических усилий и способностей, а неудача (со всеми случается!) — следствие неудачно сложившихся обстоятельств. Если речь о другом, то незначительный успех можно приписать лично ему — заслужил, а большой успех — стечение обстоятельств, везение… Лишь в том случае, если известно, как много усилий потратил человек для достижения результата, тенденция может слегка измениться» [4].
4. Контрзащитная ошибка каузальной атрибуции – феномен, по сути обратный феномену защитной ошибки атрибуции. Контрзащитная атрибуция проявляется в условиях гласности: причины собственных достижений и чужих неудач приписываются обстоятельствам, а собственные неудачи и чужие достижения объясняются влиянием личностных факторов.

Защитная и контрзащитная ошибки каузальной атрибуции связаны с психологической защитой личности и с потребностью в самоуважении. Защитная атрибуция позволяет сохранить позитивную самооценку как таковую, а контрзащитная атрибуция предупреждает критику со стороны, и тем самым так же служит для сохранения положительного отношения к себе.

Далее: Свойства субъекта каузальной атрибуции. Каузальная схема

Причинная атрибуция в эпоху больших данных временных рядов

Причинная атрибуция в эпоху больших данных временных рядов

• Получить ссылку
• Фейсбук
• Твиттер
• Пинтерест
• Электронная почта
• Другие приложения

by KAY BRODERSEN

Впервые в истории статистики недавние инновации в области больших данных могут позволить нам автоматически и в масштабе оценивать детальные причинные эффекты. Но аналитические проблемы существенны.

Каждая идея в Google начинается с простого вопроса. Как мы можем предсказать преимущества реализации этой идеи для пользователей, издателей, разработчиков или рекламодателей? Как мы можем установить, что существует причинно-следственная связь между нашей идеей и важным для нас показателем результата? Выявление одного причинно-следственного закона может оказаться более действенным, чем описание тысячи взаимосвязей, поскольку только причинно-следственная связь позволяет нам понять истинные последствия наших действий. Вот почему оценка причинно-следственных связей лежит в основе науки о данных. Анализ может начаться с изучения, визуализации, корреляции. Но, в конечном счете, мы часто хотим определить движущие силы, определяющие, почему все так, а не иначе.

Золотой путь к оценке причинно-следственной связи лежит через рандомизированный эксперимент. Например, чтобы выяснить, приводит ли конкретное изменение в наш алгоритм ранжирования поиска к более релевантным результатам, мы можем выполнить определенный набор запросов с помощью нового алгоритма, оставив другие без изменений. Потенциальные результаты Неймана и Рубина дают полезную основу для размышлений о таких экспериментах. Используя идеи регрессии или вменения, контрольная группа позволяет нам получить непредвзятую оценку контрфактуальности — что случилось бы с набором обработанных запросов, если бы они не были обработаны.

В Google мы круглосуточно проводим множество таких экспериментов в многоуровневой системе, которая позволяет нам тестировать сотни идей одновременно, не создавая нежелательных взаимодействий между ними. Пока вы читаете эту статью, эта система обработала миллионы запросов. Однако некоторые идеи невозможно проверить с помощью рандомизированных экспериментов. Например, обработка может быть выбрана вами самостоятельно, или эксперимент может нанести слишком большой ущерб пользовательскому опыту. Именно здесь наблюдательные подходы к причинным выводам особенно полезны.

Резервный вариант наблюдения для причинно-следственной связи

Методы наблюдения позволяют нам оценивать контрфактические факты в отсутствие эксперимента при условии, что мы можем убедительно контролировать другие факторы, которые могут объяснить наблюдаемый эффект. Показатели предрасположенности, инструментальные переменные и синтетические контроли — все это методы оценки контрфактуальности, когда рандомизированное лечение невозможно.

Оставляя в стороне их статистические сложности, рандомизированные эксперименты и наблюдательные подходы обычно хорошо работают в мире небольших данных, где мы можем рассуждать о предположениях моделирования и визуально проверять наши данные. Однако сегодняшняя реальность — это мир больших данных. Это вызов и многообещающая возможность — доступность больших объемов данных, имеющих огромную ценность, если бы только у нас был ключ, чтобы разобраться в них. Причинный вывод в масштабе может быть одним из таких ключей.

Что, если бы разработчики приложений могли понять, какие новые функции стимулируют загрузку? Если бы создатели YouTube могли видеть, какие видео приводят к наибольшему количеству подписок? Если бы рекламодатели могли определить, какие кампании или креативы просто не работают? Что, если бы вывод о причинно-следственных связях, основанный на экспериментах или на данных наблюдений, не ограничивался бы контрфактической информацией для небольшой выборки, а мог бы выполняться в любом масштабе?

Автоматизация причинной атрибуции

Две вещи ограничивают применение наших существующих алгоритмов. Во-первых, как мы можем разработать каузальные методы, работающие на высоком уровне автоматизации? И, во-вторых, как мы можем расширить наши модели, чтобы выполнить детальную атрибуцию в масштабе? Давайте рассмотрим обе проблемы.

Традиционно оценка причинно-следственных связей требует длительного мыслительного процесса. Возможен ли рандомизированный эксперимент? Если нет, можем ли мы использовать данные наблюдений, эффективно контролируя искажающие факторы? Статистические методы оценки контрфактуалов достаточно хорошо разработаны и описаны в обширной литературе (недавние примеры см. у Рубина, Перла, Ангриста и Пишке или Имбенса и Рубина). Но автоматизация таких анализов — это новая территория. Как мы выбираем наилучший подход, строим модели, запускаем анализ и диагностику энергопотребления, проверяем чувствительность наших результатов и предпринимаем действия — все автоматически и в миллионах или миллиардах случаев? 9T_t \alpha_t + \varepsilon_t \\
\alpha_{t+1} = T_t \alpha_t+R_t \eta_t \]
Первое уравнение выражает наблюдаемые данные $y$ в терминах линейной комбинации скрытых состояний плюс шум наблюдения. Второе уравнение описывает, как эти латентные состояния развиваются с течением времени. Используя только эти два уравнения, можно сформулировать невероятно богатые модели (подробности см. здесь).

Как перейти от динамики пространства состояний к причинному выводу? Позволив модели предсказать, что произошло бы в прошлом, если бы мы не запустили эту новую функцию. Если бы мы не развернули этот новый продукт в большем количестве стран. Если бы мы не запустили это новое приложение. Рисунок ниже иллюстрирует это. Вертикальная пунктирная линия отмечает начало нашего вмешательства. Вычитая то, что предсказывает модель задним числом, $\hat{y}_t$ (пунктирная линия на верхней панели), из того, что мы фактически наблюдали, $y_t$ (сплошная линия на верхней панели), мы получаем оценку эффект, вызванный нашими действиями (нижняя панель).

CausalImpact использует байесовский подход. Априорный метод «всплеск и плита» позволяет модели выбирать подходящее подмножество ковариат без переобучения данных, особенно в задачах с высокой кардинальностью. А консервативное поведение случайных блужданий переменных состояния подходит для широкого спектра временных рядов, с которыми могут столкнуться автоматизированные системы, если мы уверены, что условия для получения достоверных причинно-следственных оценок удовлетворены. Например, сами ковариаты не должны подвергаться вмешательству, а взаимосвязь между переменной результата и ковариатами должна быть стабильной во времени. Это примеры того, что нам нужно сделать правильно, когда мы движемся к автоматизации причинно-следственного вывода.

Причинная атрибуция в мелком масштабе

Однако помимо автоматизации существует и вторая проблема. Рандомизированные эксперименты и наблюдательные исследования, как правило, предназначены для понимания отдельных вмешательств — запуска функции, рекламной кампании, загрузки видео. Напротив, данные, которые мы хотели бы осмыслить, все чаще состоят из массивных потоков событий и результатов. Например, при посещении веб-сайта мы больше не можем думать о «последнем клике» как об основном причинно-следственном событии — пользователь все равно мог посетить сайт. Скорее, нам нужно разработать модели, которые приписывают причинно-следственную связь целому ряду событий, комбинация которых привела к конечному результату.

Одной из предпосылок детальной атрибуции является более исчерпывающее измерение результатов, чем это было до недавнего времени, например, с помощью кросс-девайсных и офлайн-конверсий. Но другая задача состоит в том, чтобы на самом деле распределить доверие к лежащим в основе причинным событиям. Возьмем аналогию: последний ход сам по себе редко является причиной победы в шахматной партии. Это целая последовательность шагов, заслуживающих похвалы (или порицания). Однако, когда каждая конкретная комбинация событий, ведущих к действию пользователя, встречается редко, мы имеем дело с невероятно разреженными большими данными. Детализированная атрибуция была постоянной аналитической головной болью, указывающей на то, что нам предстоит пройти долгий путь с точки зрения того, чтобы сделать большие данные широко полезными для причинно-следственных выводов.

Что мы получим, решая автоматический и детальный вывод о причинно-следственных связях? Ответ прост — это способ определить, насколько каждый показ, клик или загрузка способствовали желаемому результату, например, посещению веб-сайта, загрузке приложения или регистрации учетной записи. Таким образом, это способ оценить, какую ценность принесло каждое из этих событий, и предложить, как следует потратить ограниченные ресурсы, чтобы обеспечить наивысшую предельную отдачу.

В мире больших данных мы больше не стремимся ответить только на один причинно-следственный вопрос. Мы хотим решать все проблемы с атрибуцией — каждый день, мгновенно. Вполне возможно, что в следующие 10 лет мы узнаем больше о причинно-следственных связях в масштабе, чем за последние 100 лет. И попутно станем свидетелями появления новых парадигм науки о данных.

• Получить ссылку
• Фейсбук
• Твиттер
• Пинтерест
• Электронная почта
• Другие приложения

14.

Доказательство воздействия: причинно-следственная связь, атрибуция и вклад

 

Резюме : Означает ли измерение воздействия, что вы должны доказать, что это воздействие было вызвано конкретным вмешательством? Если да, то как установить причинно-следственную связь? Сложность взаимодействий внутри общества может затруднить приписать такую ​​связь, иными словами, приписать «причинно-следственную связь между наблюдаемыми (или ожидаемыми) изменениями и конкретным вмешательством» (OECD, 2002). По этой причине другие методы ограничиваются установлением сопутствующей связи, при этом атрибуция выражается в более скромных терминах, например: «в свете множества факторов, влияющих на результат, […] вмешательство внесло заметный вклад в наблюдаемый результат» (Мейн, 2012, стр. 273).

Причинность, атрибуция и рандомизированные контролируемые испытания

Причинность относится к «связи, которая объединяет причину со следствием» (Hutchinson, 2018). Для Макдэвида и Хоторна необходимо выполнение трех условий для установления причинно-следственной связи:

(1) [вмешательство] должно предшествовать наблюдаемому результату,

(2) наличие или отсутствие [вмешательства] должно быть коррелировано с наличием или отсутствием наблюдаемого исхода и

(3) не может быть никаких других правдоподобных конкурирующих объясняющих факторов, которые могли бы объяснить корреляцию между [вмешательством] и результатом.

(McDavid & Hawthorn, 2006, стр. 25)

Использование контрфактуала позволяет установить причинно-следственную связь при соблюдении этих трех условий (Menzies, 2014).

Узнать больше

Этот подход можно резюмировать следующим образом:

Идея (квази-) экспериментального контрфактического анализа заключается в том, что ситуация группы участников (получающая выгоды от вмешательства/пострадавшая от вмешательства) сравнивается во времени с ситуацией эквивалентной группы сравнения, на которую не повлияло вмешательство. (Leeuw & Vaessen, 2009, стр. 22)

Конкретно этот подход реализуется посредством проведения рандомизированных контролируемых испытаний (РКИ). Этот метод состоит из случайного выбора из подходящей популяции экспериментальной группы, которая получит вмешательство, и контрольной группы, которая будет служить в качестве сравнения для оценки эффекта вмешательства (White et al., 2014, стр. 1). ).

Задача этого подхода состоит в том, чтобы точно оценить контрфактический , определяемый ОЭСР (2002, стр. 19) как «ситуация или состояние, которое гипотетически может преобладать для отдельных лиц, организаций или групп, если бы не было вмешательства», и которое, следовательно, не наблюдается, поскольку вмешательство. Поэтому эту ситуацию необходимо каким-то образом смоделировать. Для решения этой задачи используется ряд методов. Для получения дополнительной информации см. сводную таблицу RCT.

Узнать больше

Обратите внимание, что можно приписать следствие причине, не говоря о том, что следствие на 100% связано с этой причиной. При этом нужно уметь не только установить причинно-следственную связь, но и оценить, в какой степени наблюдаемый результат обусловлен данным вмешательством.

Проблема атрибуции часто упоминается как центральная проблема в оценке воздействия. Центральный вопрос заключается в том, в какой степени изменения в интересующих исходах можно отнести к конкретному вмешательству. Атрибуция относится как к выделению, так и к точной оценке конкретного вклада вмешательства и обеспечению того, чтобы причинно-следственная связь шла от вмешательства к результату. (Leeuw & Vaessen, 2009, стр. 21)

Установление достоверной причинно-следственной связи с использованием (квази-)экспериментального исследования особенно сложно в областях социального вмешательства как по методологическим, так и по прагматическим причинам, которые тесно связаны.

Узнать больше

С методологической точки зрения исследование, целью которого является доказательство (и часто количественная оценка) причинно-следственной связи, должно, среди прочего, соответствовать следующим условиям:

1. Однородность вмешательства во времени и для каждого участника . Например, путь, предлагаемый предприятием по трудоустройству, должен быть одинаковым из года в год и от одного участника к другому.
2. Способность учитывать контекст, внешние факторы и различия среди участников и отделять эффективность лечения от этих других факторов. Например, поскольку участники могут получать различные уровни поддержки от своих семей, эта переменная должна использоваться для уточнения анализа эффективности программы введения.
3. Готовность сосредоточиться на довольно упрощенном определении успеха или эффективности вмешательства. Например, необходимо рассмотреть, нашел ли участник программы трудоустройства работу в течение шести месяцев после окончания программы, не принимая во внимание навыки и социальные сети, которые он или она могли развить, или влияние этого опыта. о семье и друзьях участника.

С прагматической точки зрения, условия, которые необходимо соблюдать, настолько требовательны, что их редко соблюдают. Условия включают:

1. Возможность проведения исследования для получения соответствующих данных. Это может быть очень дорого, до 25% от общего бюджета программы, согласно Zandniapour and Vicinanza (2013).
2. Способность максимально контролировать окружающую среду, чтобы избежать многочисленных внешних изменений. Это практически невозможно вне лабораторных условий. В результате даже очень хорошее исследование типа РКИ будет трудно обобщить в контексте, отличном от того, в котором проводился эксперимент (низкая внешняя валидность).
3. Нет этических проблем в том, что одни участники получают пользу от вмешательства, а другие нет. Это может стать серьезным препятствием, если рассматриваемое вмешательство считается гарантированным государством правом (например, доступ к качественному медицинскому обслуживанию или образованию).

Таким образом, условия, необходимые для того, чтобы приписать изменение вмешательству, очень трудно выполнить. Некоторые считают это не чем иным, как вызовом. Другими словами, они рассматривают РКИ, даже если они никогда не применялись идеально, как эталон — отсюда и выражение «золотой стандарт» — для сравнения точности других методов, которые затем будут применяться на практике (квазиэкспериментальные планы). Другие исследователи и практики, напротив, считают определенные трудности непреодолимыми, поэтому они выступают против более широкого использования этой техники и способа мышления в социальной сфере.

 

• Текст Cupitt (2015)
• Текст Лабруса (2016 г.) (на французском языке)
• Текст Равальона (2018)
• Текст Леу и Вессена (2009)

 

Анализ вклада и теория изменений

Чтобы преодолеть значительные трудности приписывания следствия причине, исследователи, такие как Джон Мейн из Международного исследовательского центра развития (IDRC), разработали подход, основанный на вкладе анализ (Мейн, 2001). Согласно Мейну, путаница в этих дискуссиях отчасти связана с тем фактом, что понятие причинности может использоваться для описания нескольких типов связей, которые могут быть необходимыми и/или достаточными или ни одним из них. В следующей таблице представлены различные случаи с примерами, относящимися к сектору здравоохранения (Mayne, 2012, стр. 275).

Таким образом, хотя относительно просто приписать причинность в контекстах, где причинная связь необходима, подавляющее большинство случаев, изучаемых в интересующих нас областях (связанных с социальной экономикой), включают причинно-следственные связи, в которых нет необходимости. ни достаточно. Наоборот, они являются сопутствующими причинами. Чтобы установить взаимосвязь с помощью так называемого анализа вклада , Мейн рекомендует разработать надежную теорию изменений, предприняв следующие шаги:0019

1. Изложить причинно-следственную проблему, которую необходимо решить;
2. Разработать постулируемую теорию изменений и связанные с ней риски, включая альтернативные объяснения;
3. Собрать существующие доказательства теории изменений;
4. Соберите и оцените заявление о взносах и его возражения;
5. Найдите дополнительные улики;
6. Пересмотреть и усилить историю вклада.

(Mayne, 2012, стр. 272)

Эти шаги более подробно описаны на веб-сайте BetterEvaluation (BetterEvaluation, 2016).

Подробнее

Для Smutylo очень важно не зацикливаться на воздействии и результатах , , поскольку они обычно находятся вне контроля организаций и не могут быть разумно доказаны:

Результаты часто достигаются в течение длительного времени вниз по течению и может не принять ожидаемой формы. Результаты зависят от реагирования на специфические факторы контекста, создавая разнообразие инициатив. Ценность и устойчивость результатов обычно зависят от глубины и широты участия многих заинтересованных сторон. Эти характеристики затрудняют для внешних агентств: а) определение и соотнесение конкретных результатов с конкретными компонентами их программ; и б) агрегировать и сравнивать результаты по инициативам. (Smutylo, 2001, стр. 1)

Он даже поддерживает этот аргумент в песне:

Таким образом, анализ вклада предлагает организациям и их оценщикам шире использовать качественные методы. Этот дискурс не был придуман IDRC в начале 2000-х годов. На самом деле, большинство специалистов по оценке в Квебеке, Франция (Branger et al., 2014; Duclos, 2007) и других странах (Scriven, 1998; Patton, 2008) уже давно выступают за совместную и гибкую, но строгую оценку.

Хотя прагматизм является весомой причиной для принятия решения об использовании качественных или смешанных методов, а не дизайна эксперимента (Pluye et al., 2009, стр. 123), он не единственный. Действительно, качественная часть оценки — единственная, которая может дать «детальные описания сложных явлений, основанные на эмпирическом опыте в конкретном контексте […] лучшее понимание разработки сложных программ […] и более глубокое понимание того, почему эти программы работа» (Pluye et al., 2009, стр. 125; наш перевод). Другими словами, один из основных вкладов оценочных подходов, таких как анализ вклада, заключается в том, чтобы открыть «черный ящик», пытаясь объяснить, как вмешательство способствует результату, а не просто пытаясь оценить, можно ли отнести эффект к результату. причина (Leeuw, 2012, стр. 353).

В заключение, хотя большинство определений воздействия включают понятие атрибуции, часто более честным и реалистичным является — вместо того, чтобы пытаться доказать причинно-следственную связь между действием и эффектом вне всякого сомнения — говорить о вероятной связи, поэтому что «в свете множества факторов, влияющих на результат, вмешательство внесло заметный вклад в наблюдаемый результат» (Mayne, 2012, стр. 273).

Следует отметить, однако, что эти два подхода, в конце концов, относительно близки. Хороший анализ вклада согласуется с критериями демонстрации причинно-следственной связи, изложенными ранее. Фактически формулируется теория, объясняющая причинно-следственную связь, а затем она сверяется с реальностью с помощью различных подходов к сбору данных (наблюдение, обзор литературы, опрос, интервью и т. д.). Если принять во внимание контекстуальные факторы, а затем отбросить соперничающие объяснения, мы можем говорить о правдоподобной вспомогательной связи.

Подводя итог, хотя нюансы между атрибуцией и вкладом важны, мы не должны теряться в этих дебатах, потому что, как указано в блоге Aid Leap, каждый подход признает, что существует множество факторов, и в основном задает один и тот же вопрос: что произвело ли вмешательство и что было бы без него?

 

• Специальный выпуск журнала Оценка с упором на анализ вклада (том 18, номер 3, июль 2012 г.)
• Статья BetterEvaluation об анализе вклада
• 20_48. (2010). «По поводу атрибуции причины и следствия», с. 11-13 (на французском языке)

Уточнить ожидания и выбрать метод, адаптированный к контексту

В первом разделе этого веб-портала говорится, что измерение воздействия относится к «деятельности по оценке эффектов (или результатов) вмешательства». Однако в нем также говорится, что «методы [измерения воздействия] могут включать в себя разную степень формализации или научной строгости, начиная от опросов, основанных на восприятии нескольких участников, и заканчивая лонгитюдными исследованиями со случайно выбранными контрольными группами (рандомизированные контролируемые испытания)».

Таким образом, приступая к процессу измерения воздействия, задача состоит не столько в том, чтобы определить, что такое измерение воздействия, а в том, что от него ожидают вы и ваши заинтересованные стороны (директора, члены, сотрудников, спонсоров и др.). Именно соответствие между привилегированным подходом и этими ожиданиями определит успех вашей инициативы.

Узнать больше

Чтобы помочь нам в этом процессе, такие организации, как Фонд Nesta, предложили стандартов доказательности, предполагая, например, что исследование с контрольной группой лучше, чем исследование, в котором измеряются только изменения между началом и концом вмешательства, или что многие исследования с контрольными группами лучше, чем одно.