ロジックモデルとは？
ロジックモデルは、介入の計画、モニタリング、評価に使う視覚的なツールです。 アクティビティから長期的なインパクトに至るまでの因果経路を示し、プログラムが意図したアウトカムを達成する「方法」と「理由」を明確にします。
MUSEのロジックモデルは、因果関係の矢印でつながれた5つのステージで構成されています。
5つのステージ
| ステージ | 色 | 説明 | 例 |
|---|---|---|---|
| アクティビティ | 青 | プログラムが実施する具体的な行動 | ワークショップの実施、教材の配布 |
| アウトプット | 緑 | アクティビティの直接的な成果物 | 開催したワークショップ数、配布した教材数 |
| 短期アウトカム | 黄 | 知識や態度、行動における即時の変化 | 意識向上、スキルの習得 |
| 中期アウトカム | 黄 | 短期アウトカムがもたらす中長期的な変化 | 政策の変化、コミュニティへの普及 |
| インパクト | 紫 | 長期的な社会変革（最終的なゴール） | 貧困の削減、公衆衛生の改善 |
つながり方
アクティビティ → アウトプット → 短期アウトカム → 中期アウトカム → インパクト
それぞれの矢印は因果関係を表します。 あるステージが次のステージにつながるという主張です。 MUSEでは、これらの因果のつながりに研究エビデンスを裏付けとして紐付けることができ、ロジックモデルの信頼性と説得力が高まります。
なぜロジックモデルを使うのか？
- 明確さ：変化がどのように起きるかについての前提を明文化できる
- エビデンスに基づく計画：プログラム設計を研究成果と結びつける
- 説明責任：進捗を測るための明確な枠組みを作る
- コミュニケーション：プログラムのロジックをステークホルダーが理解しやすくなる
- 評価：何を、いつ測定すべきかのロードマップを提供する
MUSEにおけるロジックモデル
MUSEはロジックモデルの構築をデジタル時代に対応させます：
- ビジュアルキャンバス：インタラクティブなドラッグ＆ドロップのキャンバスでロジックモデルを構築する
- AI生成：取り組みの説明を入力するだけで、AIが完全なロジックモデルを生成する
- エビデンスのリンク：AIが各因果接続に関連する研究を自動的に検索してリンクする
- 指標：モデルの任意のステージに測定可能な指標を付与する
- 保存とバージョン履歴：ロジックモデルをワークスペースに保存する。保存のたびにバージョンが残り、あとから復元できる
- 共有：ワークスペースのメンバーと共有する、または閲覧専用のリンクで誰とでも共有する
例：教育プログラム
農村コミュニティの識字率向上を目指すプログラムを計画しているとします：
| ステージ | 例 |
|---|---|
| アクティビティ | 教育アプリ入りタブレットを学校に配布する |
| アウトプット | 20校に500台のタブレットを配布 |
| 短期アウトカム | 生徒が週3時間以上タブレットを使用し、読解スコアが15%向上 |
| 中期アウトカム | 学校がデジタルカリキュラムを採用し、教師の能力が向上 |
| インパクト | 地域全体の識字率が改善 |
各ステージ間のつながりは研究エビデンスで裏付けることができます。 例えば、「タブレット配布」と「読解スコアの向上」を結ぶリンクは、教育テクノロジーの有効性を示すランダム化比較試験によって支持される場合があります。
よくある誤解
「うちのプログラムはシンプルすぎてロジックモデルは必要ない」 どれだけシンプルなプログラムでも、ロジックをマッピングすることで得られるものがあります。 ロジックモデルを構築するプロセス自体が、現実の問題になる前に、プログラム設計に隠れた前提やギャップを浮かび上がらせることがよくあります。
「始める前にすべてのエビデンスを揃えなければならない」 そんなことはありません。 MUSEのAIは、エビデンスが存在する部分とプログラムが妥当な仮定に頼っている部分の特定を助けてくれます。 エビデンスのギャップを把握することは、強みを知ることと同じくらい価値があります。
「ロジックモデルは評価チームだけのもの」 ロジックモデルは、プログラムの設計者、実施者、資金提供者、コミュニティメンバーが協力して構築するときに最も力を発揮します。 変化がどのように起きるかについての共通理解は、全員にとって有益です。