Theory of Change — явное проверяемое объяснение того, как и почему действия должны способствовать результатам в конкретном контексте. Оно связывает желаемое влияние с предварительными условиями, механизмами, допущениями, данными и индикаторами.
За одну минуту
Рабочая Theory of Change различает:
- impact — долгосрочное состояние, в которое программа вносит вклад;
- outcomes — изменения поведения, способности, доступа или условий;
- outputs — непосредственно созданные продукты и услуги;
- activities и inputs — действия и ресурсы программы;
- causal links и mechanisms — почему одно условие влияет на другое;
- assumptions и external factors — что должно сохраниться и что не контролируется;
- indicators и evidence — как проверяются прогресс, сбой, вред и альтернативные объяснения.
Стрелки — утверждения, а не декор. Каждая важная связь должна обсуждаться, подтверждаться и пересматриваться.
Лучше всего: для программ, где результаты зависят от поведения, контекста и нескольких участников.
Не подходит: для простого delivery-checklist, навязанного результата без участия затронутых групп или обещания attribution по диаграмме.
Какую проблему решает
Программы часто считают активность — сессии, запуск систем, регистрации — и предполагают, что outcomes последуют. Theory of Change показывает недостающие причинные шаги: кто должен изменить что, через какой механизм, при каких условиях и что ещё объясняет результат.
Метод не доказывает, что программа вызвала outcome. Он направляет дизайн и оценку; causal inference зависит от доказательной стратегии.
Когда применять
Применяйте Theory of Change, когда:
- программа содержит несколько результатов и причинных стадий;
- успех зависит от adoption, институтов, партнёров или контекста;
- funders, delivery-команды и группы имеют разные допущения;
- индикаторы считают outputs вместо значимого изменения;
- evaluation questions и сбор данных нуждаются в причинной структуре;
- вмешательство должно адаптироваться без потери intent.
Когда не применять
Не используйте метод:
- для оправдания заранее фиксированного решения;
- чтобы изображать линейный мир при доминирующей обратной связи;
- принимать stakeholder consensus за причинное доказательство;
- исключать вред, распределение эффектов и отсутствующие группы;
- заявлять attribution по завершённой диаграмме;
- строить плотную «карту всего» без решения.
Необходимые входные данные
- границы населения, места, горизонта и decision use;
- взгляды затронутых групп и анализ власти;
- точная impact-амбиция и safeguards;
- данные о механизмах, барьерах и контексте;
- альтернативы и внешние contributors;
- evaluation capacity, индикаторы и data governance;
- владелец и ритм пересмотра.
Пошаговый процесс
1. Определите назначение и границу
Укажите, служит ли теория дизайну, funding, внедрению, оценке или адаптации. Задайте population, place, horizon и exclusions.
2. Опишите impact и safeguards
Формулируйте долгосрочное состояние как вклад, а не обещание. Добавьте то, что нельзя ухудшить: доступ, burden, права и экологию.
3. Двигайтесь назад к outcomes
Спросите, какие предшествующие условия нужны для impact, затем какие ранние outcomes создают их. Поведение и системные условия должны наблюдаться.
4. Добавьте outputs, activities и inputs
Соедините непосредственно контролируемые действия с ранними outcomes. Attendance и deployment обычно outputs, не outcomes.
5. Объясните причинные механизмы
Для важной стрелки укажите, почему, для кого и при каких обстоятельствах изменение ожидается. Добавьте evidence и uncertainty.
6. Покажите допущения и контекст
Запишите participation, trust, incentives, capacity, policy, infrastructure и partner behaviour. Назовите внешние факторы и power asymmetries.
7. Проверьте альтернативные пути
Спросите, что ещё создаёт outcome, где цепь ломается и как feedback loops меняют последовательность. Удалите необъяснимые стрелки.
8. Спроектируйте indicators и evidence
Выберите небольшой набор output-, outcome-, mechanism-, equity- и unintended-effect-индикаторов. Определите источник, знаменатель, время и владельца.
9. Задайте решения обучения
Для критического допущения определите данные для continue, adapt, stop или redesign. Планируйте review теории, а не только performance report.
Линза AI-автоматизации
AI может трассировать утверждения к источникам, находить пропущенные допущения, сравнивать версии и суммировать разрешённые качественные данные.
AI не должен выводить потребности сообщества из proxy без участия, придумывать причинность, скрывать распределительный вред, объединять спорные ценности, заявлять attribution или решать допустимый вред.
Визуальная модель
Интерактивный пример
Организация запускает AI-помощника по пособиям. Черновик говорит: «развернуть chatbot → повысить финансовую устойчивость» и считает sessions.
Рабочий ответ: идите назад от доступного получения положенных выплат. Outcomes: понимание, доверие, корректность guidance, завершённые заявления и своевременные решения. Accessible explanations и human escalation — outputs; deployment — activity. Assumptions: digital access, language coverage, актуальные правила и capacity ведомства. Измеряйте completion, accuracy, time, appeal, drop-off и распределение по группам; сохраните non-digital route.
Заметки фасилитатору
- Привлекайте затронутые группы до фиксации outcomes.
- Стройте назад, чтобы избежать activity-first.
- Для плотной схемы ведите отдельный assumptions register.
- Различайте contribution и attribution.
- Показывайте evidence confidence и спорные ценности.
- При динамике добавляйте анализ feedback loops.
Ожидаемый результат
- ограниченный путь impact и outcomes;
- различимые outputs, activities и inputs;
- механизмы важных связей;
- реестр допущений и внешних факторов;
- индикаторы outcomes, mechanisms, equity и harm;
- альтернативные объяснения и пробелы;
- continue/adapt/stop-решения и review cadence.
Типичные ошибки
- Activity принимают за outcome.
- Стрелка не имеет механизма.
- Линейная схема выдаётся за определённость.
- Consensus принимают за доказательство.
- Отрицательные и распределительные outcomes пропущены.
- Диаграмма не меняется при новых данных.
Чек-лист качества
- Назначение, population, place, horizon и exclusions явны.
- Impact сформулирован как contribution.
- Outputs и outcomes различимы.
- Критические стрелки содержат mechanism и evidence confidence.
- Допущения, внешние факторы и власть видимы.
- Затронутые группы проверили outcomes и harms.
- Indicators включают mechanisms, equity и unintended effects.
- Альтернативы и adaptation decisions записаны.
Шаблон
| Элемент пути | Механизм | Допущение / контекст | Indicator / источник | Альтернатива | Decision trigger / owner |
|---|---|---|---|---|---|
| Input → activity → output → outcome → impact | Почему и для кого | Что должно сохраниться | Определение, знаменатель, время | Что ещё объясняет | Continue / adapt / stop |
Проверка знаний
Вопрос: программа провела 2 000 training sessions. Куда относится показатель?
Ответ: обычно к output или delivery measure. Outcome описывает возникшее изменение способности, поведения или состояния.
Связанные методы
Источники
- HM Treasury. The Magenta Book. Официальное руководство (откроется в новой вкладке). Доступ 22 сентября 2026.
- UK Government Analysis Function. Theory of Change Toolkit (откроется в новой вкладке).
- UK FCDO. Theory of Change Guidance (откроется в новой вкладке).
- Erica Breuer et al., 2016. DOI (откроется в новой вкладке).
- Thomas Archibald et al., 2016. DOI (откроется в новой вкладке). Работа показывает ограничения качества и применения.
Профиль метода
- Главный результат: проверяемый причинный путь, assumptions register и evidence plan для обучения.
- Уровень решения: программа, policy, портфель или экосистема.
- Сила данных: широко используемая evaluation-практика; качество и причинная полезность сильно зависят от процесса и evidence.
- Триггер пересмотра: провал допущения, изменение контекста, распределительный вред, новые causal data или evaluation decision.