Calidad de la agenda de aprendizaje MEL: Puntúe la sección de preguntas de aprendizaje de un plan de M&E según su relevancia estratégica, posibilidad de respuesta y vínculo con decisiones. Pegue la sección para evaluar si las preguntas impulsarán un aprendizaje que oriente la adaptación del programa.
Calidad de la columna de supuestos del Marco Lógico: Puntúe la columna de supuestos de un marco lógico en cuanto a cobertura, testabilidad y conexión con la lógica causal. Pegue el marco lógico para evaluar si los supuestos cumplen su función analítica. Use esta rúbrica para la columna del marco lógico o del marco de resultados; para la sección de supuestos de una narrativa de Teoría del Cambio, consulte toc-assumptions-quality.
Calidad de la medición vinculada a decisiones: Califique qué tan bien un entregable vincula sus datos, indicadores o hallazgos con decisiones específicas en cinco dimensiones utilizando IA. Use para evaluar planes MEL, hojas de referencia de indicadores, briefs de monitoreo, informes de evaluación, agendas de aprendizaje y cualquier entregable que deba impulsar acción en lugar de solo describir el estado.
Calidad de los supuestos de la Teoría del Cambio: Evalúe la sección de supuestos de una Teoría del Cambio. Pegue los supuestos para determinar si están formulados de manera explícita, son verificables, están priorizados y están conectados a vínculos causales específicos. Utilice esta rúbrica para la sección de supuestos del relato de la Teoría del Cambio; para la columna de supuestos de un marco lógico o un marco de resultados, consulte logframe-assumptions-column.
Calidad del diagrama de flujo de datos MEL: Evalúe el diagrama de flujo de datos dentro de un plan MEL para verificar su completitud, la claridad de roles y su viabilidad. Pegue el diagrama (o su descripción narrativa) para obtener una evaluación estructurada con prioridades de revisión.
Columna de medios de verificación del Marco Lógico: Evalúe la columna de medios de verificación (MoV) de un marco lógico en cuanto a especificidad de la fuente, idoneidad del método y claridad de la frecuencia. Pegue el marco lógico para determinar si la columna de MoV guiará la recolección de datos.
Completitud de la cadena causal de la Teoría del Cambio: Evalúe si la cadena causal de una Teoría del Cambio cubre toda la lógica, desde los insumos hasta el impacto. Pegue la Teoría del Cambio para identificar vacíos, saltos y pasos intermedios faltantes.
Evaluación de la calidad del Marco Lógico: Evalúe un marco lógico en cinco dimensiones utilizando IA. Pegue su marco lógico en la instrucción para obtener una evaluación de calidad estructurada con puntuaciones por dimensión, citas de evidencia y revisiones prioritarias.
Evaluación de la Teoría del Cambio: Evalúe una Teoría del Cambio en cinco dimensiones utilizando IA. Pegue su narrativa o descripción de diagrama de la ToC para obtener una evaluación de calidad estructurada con puntuaciones por dimensión, citas de evidencia y revisiones prioritarias.
Lógica causal de la Teoría de Cambio: Califique la lógica causal de una teoría de cambio en cinco dimensiones utilizando IA. Esta es una rúbrica de componente enfocada únicamente en la cadena causal, útil cuando una ToC está incrustada en un marco lógico, plan MEL, análisis de contribución o memorando de gestión adaptativa. Para una evaluación holística de un documento ToC completo que incluye participación de actores y presentación, use la rúbrica theory-of-change-assessment.
Matriz de roles y responsabilidades MEL: Evalúe la matriz de roles y responsabilidades de un plan de MEL en cuanto a integridad, especificidad y viabilidad. Pegue la matriz para verificar si cada función de M&E tiene un responsable claramente designado.
Revisión del plan MEL: Califica un plan de Monitoreo, Evaluación y Aprendizaje (MEL) en cinco dimensiones utilizando IA. Pega tu plan MEL para obtener una evaluación de calidad estructurada con puntuaciones por dimensión, citas de evidencia y revisiones prioritarias.
Alineación de indicadores con los requisitos del donante: Evalúe si sus indicadores están alineados con el marco requerido por el donante (FFP, USAID, DAC, etc.). Pegue su conjunto de indicadores nombrando el marco objetivo del donante.
Calidad de indicadores: Califique cualquier indicador o conjunto de indicadores en cualquier documento de M&E (marcos lógicos, planes MEL, PIRS, hojas de referencia de indicadores, marcos de resultados) según los criterios SMART, claridad de definición, desagregación, documentación de fuentes y coherencia de familia de indicadores utilizando IA.
Calidad de la desagregación: Califique la calidad de la desagregación de datos a lo largo del pipeline completo (planificación, recolección, análisis, reporte y uso) utilizando IA. Aplica a planes MEL, marcos de indicadores, encuestas, informes de evaluación, informes de progreso a donantes y resúmenes de monitoreo donde los datos deban desagregarse.
Claridad del enunciado del indicador: Evalúe únicamente la redacción del enunciado de un indicador en cuanto a claridad, precisión y especificación de la unidad de medida. Pegue el enunciado del indicador para obtener un diagnóstico enfocado en la calidad del lenguaje.
Clasificación de productos y resultados de indicadores: Evalúe si los indicadores están correctamente clasificados en los niveles de producto, resultado o impacto. Pegue los indicadores para identificar las clasificaciones erróneas que oscurecen la cadena de resultados.
Diseño de indicador compuesto: Evalúe el diseño de un indicador compuesto o índice para la selección de componentes, la lógica de ponderación y la transparencia. Pegue la definición del indicador para evaluar la calidad de construcción.
Idoneidad de las fuentes de los indicadores: Evalúe si los medios de verificación (fuente de datos y método de recolección) declarados para cada indicador son apropiados, específicos y factibles. Pegue el indicador con su MoV para valorar la adecuación fuente-método.
Justificación de indicador proxy: Califique la justificación del uso de indicadores proxy. Pegue el indicador proxy y su argumentación para evaluar si el vínculo proxy-resultado está defendido y delimitado.
Validez de la línea de base y las metas: Evalúe la plausibilidad y solidez de los valores de línea de base y las metas asociadas a los indicadores. Pegue el indicador con su línea de base y meta para determinar si los valores son defendibles.
Verificación de criterios SMART: Califique uno o varios indicadores específicamente frente a los criterios SMART (Específico, Medible, Alcanzable, Relevante, con plazo definido). Pegue el o los indicadores para obtener una evaluación por criterio con sugerencias de revisión.
Calidad de la guía FGD: Califique una guía de discusión grupal focal en cinco dimensiones utilizando IA. Pegue su guía para obtener una evaluación puntuada del diseño de preguntas, estructura, ética, alineación con la investigación y orientación al facilitador. Use esta rúbrica cuando revise una guía FGD como documento independiente o integrada en un informe de inicio, diseño de evaluación o evaluación de necesidades.
Calidad de la guía KII: Califique una guía de entrevista a informante clave en cinco dimensiones utilizando IA. Pegue su guía para obtener una evaluación puntuada del diseño de preguntas, estructura, ética, alineación con la investigación y orientación al entrevistador. Use esta rúbrica cuando revise una guía KII como documento independiente o integrada en un informe de inicio, diseño de evaluación o evaluación de necesidades.
Calidad de la lista de verificación de observación: Evalúe el diseño de una lista de verificación de observación estructurada en cuanto a observabilidad, consistencia entre observadores y usabilidad en campo. Pegue la lista de verificación para determinar si las observaciones serán confiables.
Calidad de la traducción de una encuesta: Evalúe la calidad de un instrumento de encuesta traducido en cuanto a fidelidad, adaptación cultural y evidencia de retrotraducción. Pegue la fuente y la traducción para valorar la equivalencia.
Calidad de las opciones de respuesta de encuesta: Evalúe las opciones de respuesta de una encuesta en cuanto a exhaustividad, exclusividad mutua y diseño de escalas. Pegue la encuesta para determinar si las alternativas de respuesta producirán datos limpios y analizables.
Calidad de las preguntas de sondeo para grupos focales: Evalúe las preguntas de sondeo de una guía de grupo focal (FGD) según su profundidad, neutralidad y secuenciación. Pegue la guía para determinar si las preguntas de sondeo lograrán hacer emerger insights significativos.
Calidad del diseño muestral: Califique un diseño muestral en cinco dimensiones utilizando IA. Pegue su plan de muestreo para obtener una evaluación estructurada de estrategia, tamaño, selección, cobertura y replicabilidad antes de comenzar el trabajo de campo.
Calidad del protocolo de FGD/KII: Califique un protocolo de grupo focal o entrevista a informante clave en cinco dimensiones utilizando IA. Pegue su protocolo para obtener una evaluación estructurada del diseño de preguntas, estructura, ética, alineación y guía del facilitador antes del trabajo de campo.
Diseño de preguntas para guía KII: Califique el diseño de preguntas de una guía de Entrevista a Informante Clave (KII) según su apertura, profundidad y ajuste al tipo de informante. Pegue la guía KII para determinar si las preguntas harán emerger una mirada experta real.
Formulación de preguntas de encuesta: Evalúe la formulación de las preguntas de su encuesta en cuanto a claridad, neutralidad y ausencia de sesgos comunes (preguntas tendenciosas, de doble enunciado, ambiguas). Pegue sus preguntas para obtener un diagnóstico individualizado.
Revisión de instrumentos de encuesta: Utilice la IA para revisar un cuestionario de encuesta antes de su despliegue en campo. Obtenga puntuaciones por dimensión, preguntas señaladas con correcciones y una lista de revisión lista para implementar en minutos.
Calidad de los términos de referencia de evaluación: Califique los Términos de Referencia (TdR) de una evaluación en cinco dimensiones utilizando IA. Pegue su borrador de TdR para obtener una evaluación estructurada de alcance, preguntas, metodología, entregables y ética antes de la adquisición.
Calidad del informe de inicio de evaluación: Califique un informe de inicio de evaluación en cinco dimensiones utilizando IA. Pegue su borrador para obtener una evaluación estructurada de las preguntas refinadas, metodología, herramientas, plan de análisis y disposiciones de riesgo/ética antes de la aprobación para proceder al trabajo de campo.
Calidad del plan de trabajo del informe de inicio: Puntúe la sección de plan de trabajo de un informe de inicio de evaluación según el realismo del cronograma, la claridad de los hitos y el mapeo de dependencias. Pegue el plan de trabajo para determinar si la evaluación cumplirá a tiempo.
Criterios de selección del evaluador: Puntúe los criterios de selección del evaluador y la matriz de puntuación de unos Términos de Referencia. Pegue la sección para evaluar si los criterios permitirán identificar al candidato adecuado.
Estructura de gobernanza y gestión de la evaluación: Evalúe la estructura de gobernanza y supervisión de una evaluación. Pegue la sección para verificar si el dispositivo de gestión sostendrá la evaluación hasta la entrega del informe final.
Idoneidad del presupuesto de los TdR: Evalúe si el presupuesto de unos Términos de Referencia de evaluación es adecuado al alcance y a los métodos previstos. Pegue las secciones de presupuesto y alcance para valorar la viabilidad.
Plan de participación de partes interesadas en el informe inicial: Puntúe la sección de participación de partes interesadas de un informe inicial. Pegue la sección para verificar si las partes interesadas serán efectivamente involucradas a lo largo de la evaluación.
Preguntas de evaluación de los TdR: Puntúe las preguntas de evaluación de unos Términos de Referencia según su alcance, capacidad de respuesta y relevancia para la decisión. Pegue la sección de preguntas para verificar si producirán hallazgos realmente útiles.
Calidad del involucramiento de partes interesadas: Califique la calidad del involucramiento de partes interesadas en cinco dimensiones utilizando IA. Use para evaluar planes MEL, ToR de evaluación, informes de inicio, informes de evaluación, agendas de aprendizaje, análisis de contribución y cualquier entregable que involucre consulta a partes interesadas.
Calidad del Marco de codificación cualitativa: Evalúe un marco de codificación cualitativa (libro de códigos) en cuanto a estructura, exclusividad mutua e higiene de teoría fundamentada. Pegue el libro de códigos para determinar si producirá una codificación consistente.
Calidad del Marco muestral: Puntúe el marco muestral en sí (la lista o fuente de la que se extrae la muestra) en cuanto a integridad, vigencia y cobertura. Distinto de la justificación del tamaño de muestra. Use esto para el marco en sí (cobertura, vigencia, limpieza, limitaciones del marco); para la justificación del tamaño de muestra y la lógica de selección, consulte sample-justification.
Calidad del plan de análisis: Califique la sección del plan de análisis de cualquier documento donde se requiera, incluidos planes MEL, informes de inicio, informes de evaluación, análisis de contribución y evaluaciones de necesidades. Use para confirmar que el plan se mapea a las preguntas, nombra métodos específicos e incluye triangulación y verificaciones de calidad.
Declaración de limitaciones metodológicas: Evalúe la declaración de limitaciones metodológicas de un informe en cuanto a honestidad, exhaustividad y claridad sobre cómo afecta a los hallazgos. Pegue la sección de limitaciones para juzgar su credibilidad.
Integración de métodos mixtos: Evalúe cómo se integran los datos cualitativos y cuantitativos en un diseño de métodos mixtos. Pegue la sección de metodología o análisis para determinar si la integración es sustantiva (y no meramente paralela).
Justificación de la muestra: Evalúe el tamaño de la muestra y la justificación de la selección en una metodología o un plan de muestreo. Pegue la sección de muestreo para determinar si la muestra respaldará los análisis previstos. Úselo para justificar el tamaño y la estrategia de selección de la muestra (propósito analítico, potencia, ajuste del método, viabilidad); para el marco muestral en sí (la lista o fuente de donde se extrae la muestra), consulte sampling-frame-quality.
Plan de gestión adaptativa: Evalúe el plan de gestión adaptativa de su programa para verificar si los hallazgos retroalimentan realmente las decisiones. Pegue la sección para determinar si el aprendizaje generará ajustes programáticos concretos.
Resultados de la prueba piloto del instrumento: Evalúe la documentación de la prueba piloto del instrumento (qué se probó, con quién, qué se revisó). Pegue el informe del piloto para determinar si el instrumento final está listo para el campo.
Rigor metodológico: Califique el rigor metodológico de una evaluación, estudio o evaluación de necesidades en cinco dimensiones utilizando IA. Use para evaluar planes MEL, ToR de evaluación, informes de inicio, informes de evaluación, análisis de contribución, evaluaciones de necesidades, planes de muestreo y cualquier documento donde las elecciones metodológicas requieran justificación y salvaguardias de calidad.
Solidez de la triangulación: Evalúe el enfoque de triangulación a través de métodos, fuentes y perspectivas en un plan de análisis o evaluación. Pegue la sección correspondiente para determinar si los hallazgos podrán contrastarse de forma defendible. Use esta rúbrica para el enfoque de triangulación en sí (método, fuente, investigador, resolución de contradicciones, visibilidad en el informe); para una revisión probatoria hallazgo por hallazgo en un informe, consulte findings-evidence-strength.
Accionabilidad de las recomendaciones: Puntúe las recomendaciones de un informe en cuanto a claridad, responsabilidad y accionabilidad. Pegue la sección de recomendaciones para verificar si quienes deciden pueden actuar sobre ellas.
Calidad de hallazgos a recomendaciones: Califique qué tan bien los hallazgos se traducen en recomendaciones accionables en cinco dimensiones utilizando IA. Use para evaluar informes de evaluación, informes de progreso a donantes, análisis de contribución, resúmenes de aprendizaje, resúmenes de monitoreo, estudios de caso y cualquier documento donde los hallazgos deban impulsar las recomendaciones.
Calidad de la sección de metodología: Evalúe la sección de metodología de un informe de evaluación en términos de transparencia, exhaustividad y reproducibilidad. Pegue la sección de metodología para determinar si un lector podría reconstruir el estudio.
Calidad de la visualización de datos: Puntúe los gráficos y visualizaciones de datos de un informe según la idoneidad del tipo de gráfico, el etiquetado y la integridad. Pegue el informe (con descripciones de los visuales si no hay imágenes) para verificar si los visuales comunican con claridad.
Calidad de las lecciones aprendidas: Evalúe la sección de lecciones aprendidas de un informe según su accionabilidad, generalizabilidad y base de evidencia. Pegue las lecciones aprendidas para determinar si serán útiles más allá de este programa.
Calidad del informe de evaluación de necesidades: Califique un informe de evaluación de necesidades en cinco dimensiones utilizando IA. Pegue su informe para obtener una evaluación estructurada de definición del problema, metodología, identificación de necesidades, voz de la población y recomendaciones antes del diseño del programa.
Calidad del resumen ejecutivo: Evalúe el resumen ejecutivo de un informe de evaluación en cuanto a integridad, claridad de los hallazgos clave y valor autónomo. Pegue el resumen ejecutivo para verificar si puede servir como nota de decisión para la dirección.
Comentario sobre la ejecución presupuestaria: Evalúe el comentario financiero en un informe de avance (presupuesto previsto vs. ejecutado y explicación de variaciones). Pegue la sección narrativa para valorar la transparencia y la capacidad de orientar la toma de decisiones.
Lenguaje claro y accesibilidad: Califique la calidad del lenguaje claro y la accesibilidad de cualquier producto de M&E en cinco dimensiones utilizando IA. Use para evaluar informes a donantes, resúmenes de monitoreo, resúmenes de aprendizaje, memos adaptativos, informes de evaluación, estudios de caso y cualquier producto comunicado a una audiencia no especialista.
Puntuación de informes de evaluación: Utilice la IA para puntuar un informe de evaluación en cinco dimensiones de calidad. Obtenga un veredicto estructurado con citas de evidencia y un resumen de revisión antes de aceptar o publicar el informe.
Redacción de evaluación basada en Teoría: Evalúe la prueba explícita de la Teoría del Cambio en el apartado de hallazgos. Pegue la sección para verificar si la teoría del cambio realmente se evaluó como hipótesis y no solo se usó como artefacto de planificación.
Revisión de informe de progreso del donante: Califique un informe de progreso del donante en cinco dimensiones utilizando IA. Pegue su informe narrativo para obtener una evaluación de calidad estructurada con puntuaciones por dimensión, citas de evidencia y revisiones prioritarias antes de la presentación.
Sección de análisis de contribución: Evalúe una sección redactada de análisis de contribución. Pegue el texto para verificar si las afirmaciones de contribución están adecuadamente delimitadas por la evidencia disponible y por un razonamiento contrafactual sólido.
Solidez de la evidencia de los hallazgos: Evalúe si cada hallazgo de un informe está debidamente respaldado por evidencia. Pegue la sección de hallazgos para valorar la citación de fuentes, la triangulación y la solidez de la inferencia, hallazgo por hallazgo. Use esta rúbrica para la revisión probatoria por hallazgo en un informe; para puntuar el enfoque de triangulación en sí (método, fuente, investigador, resolución de divergencias), consulte triangulation-strength.
Almacenamiento de datos y prácticas de privacidad: Evalúe las prácticas de almacenamiento y privacidad de datos en una metodología o plan de gestión de datos. Pegue la sección correspondiente para verificar si los datos de los participantes estarán protegidos de extremo a extremo.
Análisis de interseccionalidad: Evalúe si el diseño de M&E trata las intersecciones de identidad (género, discapacidad, edad, etnicidad) como categorías analíticas diferenciadas, más allá de la desagregación por un solo eje. Use esta rúbrica para el análisis interseccional multi-eje; para la profundidad del género como lente analítica única (métodos, interpretación, uso) consulte gender-integration-depth.
Diseño del consentimiento informado: Evalúe el formulario o proceso de consentimiento informado en cuanto a claridad, comprensión y voluntariedad. Pegue el guion o formulario para determinar si los participantes otorgarán un consentimiento verdaderamente informado.
Estándares éticos: Califique los estándares éticos de un entregable de M&E o investigación en cinco dimensiones utilizando IA. Use para evaluar planes MEL, ToR de evaluación, informes de inicio, encuestas, protocolos FGD/KII, planes de muestreo, informes de evaluación, estudios de caso y cualquier entregable que involucre participantes humanos o datos sensibles.
Igualdad de género e inclusión social (GESI): Califique cualquier entregable de M&E en cuanto a integración GESI en cinco dimensiones utilizando IA. Use para evaluar planes MEL, ToR de evaluación, informes de inicio, marcos de indicadores, encuestas, protocolos FGD/KII e informes de evaluación.
Procedimientos de salvaguarda: Puntúe los procedimientos de salvaguarda de un diseño de investigación o evaluación. Va más allá del principio de no causar daño: capacitación, cadena de escalamiento, protocolo de respuesta, registro de auditoría. Use este para la maquinaria organizacional de la salvaguarda; para la identificación y mitigación sustantiva de riesgos consulte do-no-harm-protocol.
Profundidad de la integración del género: Evalúe qué tan profundamente se integra el género en un diseño de M&E (más allá de la desagregación). Pegue las secciones relativas al género para verificar si el análisis de género orienta los métodos, la interpretación y el uso. Use esta rúbrica para medir la profundidad del género como lente analítica única; para un análisis identitario multiaxial (género x discapacidad x edad x etnicidad), consulte intersectionality-analysis.
Protecciones para poblaciones vulnerables: Evalúe las protecciones previstas para poblaciones vulnerables (niñez, refugiados, sobrevivientes, personas con discapacidad, etc.) en un diseño de evaluación o investigación. Pegue la sección correspondiente para verificar la solidez de las salvaguardas.
Protocolo de no hacer daño: Evalúe el protocolo de identificación y mitigación de riesgos de no hacer daño para una actividad de evaluación, monitoreo o investigación. Pegue el protocolo para verificar la cobertura de riesgos físicos, psicológicos, sociales y económicos. Use esta rúbrica para el análisis sustantivo de riesgos y mitigación; para la maquinaria organizacional (capacitación, canales de reporte, cadena de escalamiento, registro de auditoría) consulte safeguarding-procedures.
Reflexividad y posicionalidad: Puntúe la autorreflexión del evaluador sobre sesgo, perspectiva y posicionalidad. Pegue la sección correspondiente para evaluar si los hallazgos cualitativos se sustentan en una práctica reflexiva.