The Field-Building and Grantee Experimentation Role of Foundations in Impact Investing as Illustrated by a Gender-Lens Investing Case Example
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article argues for foundations to play two critical roles in the impact investing ecosystem: to commission and/or support research that helps build more equitable and socially just impact investing and to fund grantee-specific experimentation in areas of impact investing and social enterprise that are nascent or developing. To illustrate what this can look like, this article presents action research conducted on gender-lens investing, describing in detail a 2019 Mastercard Foundation grant to Engineers Without Borders Canada. The project involved two main goals: testing and developing gender-lens investing tools and processes with seed-stage investees during pre- or post-investment phases and evaluating the implementation of Engineers Without Borders Canada’s gender-lens investing strategy and the assumptions underpinning it. Field-building products that resulted from the grant included a report on the lessons learned and a comprehensive literature review on gender-lens investing in sub-Saharan Africa that contributes to a growing evidence base. This article details the purpose, approach, results, and immediate impact of the action research and evaluation for Engineers Without Borders Canada for Mastercard Foundation and for the field. Further, the article highlights how the grant continues to impact Engineers Without Borders and the participating ventures today, and why it is important for foundations to play the role of field builder and make grants to support experimentation and field building, especially around issues of equity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle