Case Study: Using AI to Design More Effective, Efficient, and Equity Focused Grant Application Review Processes
Notice bibliographique
Résumé
Grants fuel millions of organizations and advance social innovation across sectors. In the United States, foundations and corporations respectively awarded $103.5B and $36.5B to nonprofits in 2023 alone (Childress, 2024; Lilly Family School of Philanthropy, 2024). By extension, grant applications play a critical role in how grant recipients are identified and selected. While many funders are eager for more streamlined and equitable processes to review grant applications, the process remains primarily a manual and time consuming one (Hewlett Foundation, 2021). These factors leave some funders implementing grant application processes potentially at odds with their impact goals. Examples include restricting who can apply, including only application reviewers with specific credentials, or not screening for inconsistencies among reviewer assessments (Candid., n.d.). In this article, readers will learn how Missouri Foundation for Health and AI PRIORI® used artificial intelligence to inform a more effective, efficient, and equity focused application review process. Readers will gain insights into the experiments, AI tools used, and preparation and evaluation of data sets.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,330 | 0,337 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,008 | 0,005 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».