Monitoring, Evaluation, Accountability, and Learning (MEAL); rapid-cycle and formative evaluation; mixed-methods evaluation design; utilization-focused evaluation; adaptive management and learning agendas; evidence use for decision-making; qualitative and quantitative data collection and analysis; rapid assessments; performance monitoring systems; equity, gender, and social inclusion (GESI); capacity strengthening for evaluation; development and humanitarian programming.
I have over 19 years of experience designing, managing, and using evaluations to support timely decision-making and program adaptation across Canada, the Caribbean, Latin America, and West and Central Africa. My work includes building organization-wide M&E frameworks, developing learning agendas, leading and overseeing evaluations, and supporting implementers and decision-makers to use evidence effectively. I have worked with international NGOs and partners such as DAI, MEDA, Cuso International, Catholic Relief Services, and World Vision across sectors including governance, livelihoods, youth, health, education, WASH, and emergency response.
Canada
Rhode Early Charles
Posté le 01/04/2026
Dans les systèmes de santé africains et à faibles ressources, l’évaluation sert trop souvent d’exercice de reddition de comptes a posteriori plutôt que d’outil de transformation systémique. D’après des décennies de pratique dans le renforcement des systèmes de santé, le premier changement, et le plus crucial, doit s’opérer au niveau des mentalités : il s’agit de la manière dont nous percevons la finalité et l’appropriation des données probantes. Les évaluateurs et les décideurs agissent souvent dans une optique de conformité, produisant des rapports qui satisfont les bailleurs de fonds externes mais ne parviennent pas à saisir les réalités nuancées sur le terrain. Récemment, dans l'État de Lagos, au Nigeria, le suivi de routine du programme de santé maternelle s'était strictement concentré sur les accouchements en établissement. Mais, en adoptant une approche axée sur l'apprentissage – examinant la qualité des soins, l'expérience des patientes et les schémas d'orientation –, il a été révélé que 42 % des femmes contournaient les cliniques locales en raison de services perçus comme de mauvaise qualité. Une formation ciblée du personnel et une réaffectation des ressources ont ensuite permis d'augmenter les accouchements en établissement de 17 % en l'espace d'un an.
De même, le suivi mené par la communauté dans un autre district nigérian a révélé un obstacle de 40 % lié aux coûts de transport cachés, malgré des rapports indiquant une « satisfaction » des patientes à 95 %. Ces observations mettent en évidence que ces méthodes et critères, aussi techniquement valables soient-ils, ne portent leurs fruits que lorsque les mentalités évoluent pour privilégier un apprentissage adaptatif et ancré localement plutôt que des rapports purement extractifs.
Les données issues des récents dialogues « Vie et santé » du premier trimestre 2026 de l’Afrihealth Optonet Association (AHOA) montrent que les districts utilisant des plateformes numériques intégrées et l’évaluation participative ont enregistré une augmentation de 15 % de la couverture vaccinale – preuve que l’intégration de l’évaluation dans la résolution de problèmes en temps réel, et non pas seulement dans des rapports rétrospectifs, produit un impact tangible sur la santé.
La durabilité et le développement à long terme dépendent de cet alignement. L’évaluation transformatrice ne consiste pas à améliorer les feuilles de calcul ou à créer des tableaux de bord plus sophistiqués ; il s’agit de décoloniser les intentions, de veiller à ce que les données servent des solutions locales et de favoriser une culture de la réflexion critique. Dans les systèmes de santé africains aux moyens limités, ce changement de mentalité est le pivot autour duquel toutes les méthodes, tous les critères et toutes les réformes institutionnelles s’articulent pour aboutir à un changement systémique et durable.
Canada
Rhode Early Charles
Posté le 25/03/2026
Je trouve cette discussion particulièrement pertinente. Dans mon travail, j'utilise fréquemment l'analyse de séries temporelles et la modélisation prédictive pour estimer les tendances futures à partir de données historiques.
J'ajouterais que, si les approches prospectives qui ne reposent pas sur les performances passées sont essentielles — en particulier dans des contextes caractérisés par une forte incertitude ou des données limitées —, les méthodes prédictives fondées sur des données historiques demeurent parmi les outils les plus robustes dont nous disposons lorsque des données suffisantes et fiables sont disponibles. Ces méthodes nous permettent d'identifier des tendances, de quantifier des évolutions et de générer des projections fondées sur des données probantes, qui peuvent efficacement compléter les approches prospectives de nature plus qualitative.
Avec les avancées de l'intelligence artificielle et de l'apprentissage automatique, nous avons désormais la capacité d'aller plus loin en intégrant de grands volumes de données provenant de multiples projets, régions et même bailleurs de fonds. Cela ouvre des opportunités importantes pour développer des modèles prédictifs plus précis et mieux adaptés au contexte, notamment lorsque l'on travaille avec des interventions similaires au sein d'un même pays ou secteur.
Cependant, une contrainte majeure demeure : la disponibilité et la fragmentation des données. Celles-ci sont souvent cloisonnées au sein de projets ou d'organisations individuels, ce qui rend difficile la constitution d'ensembles de données suffisamment larges et diversifiés pour une modélisation robuste. Dans de nombreux cas, les données d'un seul projet ne sont pas suffisantes pour étayer des prédictions fiables.
Une voie possible consisterait à renforcer l'appropriation nationale des données de projet. Les gouvernements pourraient jouer un rôle clé dans la consolidation des données générées par différents projets au sein de bases de données centralisées et accessibles. Si elles sont bien conçues, de telles infrastructures pourraient soutenir la recherche, orienter la conception des projets et permettre une analyse ex ante plus rigoureuse des facteurs potentiels de succès ou d'échec.
En ce sens, je perçois de fortes complémentarités entre les méthodes prospectives et l'analyse prédictive. La prospective nous permet d'explorer l'incertitude et les futurs alternatifs, tandis que les modèles prédictifs nous aident à quantifier les tendances les plus probables lorsque les données le permettent. L'articulation de ces deux approches pourrait considérablement renforcer la pratique évaluative et la prise de décision.