MARC

 008250123s2024        us                              c    eng  d
■001000017160259
■00520250211150944
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383481868
■035    ▼a(MiAaPQ)AAI30992233
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a320.6
■1001  ▼aSuresh,  Akshaya.
■24510▼aMatching  Missions  to  Means:  Targeted  Resource  Allocation  in  the  Non-Profit  Sector
■260    ▼a[Sl]▼bYale  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a274  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  B.
■500    ▼aAdvisor:  Kaplan,  Edward  H.
■5021  ▼aThesis  (Ph.D.)--Yale  University,  2024.
■520    ▼aThis  dissertation  addresses  the  challenge  of  optimizing  resource  allocation  in  the  non-profit  sector.  Non-profit  organizations  have  to  make  real-time  decisions  that  are  not  only  efficient  but  also  equitable.  In  many  cases,  new  analytic  approaches  could  allow  for  better  informed,  data-driven  decision-making.  Yet,  despite  their  critical  role,  these  organizations  often  lack  the  capacity  to  tap  into  these  tools  to  increase  their  impact.  This  research  attempts  to  bridge  this  gap  through  two  applications:  the  identification  of  students  with  reading  disabilities  and  the  matching  of  volunteers  to  organizations.  Chapter  2  critiques  the  current  process  for  diagnosing  reading  disabilities  among  students,  highlighting  the  inefficiencies  and  inequities  of  the  existing  system.  Drawing  on  data  from  a  collaboration  with  the  Florida  Center  for  Reading  Research,  it  proposes  optimal  evaluation  policies  and  improvements  to  the  identification  process  that  could  significantly  enhance  student  outcomes  by  better  allocating  limited  resources  within  school  systems.Chapters  3  and  4  study  volunteer  labor  allocation,  using  data  from  VolunteerMatch  (VM),  a  platform  connecting  non-profits  with  volunteers.  The  study  identifies  VM's  imbalanced  system-where  demand  for  volunteers  often  exceeds  supply-and  the  varied  sources  of  traffic  to  the  site.  Chapter  3  introduces  an  improved  ranking  algorithm,  Adaptive  Capacity,  designed  to  mitigate  this  imbalance  in  the  presence  of  multiple  traffic  sources,  attaining  near-optimal  theoretical  guarantees  in  some  regimes.  Chapter  4  assesses  the  real-world  impact  of  a  version  of  Adaptive  Capacity  through  a  series  of  experiments  in  Texas  and  Southern  California,  employing  a  difference-in-differences  analysis  to  demonstrate  its  significant  effects  on  access  to  volunteers.  Through  these  two  collaborations,  this  dissertation  contributes  actionable  strategies  for  non-profits  to  more  effectively  and  equitably  manage  their  limited  resources,  thereby  facilitating  more  informed  decision-making  and  fostering  social  good.
■590    ▼aSchool  code:  0265.
■653    ▼aMatching  markets
■653    ▼aOnline  platforms
■653    ▼aPolicy  evaluation
■653    ▼aReading  disabilities
■653    ▼aSustainable  operations
■653    ▼aVolunteering
■690    ▼a0796
■71020▼aYale  University▼bManagement.
■7730  ▼tDissertations  Abstracts  International▼g86-01B.
■790    ▼a0265
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160259▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books