Q-Multi-Criteria Consensus Model: Synthesizing cognitive priority structures from multi-actor disagreement

Stellen Sie sich vor, Sie versuchen, eine riesige, gemeinsame Karte für eine Stadt zu erstellen, die es noch gar nicht gibt. Sie haben eine Gruppe von Architekten, die wissen, wie Gebäude stehen sollten, und eine Menge zukünftiger Bewohner, die wissen, worin sie leben wollen. Das Problem ist: Die Architekten und die Bewohner sind sich oft uneinig darüber, was am wichtigsten ist. Die Architekten sagen vielleicht: „Wir brauchen zuerst ein starkes Fundament“, während die Bewohner schreien: „Ich will einen Swimmingpool!“ In der Entscheidungswissenschaft ist dies ein klassisches Kopfzerbrechen. Normalerweise nutzen Wissenschaftler Werkzeuge, um eine Liste vorgefertigter Optionen zu ranken (wie die Wahl zwischen drei verschiedenen Automodellen). Aber was passiert, wenn man noch gar keine Liste von Autos hat? Was passiert, wenn man erst herausfinden muss, welche Art von Autos die Stadt überhaupt braucht, bevor man eines auswählen kann? Dies ist das knifflige „Upstream“-Problem: die Regeln des Spiels zu bestimmen, bevor man überhaupt anfängt zu spielen.

Dieses Paper stellt eine neue Methode vor, um dieses Rätsel zu lösen, genannt das Q-Multi-Criteria Consensus Model (Q-MCCM). Betrachten Sie es als einen magischen Übersetzer, der zwei verschiedene Sprachen – die „strategische Sprache“ der Experten und die „Nachfragesprache“ der normalen Menschen – nimmt und sie in eine einzige, stabile Prioritätenliste verschmilzt. Anstatt die Leute einfach nur bitten, ihr Lieblingsobjekt aus einem Menü zu wählen, lässt diese Methode sie ein Kartendeck sortieren, das verschiedene Ideen repräsentiert, wodurch sie gezwungen werden, zu entscheiden, was am wichtigsten und was am wenigsten wichtig ist. Durch eine geschickte Mischung aus Kartensortier-Psychologie und mathematischer Abstimmung baut das Modell eine „kognitive Karte“, die der Gruppe genau zeigt, wo sie sich einig sind und wo sie wirklich uneins sind. Es geht nicht darum, alle zur Einigkeit zu zwingen; es geht darum, ein faires System zu schaffen, in dem die Vision der Experten vom großen Ganzen die unmittelbaren Wünsche der Öffentlichkeit filtert, was zu einem Plan führt, der sowohl realistisch als als auch erwünscht ist.

Das Problem: Wenn jeder eine andere Karte hat

Stellen Sie sich eine Gruppe von Menschen vor, die einen neuen Lehrplan für eine Schule entwerfen wollen. Die Lehrer (die Experten) wissen, dass das Erlernen von Algebra eine Voraussetzung für Analysis ist, also halten sie Algebra für das Wichtigste. Die Schüler (die Stakeholder) hingegen könnten denken, dass das Erlernen der Programmierung eines Videospiels der dringlichste Bedarf ist. Wenn man einfach alle abstimmen lässt, könnten die Schüler gewinnen, und die Schule endet mit einem großartigen Programmierkurs, aber ohne Mathematik-Fundament, was später alle verwirrt zurücklässt.

Traditionelle Entscheidungswerkzeuge sind wie ein Schiedsrichter, der nur Stimmen auf einer Liste fertiger Produkte zählt. Sie setzen voraus, dass die Liste dessen, „was zählt“, bereits in Stein gemeißelt ist. Aber in der Realität ist die Liste dessen, was zählt, oft genau das, worüber gestritten wird. Der Autor dieses Papers argumentiert, dass wir ein Werkzeug benötigen, das diese Liste aus der Uneinigkeit heraus aufbaut, anstatt nur Gegenstände auf einer bereits existierenden Liste zu ranken.

Die Lösung: Ein Tanz auf zwei Spuren

Das Q-MCCM-Modell löst dies, indem es zwei separate Spuren laufen lässt, die sich schließlich in der Mitte treffen.

Spur 1: Die Architekten (Experten)
Zuerst agiert eine Gruppe von Experten wie ein Team von Architekten. Sie erhalten ein Kartendeck, das verschiedene Themen repräsentiert (wie „Algebra“, „Programmierung“, „Geschichte“). Sie wählen nicht einfach nur ihre Favoriten aus; sie werden gezwungen, diese Karten in eine bestimmte Form zu sortieren, wie etwa eine Pyramide. Sie müssen die wichtigsten Elemente nach oben legen, die unwichtigsten nach unten und einige in die Mitte. Diese „erzwungene Sortierung“ ist eine Technik namens Q-Methodik. Sie zwingt die Menschen dazu, schwierige Entscheidungen zu treffen, was ihre wahre mentale Landkarte der Welt offenbart.

Sobald die Experten ihre Karten sortiert haben, nutzt das Modell einen mathematischen Trick namens Vektorpropagation. Stellen Sie sich vor, die sortierten Karten der Experten sind ein Bauplan. Das Modell betrachtet den Abstand zwischen der „besten“ Karte und der „schlechtesten“ Karte in ihrer Sortierung und berechnet automatisch, wie viel Gewicht jedes Thema erhalten soll. Es ist, als würde das Modell die Gedanken der Experten lesen und ihre Kartenreihenfolge in einen präzisen Satz von Anweisungen verwandelt, ohne dass sie hunderte von mühsamen Vergleichen durchführen müssen.

Spur 2: Die Bewohner (Stakeholder)
Als Nächstes sind die Schüler oder Nutzer (die Stakeholder) an der Reihe. Sie bewerten die Themen danach, was sie brauchen oder wollen. Vielleicht halten sie Programmierung für eine 10 von 10, während Algebra nur eine 3 ist. Das Modell nimmt diese Bewertungen und verwandelt sie in ein „Nachfragesignal“.

Die magische Verschmelzung: Strategische Filterung
Hier geschieht die Magie. Das Modell addiert nicht einfach die beiden Listen zusammen. Stattdessen nutzt es den Bauplan der Architekten, um die Nachfragen der Bewohner zu filtern.

Stellen Sie sich das wie ein Wasserleitersystem vor. Die „Nachfrage“ ist das Wasser, das durch die Rohre fließt. Der „Bauplan der Experten“ ist die Größe der Rohre.

• Wenn die Experten sagen, dass ein Thema strategisch wichtig ist (ein breites Rohr), die Schüler es aber nur ein wenig wollen, verstärkt das Modell die Nachfrage. Das Wasser fließt stark, weil das Rohr breit ist.
• Wenn die Schüler nach einem Thema schreien (viel Wasser), die Experten aber sagen, dass es keine Priorität ist (ein winziges, schmales Rohr), dann wird es gedämpft. Das Wasser wird herausgepresst.

Das Ergebnis ist eine endgültige Prioritätenliste, die respektiert, was die Menschen wollen, aber nur, wenn es in die strategische Struktur passt, die die Experten für notwendig halten.

Was das Modell fand (und nicht fand)

Der Autor testete diese Idee mithilfe einer Computersimulation. Er erschuf eine fiktive Welt mit 32 verschiedenen „Elementen“ (wie Schulfächern) und 15 fiktiven Experten sowie 80 fiktiven Studenten. Er programmierte diese fiktiven Personen so, dass sie unterschiedliche Meinungen haben, genau wie echte Menschen.

Die Ergebnisse waren vielversprechend.

• Es funktionierte: Als sie die Simulation ausführten, erzeugte das Modell eine klare Rangliste der Elemente.
• Es war robust: Sie testeten die Liste mit drei verschiedenen mathematischen Methoden (genannt TOPSIS, VIKOR und PROMETHEE). Die Ergebnisse waren fast identisch (eine Korrelation von über 0,9), was bedeutet, dass sich die endgültige Liste nicht änderte, nur weil ein anderes mathematisches Formula verwendet wurde.
• Es fand den „Strategischen Konsens“: Das Modell konnte erkennen, wenn sich die Experten tatsächlich über das große Ganze (die „Blöcke“ oder Kategorien) einig waren, selbst wenn sie sich über die Details uneinig waren. Es konnte auch feststellen, wenn es zwei völlig unterschiedliche Gruppen von Experten mit verschiedenen Strategien gab, und schlug anstatt einer künstlichen Einigung vor, deren Listen getrennt zu behandeln.

Das Paper ist jedoch sehr vorsichtig bezüglich dessen, was es noch nicht getan hat.

• Es ist eine Simulation: Alle Ergebnisse stammen aus einem computergenerierten Test. Der Autor stellt explizit fest, dass er dies noch nicht mit echten Menschen in einer echten Organisation getestet hat. Er schlägt vor, dass die Mathematik zwar gut aussieht, der nächste Schritt jedoch darin besteht, es in der realen Welt auszuprobieren.
• Es ist kein Allheilmittel: Das Modell geht davon aus, dass die strategische Sicht der Experten die öffentlichen Forderungen „steuern“ oder filtern sollte. Der Autor gibt zu, dass es Situationen gibt (wie etwa Sicherheitsregeln), in denen man die Forderungen vielleicht gar nicht filtern möchte. In solchen Fällen müsste das Modell möglicherweise angepasst werden.
• Es braucht die richtigen Leute: Das Modell funktioniert am besten, wenn die Expertengruppe vielfältig genug ist, um alle verschiedenen Standpunkte zu repräsentieren. Wenn man nur Experten wählt, die ohnehin schon einer Meinung sind, wird das Modell keine interessanten Diskrepanzen finden, die gelöst werden müssen.

Warum das wichtig ist

Dieses Paper bietet einen neuen Weg, um das unordentliche Geschäft der Gruppenentscheidungen zu handhaben, wenn alle unsicher sind, was die Ziele eigentlich sind. Anstatt nur Stimmen zu zählen oder einen Kompromiss zu erzwingen, baut es zuerst ein gemeinsames Verständnis der „Regeln des Spiels“ auf.

Für einen neugierigen Teenager ausgedrückt: Wenn dein Schulclub eine große Veranstaltung planen will, fragst du nicht einfach alle: „Welche Party wollt ihr?“ Du fragst zuerst die Clubleiter: „Welche Art von Event passt zu unserem Budget und unserer Mission?“ und dann fragst du die Mitglieder: „Was wollt ihr machen?“ Das Q-MCCM-Modell ist das Werkzeug, das diese beiden Antworten nimmt und herausfindet, welche perfekte Party sowohl zum Budget passt als auch die Mitglieder glücklich macht. Es verwandelt einen Wortwechsel in ein strukturiertes Gespräch und stellt sicher, dass der endgültige Plan sowohl klug als auch populär ist.

Der Autor kommt zu dem Schluss, dass dies ein mächtiges Werkzeug für das „Upstream“-Decision-Making ist – also das Festlegen dessen, was zählt, bevor man mit der Auswahl beginnt. Obwohl es derzeit eine sehr clevere Simulation ist, deutet es eine Zukunft an, in der wir bessere, stärker abgestimmte Pläne für Schulen, Unternehmen und Regierungen erstellen können, selbst wenn alle zu Beginn uneins sind.