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

Imagina que estás tratando de construir un mapa gigante y compartido para una ciudad que aún no existe. Tienes un grupo de arquitectos que saben cómo deberían sostenerse los edificios, y una multitud de futuros residentes que saben lo que quieren para vivir. El problema es que los arquitectos y los residentes suelen estar en desacuerdo sobre qué es lo más importante. Los arquitectos podrían decir: "Primero necesitamos una base sólida", mientras que los residentes gritan: "¡Quiero una piscina!". En el mundo de la ciencia de la decisión, este es un dolor de cabeza clásico. Usualmente, los científicos utilizan herramientas para clasificar una lista de opciones preestablecidas (como elegir entre tres modelos de coches diferentes). Pero, ¿qué sucede cuando aún no tienes una lista de coches? ¿Qué sucede cuando necesitas descubrir qué tipo de coches necesita la ciudad incluso antes de poder elegir uno? Este es el complicado problema "aguas arriba": determinar las reglas del juego antes de empezar a jugar.

Este artículo presenta una nueva forma de resolver ese rompecabezas, llamada Modelo de Consenso Multicriterio Q (Q-MCCM). Piensa en ello como un traductor mágico que toma dos lenguajes diferentes —el "lenguaje estratégico" de los expertos y el "lenguaje de la demanda" de la gente común— y los mezcla en una lista de prioridades única y estable. En lugar de simplemente pedir a la gente que elija su opción favorita de un menú, este método les pide que ordenen un mazo de cartas que representan diferentes ideas, obligándolos a decidir qué es lo más importante y qué es lo menos importante. Mediante el uso de una ingeniosa mezcla de la psicología de la clasificación de cartas y la votación matemática, el modelo construye un "mapo cognitivo" que muestra al grupo exactamente dónde están de acuerdo y dónde están verdaderamente enfrentados. No se trata de forzar a todos a estar de acuerdo; se trata de crear un sistema justo donde la visión de los expertos sobre el panorama general filtre los deseos inmediatos del público, dando como resultado un plan que sea tanto realista como deseado.

El Problema: Cuando cada uno tiene un mapa diferente

Imagina a un grupo de personas intentando diseñar un nuevo currículo escolar. Los profesores (los expertos) saben que aprender álgebra es un requisito previo para el cálculo, por lo que piensan que el álgebra es lo más importante. Los estudiantes (las partes interesadas), sin embargo, podrían pensar que aprender a programar un videojuego es la necesidad más urgente. Si simplemente pides a todos que voten, los estudiantes podrían ganar, y la escuela terminaría con una gran clase de programación pero sin una base matemática, dejando a todos confundidos más adelante.

Las herramientas tradicionales de toma de decisiones son como un árbitro que solo cuenta votos sobre una lista de productos terminados. Asumen que la lista de "lo que importa" ya está escrita en piedra. Pero en la vida real, la lista de lo que importa es a menudo aquello sobre lo que se está luchando. El autor de este artículo sostiene que necesitamos una herramienta que pueda construir esa lista a partir del desacuerdo, en lugar de solo clasificar elementos en una lista que ya existe.

La Solución: Un baile de dos pistas

El modelo Q-MCCM resuelve esto ejecutando dos pistas separadas que eventualmente se encuentran en el medio.

Pista 1: Los Arquitectos (Expertos)
Primero, un grupo de expertos actúa como un equipo de arquitectos. Se les entrega un mazo de cartas que representan diferentes temas (como "Álgebra", "Programación", "Historia"). No solo eligen sus favoritos; se ven obligados a ordenar estas cartas en una forma específica, como una pirámide. Deben poner los elementos más importantes en la cima, los menos importantes en la base y algunos en el medio. Esta "clasificación forzada" es una técnica llamada metodología Q. Esto obliga a las personas a tomar decisiones difíciles, revelando su verdadero mapa mental del mundo.

Una vez que los expertos ordenan sus cartas, el modelo utiliza un truco matemático llamado Propagación de Vectores. Imagina que las cartas ordenadas de los expertos son un plano. El modelo observa la distancia entre la carta "Mejor" y la carta "Peor" en su clasificación y calcula automáticamente cuánto peso debe tener cada tema. Es como si el modelo leyera la mente de los expertos y convirtiera el orden de sus cartas en un conjunto preciso de instrucciones, sin necesidad de que realicen cientos de comparaciones tediosas.

Pista 2: Los Residentes (Partes Interesadas)
Después, los estudiantes o usuarios (las partes interesadas) tienen su propio turno. Califican los temas basándose en lo que necesitan o quieren. Tal vez ellos piensan que la programación es un 10 de 10, mientras que el álgebra es un 3. El modelo toma estas calificaciones y las convierte en una "señal de demanda".

La Fusión Mágica: Filtrado Estratégico
Aquí es donde ocurre la magia. El modelo no solo suma las dos listas. En su lugar, utiliza el Plano de los Arquitectos para filtrar las Demandas de los Residentes.

Piensa en ello como un sistema de tuberías de agua. La "Demanda" es el agua que fluye a través de las tuberías. El "Plano del Experto" es el tamaño de las tuberías.

• Si los expertos dicen que un tema es estratégicamente vital (una tubería ancha), pero los estudiantes solo lo quieren un poco, el modelo amplifica la demanda. El agua fluye con fuerza porque la tubería es ancha.
• Si los estudiantes claman por un tema (mucha agua), pero los expertos dicen que no es una prioridad (una tubería diminuta y estrecha), el modelo la reduce. El agua es exprimida hacia afuera.

El resultado es una lista final de prioridades que respeta lo que la gente quiere, pero solo si encaja dentro de la estructura estratégica que los expertos consideran necesaria.

Lo que el Modelo Encontró (y lo que no encontró)

El autor probó esta idea utilizando una simulación por computadora. Creó un mundo ficticio con 32 "elementos" diferentes (como materias escolares) y 15 expertos ficticios y 80 estudiantes ficticios. Programó a estas personas ficticias para que tuvieran opiniones diferentes, tal como lo hacen los humanos reales.

Los resultados fueron prometedores. El modelo creó con éxito una lista de prioridades estable.

• Funcionó: Cuando ejecutaron la simulación, el modelo produjo una clasificación clara de los elementos.
• Fue robusto: Probaron la lista utilizando tres métodos matemáticos diferentes (llamados TOPSIS, VIKOR y PROMETHEE). Los resultados fueron casi idénticos (una correlación de más de 0.9), lo que significa que la lista final no cambió solo por usar una fórmula matemática diferente.
• Encontró el "Consenso Estratégico": El modelo pudo detectar cuándo los expertos realmente estaban de acuerdo en el panorama general (los "bloques" o categorías), incluso si discrepaban en los detalles pequeños. También pudo detectar cuándo había dos grupos de expertos completamente diferentes con distintas estrategias y, en lugar de forzarlos a un único acuerdo falso, sugirió mantener sus listas por separado.

Sin embargo, el artículo es muy cuidadoso sobre lo que aún no ha hecho.

• Es una simulación: Todos los resultados provienen de una prueba generada por computadora. El autor afirma explícitamente que aún no ha probado esto con personas reales en una organización real. Sugiere que, aunque las matemáticas parecen buenas, el siguiente paso es probarlo en el mundo real.
• No es una solución mágica para todo: El modelo asume que la visión estratégica de los expertos debe "controlar" o filtrar las demandas del público. El autor admite que en algunas situaciones (como las reglas de seguridad), es posible que no se quiera filtrar las demandas en absoluto. En esos casos, el modelo podría necesitar ajustes.
• Necesita a las personas adecuadas: El modelo funciona mejor si el grupo de expertos es lo suficientemente diverso como para representar todos los diferentes puntos de vista. Si solo eliges expertos que ya están de acuerdo entre sí, el modelo no encontrará desacuerdos interesantes que resolver.

Por qué esto importa

Este artículo ofrece una nueva forma de manejar el desordenoso negocio de la toma de decisiones grupales cuando todos están confundidos sobre cuáles son los objetivos. En lugar de simplemente contar votos o forzar un compromiso, construye primero un entendimiento compartido de las "reglas del juego".

Para un adolescente curioso, piénsalo así: si tu club escolar quiere planificar un gran evento, no solo preguntas a todos "¿Qué fiesta quieren?". Primero preguntas a los líderes del club: "¿Qué tipo de evento se ajusta a nuestro presupuesto y misión?", y luego preguntas a los miembros: "¿Qué quieren hacer?". El modelo Q-MCCM es la herramienta que toma esas dos respuestas y determina la fiesta perfecta que se ajusta al presupuesto y hace felices a los miembros. Convierte una discusión a gritos en una conversación estructurada, asegurando que el plan final sea tanto inteligente como popular.

El autor concluye que esta es una herramienta poderosa para la toma de decisiones "aguas arriba": determinar qué es lo que importa antes de empezar a elegir. Aunque actualmente es una simulación muy ingeniosa, sugiere un futuro en el que podemos construir mejores planes, más consensuados, para escuelas, empresas y gobiernos, incluso cuando todos comienzan estando en desacuerdo.