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

Imaginez que vous essayiez de construire une carte géante et partagée pour une ville qui n'existe pas encore. Vous avez un groupe d'architectes qui savent comment les bâtiments devraient tenir debout, et une foule de futurs résidents qui savent ce qu'ils veulent pour y vivre. Le problème est que les architectes et les résidents sont souvent en désaccord sur ce qui importe le plus. Les architectes pourraient dire : « Nous avons d'abord besoin d'une fondation solide », tandis que les résidents hurlent : « Je veux une piscine ! ». Dans le monde de la science de la décision, c'est un casse-tête classique. Habituellement, les scientifiques utilisent des outils pour classer une liste d'options préétablies (comme choisir entre trois modèles de voitures différents). Mais que se passe-t-il quand vous n'avez pas encore de liste de voitures ? Que se passe-t-il quand vous devez déterminer quel genre de voitures la ville a même besoin avant de pouvoir en choisir une ? C'est le problème complexe de l'« amont » : définir les règles du jeu avant de commencer à jouer.

Ce document présente une nouvelle façon de résoudre ce puzzle, appelée le Modèle de Consensus Multi-Critères Q (Q-MCCM). Voyez cela comme un traducteur magique qui prend deux langages différents — le « langage stratégique » des experts et le « langage de la demande » des gens ordinaires — et les fusionne en une liste de priorités unique et stable. Au lieu de simplement demander aux gens de choisir leur option préférée dans un menu, cette méthode leur demande de trier un jeu de cartes représentant différentes idées, les forçant ainsi à décider de ce qui est le plus important et de ce qui est le moins important. En utilisant un mélange ingénieux de psychologie du tri de cartes et de vote mathématique, le modèle construit une « carte cognitive » qui montre au groupe exactement où ils sont d'accord et où ils divergent réellement. Il ne s'agit pas de forcer tout le monde à être d'accord ; il s'agit de créer un système équitable où la vision de l'ensemble du projet par les experts filtre les désirs immédiats du public, aboutissant à un plan qui est à la fois réaliste et souhaité.

Le Problème : Quand chacun a une carte différente

Imaginez un groupe de personnes essayant de concevoir un nouveau programme scolaire. Les enseignants (les experts) savent que l'apprentissage de l'algèbre est un prérequis pour le calcul intégral, ils pensent donc que l'algèbre est la chose la plus importante. Les élèves (les parties prenantes), cependant, pourraient penser que l'apprentissage du codage de jeux vidéo est le besoin le plus urgent. Si vous demandez simplement à tout le monde de voter, les élèves pourraient gagner, et l'école se retrouverait avec un excellent cours de codage mais sans base en mathématiques, laissant tout le monde confus plus tard.

Les outils de prise de décision traditionnels sont comme un arbitre qui ne compte que les votes sur une liste de produits finis. Ils supposent que la liste de « ce qui compte » est déjà gravée dans la pierre. Mais dans la vie réelle, la liste de ce qui compte est souvent l'objet même du conflit. L'auteur de ce document soutient que nous avons besoin d'un outil capable de construire cette liste à partir du désaccord, plutôt que de simplement classer des articles sur une liste déjà existante.

La Solution : Une danse sur deux pistes

Le modèle Q-MCCM résout cela en faisant fonctionner deux pistes séparées qui finissent par se rejoindre au milieu.

Piste 1 : Les Architectes (Experts)
D'abord, un groupe d'experts agit comme une équipe d'architectes. On leur donne un jeu de cartes représentant différents sujets (comme « Algèbre », « Codage », « Histoire »). Ils ne se contentent pas de choisir leurs favoris ; ils sont contraints de trier ces cartes selon une forme spécifique, comme une pyramide. Ils doivent placer les éléments les plus importants en haut, les moins importants en bas, et quelques-uns au milieu. Ce « tri forcé » est une technique appelée méthodologie Q. Cela force les gens à faire des choix difficiles, révélant leur véritable carte mentale du monde.

Une fois que les experts ont trié leurs cartes, le modèle utilise un tour mathématique appelé Propagation de Vecteurs. Imaginez que les cartes triées des experts soient un plan directeur. Le modèle observe la distance entre la « meilleure » carte et la « pire » carte dans leur tri et calcule automatiquement le poids que chaque sujet doit avoir. C'est comme si le modèle lisait dans l'esprit des experts et transformait l'ordre de leurs cartes en un ensemble précis d'instructions, sans qu'ils aient besoin de faire des centaines de comparaisons fastidieuses.

Piste 2 : Les Résidents (Parties Prenantes)
Ensuite, les élèves ou les utilisateurs (les parties prenantes) ont leur tour. Ils évaluent les sujets en fonction de ce dont ils ont besoin ou de ce qu'ils veulent. Peut-être pensent-ils que le codage est un 10 sur 10, alors que l'algèbre est un 3. Le modèle prend ces évaluations et les transforme en un « signal de demande ».

La Fusion Magique : Le Filtrage Stratégique
C'est ici que la magie opère. Le modèle ne se contente pas d'additionner les deux listes. Au lieu de cela, il utilise le Plan Directeur des Architectes pour filtrer les Demandes des Résidents.

Pensez à un système de tuyauterie. La « Demande » est l'eau qui circule dans les tuyaux. Le « Plan Directeur des Experts » est la taille des tuyaux.

• Si les experts disent qu'un sujet est stratégiquement vital (un tuyau large), mais que les étudiants n'en veulent qu'un peu, le modèle amplifie la demande. L'eau coule avec force parce que le tuyau est large.
• Si les étudiants réclament un sujet avec force (beaucoup d'eau), mais que les experts disent que ce n'est pas une priorité (un tuyau minuscule et étroit), le modèle l'atténue. L'eau est compressée.

Le résultat est une liste finale de priorités qui respecte ce que les gens veulent, mais seulement si cela s'inscrit dans la structure stratégique que les experts jugent nécessaire.

Ce que le modèle a trouvé (et ce qu'il n'a pas trouvé)

L'auteur a testé cette idée à l'aide d'une simulation informatique. Ils ont créé un monde fictif avec 32 « éléments » différents (comme des matières scolaires) et 15 experts fictifs et 80 étudiants fictifs. Ils ont programmé ces personnes fictives pour qu'elles aient des opinions différentes, tout comme les vrais humains.

Les résultats ont été prometteurs.

• Cela a fonctionné : Lors de la simulation, le modèle a produit un classement clair des éléments.
• C'était robuste : Ils ont testé la liste en utilisant trois méthodes mathématiques différentes (appelées TOPSIS, VIKOR et PROMETHEE). Les résultats étaient presque identiques (une corrélation de plus de 0,9), ce qui signifie que la liste finale ne changeait pas simplement parce qu'on utilisait une formule mathématique différente.
• Il a trouvé le « Consensus Stratégique » : Le modèle pouvait dire quand les experts étaient réellement d'accord sur la vue d'ensemble (les « blocs » ou catégories), même s'ils divergeaient sur les détails. Il pouvait également repérer quand il y avait deux groupes d'experts complètement différents avec des stratégies distinctes, et au lieu de les forcer à un faux accord, il suggérait de garder leurs listes séparées.

Cependant, l'article est très prudent sur ce qu'il n'a pas encore fait.

• C'est une simulation : Tous les résultats proviennent d'un test généré par ordinateur. L'auteur précise explicitement qu'il n'a pas encore testé cela avec de vraies personnes dans une organisation réelle. Il suggère que, bien que les mathématiques semblent bonnes, la prochaine étape est de l'essayer dans le monde réel.
• Ce n'est pas une solution miracle pour tout : Le modèle suppose que la vision stratégique des experts doit servir de « barrière » ou de filtre aux demandes du public. L'auteur admet que dans certaines situations (comme les règles de sécurité), on pourrait ne pas vouloir filtrer les demandes du tout. Dans ces cas-là, le modèle pourrait devoir être ajusté.
• Il nécessite les bonnes personnes : Le modèle fonctionne mieux si le groupe d'experts est suffisamment diversifié pour représenter tous les points de vue. Si vous ne choisissez que des experts qui sont déjà d'accord entre eux, le modèle ne trouvera aucun désaccord intéressant à résoudre.

Pourquoi cela importe

Ce document propose une nouvelle façon de gérer la gestion complexe des décisions de groupe lorsque tout le monde est confus quant à l'objectif. Au lieu de simplement compter les votes ou de forcer un compromis, il construit d'abord une compréhension partagée des « règles du jeu ».

Pour un adolescent curieux, voyez cela comme ceci : si votre club scolaire veut organiser un grand événement, vous ne demandez pas simplement à tout le monde « Quel genre de fête voulez-vous ? ». Vous demandez d'abord aux responsables du club : « Quel genre d'événement correspond à notre budget et à notre mission ? », puis vous demandez aux membres : « Que voulez-vous faire ? ». Le modèle Q-MCCM est l'outil qui prend ces deux réponses et détermine la fête parfaite qui respecte à la fois le budget et rend les membres heureux. Il transforme une dispute en une conversation structurée, garantissant que le plan final est à la fois intelligent et populaire.

L'auteur conclut qu'il s'agit d'un outil puissant pour la prise de décision « en amont » — définir ce qui compte avant de commencer à choisir. Bien qu'il s'agisse actuellement d'une simulation très ingénieuse, elle suggère un avenir où nous pourrons élaborer de meilleurs plans, davantage acceptés, pour les écoles, les entreprises et les gouvernements, même lorsque tout le monde part d'un désaccord initial.