From First Principles to Latent-Space Alignment: A Process-Validity Theory of Delphi and the Foundations of Consensus under Uncertainty

चिकित्सा और सार्वजनिक नीति के कई क्षेत्रों में, विशेषज्ञों को बिना किसी निश्चित प्रमाण के निर्णय लेने पड़ते हैं। जब कोई नई बीमारी उभरती है, या जब किसी उपचार के दीर्घकालिक प्रभाव अज्ञात होते हैं, तो ऐसा कोई एकल प्रयोग नहीं होता जो सत्य को प्रकट कर सके। इसके बजाय, समाज साझा समझ बनाने के लिए विशेषज्ञों के संरचित समूहों पर भरोसा करता है। यहीं पर डेल्फी (Delphi) पद्धति काम आती है। दशकों से, यह तकनीक बिखरे हुए विशेषज्ञ विचारों को एक एकल, सहमत दिशा-निर्देश में बदलने का मानक तरीका रही है। यह प्रक्रिया सावधानीपूर्वक डिज़ाइन की गई है: विशेषज्ञ गुमनाम रूप से प्रश्नों के उत्तर देते हैं, समूह के उत्तरों का सारांश देखते हैं, और फिर राउंड की एक श्रृंखला में अपने स्वयं के विचारों को संशोधित करते हैं। इसका लक्ष्य सामाजिक दबाव और व्यक्तिगत पूर्वाग्रह को हटाना है, जिससे समूह सबसे विश्वसनीय उत्तर की ओर अग्रसर हो सके। वर्षों तक, इन अध्ययनों की सफलता का निर्णय इस बात से लगाया जाता था कि अंत में विशेषज्ञ कितने सहमत थे। यदि अंतिम आंकड़े सटीक थे और सहमति मजबूत थी, तो अध्ययन को सफल माना जाता था। लेकिन चीजों को देखने का यह तरीका एक बड़ी कमी रखता है। यह मान लेता है कि सहमति ही सत्य है, और एक सुचारू, एकीकृत मोर्चा हमेशा एक स्वस्थ प्रक्रिया का संकेत होता है।

एक नया अध्ययन इस धारणा को चुनौती देता है और सहमति के नीचे छिपे तथ्यों को देखता है। एक चिकित्सा अनुसंधान केंद्र के शोधकर्ताओं ने एक मौलिक प्रश्न पूछा: क्या होगा यदि विशेषज्ञों का एक समूह पूर्ण सहमति तक पहुँच जाता है, लेकिन गलत कारणों से? उन्होंने डेल्फी पद्धति के आंतरिक कामकाज का परीक्षण करने के लिए एक कंप्यूटर सिमुलेशन बनाया, जिसमें विशेषज्ञों को व्यक्तियों के रूप में नहीं, बल्कि एक जटिल प्रणाली के माध्यम से चलने वाले डेटा बिंदुओं के रूप में देखा गया। उनका लक्ष्य यह देखना था कि क्या इन अध्ययनों को आंकने का मानक तरीका वास्तविक खोज और सहमति के खतरनाक भ्रम के बीच अंतर कर सकता है। परिणाम चौंकाने वाले थे। सिमुलेशन ने दिखाया कि प्रक्रिया की सबसे खतरनाक विफलताएं अक्सर सबसे अच्छे परिणामों जैसी दिखती हैं। जब विशेषज्ञ किसी एक अधिकारिक व्यक्ति (authority figure) से प्रभावित होते हैं, या जब वे सभी एक ही दिशा में पक्षपाती होते हैं, तो समूह एक ऐसी सहमति तक पहुँच सकता है जो अविश्वसनीय रूप से सटीक और सुसंगत होती है, फिर भी पूरी तरह से गलत होती है। इन मामलों में, वैज्ञानिकों द्वारा उपयोग किए जाने वाले मानक मेट्रिक्स इस अध्ययन को उत्कृष्ट रेटिंग देंगे, जबकि निष्कर्ष सत्य से कोसों दूर होगा।

यह समझने के लिए कि यह कैसे होता है, शोधकर्ताओं ने डेल्फी प्रक्रिया को उसके आवश्यक भागों में विभाजित किया। उन्होंने विशेषज्ञों के वास्तविक ज्ञान की कल्पना एक छिपी हुई, जटिल मानसिक अवस्था के रूप में की जिसे सीधे नहीं देखा जा सकता। हम वास्तव में जो देखते हैं वह उनके लिखित उत्तर हैं, जो उस आंतरिक अवस्था की केवल एक छाया मात्र हैं। यह प्रक्रिया इन छिपी हुई अवस्थाओं को चरणों की एक श्रृंखला के माध्यम से एक साझा सत्य की ओर ले जाने के लिए डिज़ाइन की गई है: पहचान को गुप्त रखना, समूह के सारांश साझा करना और विशेषज्ञों को समय के साथ अपने विचारों को अपडेट करने की अनुमति देना। शोधकर्ताओं ने इस प्रवाह का एक गणितीय मॉडल बनाया, जो इसे विशिष्ट गियर वाली एक मशीन की तरह मानता है। यदि इनमें से कोई भी गियर टूटा हुआ या गायब है, तो मशीन बाहर से अच्छी दिखने वाली लेकिन अंदर से दोषपूर्ण परिणाम उत्पन्न करती है। उन्होंने यह परीक्षण करने के लिए हजारों सिमुलेशन चलाए कि विभिन्न प्रक्रियाओं को जानबूझकर तोड़ने पर क्या होता है।

सबसे खुलासा करने वाले परीक्षणों में से एक में "अथॉरिटी कपलिंग" (authority coupling) शामिल था। एक सामान्य डेल्फी अध्ययन में, एक विशेषज्ञ के विचार का महत्व उनके तर्क की गुणवत्ता पर होना चाहिए, न कि उनके पद या उपाधि पर। सिमुलेशन में, शोधकर्ताओं ने विशेषज्ञों को यह देखने की अनुमति दी कि कौन बोल रहा है और समूह की राय उच्चतम रैंक वाले व्यक्ति की ओर झुकने दी। परिणाम एक ऐसा समूह था जो बहुत जल्दी और बहुत कम भिन्नता के साथ सहमत हुआ। वास्तविक अध्ययनों में उपयोग किए जाने वाले मानक मापों के अनुसार, यह एक आदर्श सहमति जैसा दिखता था। विशेषज्ञ एक बिंदु पर आ गए थे, और आंकड़े सटीक थे। हालाँकि, क्योंकि समूह केवल एक नेता का अनुसरण कर रहा था बजाय इसके कि वे स्वयं सोचें, इसलिए अंतिम उत्तर व्यवस्थित रूप से गलत था। सिमुलेशन ने दिखाया कि इस "हर्डिंग" (भेड़चाल) व्यवहार ने समूह को एक स्वस्थ समूह की तुलना में 2.9 गुना अधिक सटीक दिखाया, जबकि साथ ही साथ उनके उत्तर के गलत होने की संभावना को छह गुना बढ़ा दिया। वह चीज़ जिसने अध्ययन को सफल दिखने के योग्य बनाया—सटीक सहमति—वास्तव में उसकी विफलता का संकेत थी।

टीम ने एक अन्य खतरनाक विफलता मोड की पहचान की जिसे "फोर्स्ड कोलैप्स" (forced collapse) कहा जाता है। यह तब होता है जब प्रक्रिया विशेषज्ञों को इतनी आक्रामक रूप से सहमत होने के लिए मजबूर करती है कि वे वैध असहमति व्यक्त करने की क्षमता खो देते हैं। सिमुलेशन में, यह तब हुआ जब समूह को उनके विचारों को बहुत सख्ती से औसत (average) करने के लिए मजबूर किया गया। परिणाम एक ऐसी सहमति थी जो अविश्वसनीय रूप से सटीक थी, जिसमें उत्तरों का प्रसार लगभग शून्य था। विशेषज्ञों ने ऐसा प्रतीत किया जैसे उन्होंने सही उत्तर पा लिया हो। लेकिन वास्तव में, प्रक्रिया ने इस जानकारी को नष्ट कर दिया कि समूह वास्तव में अनिश्चितता के बारे में कितना था। यह एक विविध परिदृश्य को एक एकल, चिकनी पहाड़ी में समतल करने जैसा था। केंद्रीय बिंदु सही हो सकता है, लेकिन मानचित्र अब उन घाटियों और चोटियों को नहीं दिखाता था जहाँ वास्तविक जटिलता निहित थी। शोधकर्ताओं ने पाया कि इस प्रकार की सहमति, जो सहमति की विजय दिखती है, वास्तव में समूह की वास्तविक अनिश्चितता का प्रतिनिधित्व करने की क्षमता को नष्ट कर देती है।

अध्ययन ने यह भी देखा कि विशेषज्ञों की संख्या से अधिक उनकी गुणवत्ता मायने रखती है। शोधकर्ताओं ने परीक्षण किया कि क्या होता है जब विशेषज्ञ समान पृष्ठभूमि या पूर्वाग्रह साझा करते हैं। उन्होंने पाया कि यदि समूह एक ही दिशा में पक्षपाती था, तो प्रक्रिया उसे ठीक नहीं कर सकती थी। चाहे चर्चा के कितने भी दौर क्यों न हुए हों, समूह केवल अपनी त्रुटि को ही सुदृढ़ करता रहेगा। सिमुलेशन ने दिखाया कि विशेषज्ञों के बीच पूर्वाग्रह का स्तर अंतिम परिणाम पर व्यापक प्रभाव डालता है, जो सहमति की गुणवत्ता को 24.5 के कारक से बदल देता है। यह सुझाव देता है कि डेल्फी अध्ययन को डिजाइन करने में सबसे महत्वपूर्ण कदम दौरों की संख्या या पूछे गए विशिष्ट प्रश्न नहीं हैं, बल्कि विशेषज्ञों के एक विविध समूह का सावधानीपूर्वक चयन करना है जिनके ब्लाइंड स्पॉट (blind spots) समान न हों।

संभवतः इस शोध पत्र की सबसे महत्वपूर्ण खोज यह है कि इन अध्ययनों को आंकने के लिए उपयोग किए जाने वाले उपकरण इन विफलताओं के प्रति अंधे हैं। शोधकर्ताओं ने डेल्फी अध्ययन को स्कोर करने के मानक तरीके (जो अंतिम सहमति को देखता है) की तुलना एक नए दृष्टिकोण से की, जो स्वयं प्रक्रिया की जाँच करता है। उन्होंने पाया कि मानक विधि अक्सर टूटे हुए सिमुलेशन को उच्च अंक देती थी क्योंकि अंतिम आंकड़े बहुत अच्छे दिखते थे। नया दृष्टिकोण, जिसे वे "प्रोसेस-वैलिडिटी चेक" (process-validity check) कहते हैं, यह देखता था कि क्या खेल के नियमों का सही ढंग से पालन किया गया था। इसने पूछा: क्या समूह वास्तव में स्वतंत्र था? क्या फीडबैक निष्पक्ष था? क्या विशेषज्ञों को अपने विचार बदलने का अवसर मिला? जब उन्होंने इस नए चेक को लागू किया, तो इसने टूटे हुए अध्ययनों की सही पहचान की, भले ही अंतिम आंकड़े एकदम सही दिख रहे हों। वास्तव में, नया तरीका पुराने तरीके की तुलना में परिणाम की गुणवत्ता का बहुत बेहतर अनुमान लगाने में सक्षम था, जो यह दर्शाता है कि प्रक्रिया की संरचना ही परिणाम पर भरोसा करने का एकमात्र विश्वसनीय तरीका है।

शोधकर्ताओं ने इस मानवीय प्रक्रिया और आर्टिफिशियल इंटेलिजेंस (AI) सिस्टम के सीखने के तरीके के बीच एक समानता भी खींची। जिस तरह विशेषज्ञों का एक समूह बहुत जल्दी सहमत होने के जाल में फंस सकता है, उसी तरह AI सिस्टम भी कभी-कभी एक एकल, दोहराव वाले उत्तर में "कोलैप्स" (collapse) हो सकते हैं, जिससे जटिल तर्क के लिए आवश्यक विचारों की विविधता खो जाती है। वही सिद्धांत जो एक मानव समूह को ईमानदार रखते हैं—पहचान को अलग रखना, विविध विचारों को प्रोत्साहित करना और केवल परिणाम के बजाय प्रक्रिया की जाँच करना—मशीनों पर भी लागू होते हैं। यह सुझाव देता है कि भरोसेमंद ज्ञान बनाने के नियम सार्वभौमिक हैं, चाहे स्रोत मानव विशेषज्ञ हो या कंप्यूटर प्रोग्राम।

अध्ययन निष्कर्ष निकालता है कि हमें विशेषज्ञ सहमति के मूल्यांकन के तरीके को बदलने की आवश्यकता है। हम केवल अंतिम सहमति को देखकर यह मान नहीं सकते कि यह सत्य है। इसके बजाय, हमें यह देखना होगा कि वह सहमति कैसे प्राप्त की गई। शोधकर्ता इन अध्ययनों को रेट करने का एक नया तरीका प्रस्तावित करते हैं जो प्रक्रिया की अखंडता पर ध्यान केंद्रित करता है। यदि प्रक्रिया त्रुटिपूर्ण है, तो परिणाम भी त्रुटिपूर्ण है, चाहे आंकड़े कितने भी सटीक क्यों न दिखें। यह केवल एक सैद्धांतिक बिंदु नहीं है; इसके चिकित्सा दिशानिर्देशों और सार्वजनिक नीतियों के निर्माण के लिए वास्तविक परिणाम हैं। यदि हम उन अध्ययनों पर भरोसा करते हैं जो अच्छे दिखते हैं लेकिन टूटी हुई प्रक्रियाओं पर आधारित हैं, तो हम आत्मविश्वास के साथ गलत निर्णय लेने का जोखिम उठाते हैं। यह शोध पत्र इसे ठीक करने का एक तरीका प्रदान करता है, जो स्पष्ट नियमों का एक सेट देता है ताकि यह सुनिश्चित हो सके कि जब विशेषज्ञ एक साथ आते हैं, तो वे वास्तव में ज्ञान का निर्माण कर रहे हैं, न कि केवल उसका भ्रम।

अंत में, यह कार्य एक अनुस्मारक के रूप में कार्य करता है कि अनिश्चितता की दुनिया में, सत्य की राह मंजिल से अधिक महत्वपूर्ण है। विशेषज्ञों का एक समूह सहमति बना सकता है, लेकिन वह सहमति तभी मूल्यवान है जब वह एक ऐसी प्रक्रिया के माध्यम से प्राप्त की गई हो जिसने समस्या की जटिलता और विचारकों की स्वतंत्रता का सम्मान किया हो। अध्ययन दिखाता है कि प्रक्रिया की यांत्रिकी पर ध्यान देकर, हम खुद को सबसे आकर्षक प्रकार की त्रुटि से बचा सकते है: वह जो एक पूर्ण उत्तर की तरह दिखती है।