A two-stage minimum compromise consensus model with dynamic compromise learning

बड़े निर्णयों को लेने की जटिल दुनिया में, जैसे कि अगली क्रांतिकारी दवा को चुनना या एक नए वैज्ञानिक प्रोजेक्ट को मंजूरी देना, विशेषज्ञों के एक समूह को अक्सर आगे बढ़ने के लिए एक एकल पथ पर सहमत होना पड़ता है। यह प्रक्रिया, जिसे समूह निर्णय लेने की प्रक्रिया (ग्रुप डिसीजन-मेकिंग) कहा जाता है, शायद ही कभी सरल होती है। लोग अपने साथ अलग-अलग पृष्ठभूमि, अनुभव और डर लेकर आते हैं, जिससे एक ही विकल्पों पर व्यापक रूप से भिन्न राय बनती है। लक्ष्य सभी को बिल्कुल एक जैसा सोचने के लिए मजबूर करना नहीं है, बल्कि एक ऐसा साझा आधार खोजना है जो व्यक्तिगत निर्णय का सम्मान करते हुए समूह को एक एकीकृत निष्कर्ष की ओर ले जाए। सहमति तक पहुँचने की इस यात्रा को 'कंसेंसस-रीचिंग प्रोसेस' (आम सहमति बनाने की प्रक्रिया) कहा जाता है। इस यात्रा का एक महत्वपूर्ण हिस्सा समझौता (कॉम्प्रोमाइज) है: एक व्यक्ति की अपनी राय को थोड़ा समायोजित करने की इच्छा ताकि वह समूह के करीब पहुँच सके। पारंपरिक रूप से, शोधकर्ताओं ने इस इच्छा को एक निश्चित सेटिंग के रूप में माना है, जैसे कि एक डायल जिसे चर्चा शुरू होने से पहले ही एक विशिष्ट संख्या पर घुमा दिया जाता है। वे मानते हैं कि यदि कोई व्यक्ति अपनी राय को एक निश्चित मात्रा में बदलने के लिए तैयार है, तो वह सीमा कभी नहीं बदलती, चाहे चर्चा कैसे भी विकसित हो।

हालाँकि, एक नया अध्ययन इस स्थिर दृष्टिकोण को चुनौती देता है, यह सुझाव देते हुए कि समझौता करने की इच्छा एक पूर्व-निर्धारित नियम नहीं है, बल्कि एक गतिशील व्यवहार है जिसे वास्तविक समय में सीखा और समायोजित किया जा सकता है। शोधकर्ताओं ने, कैंसर से लड़ने के लिए संभावित दवाओं की स्क्रीनिंग करने वाले विशेषज्ञों के परिदृश्य पर ध्यान केंद्रित करते हुए, पाया कि यह मानना कि किसी व्यक्ति की राय बदलने की एक निश्चित सीमा होती है, अक्सर एक गतिरोध की ओर ले जाता है। यदि समूह को सहमति के बहुत उच्च स्तर की आवश्यकता है, और हर कोई अपनी प्रारंभिक, अपरिवर्तनीय सीमाओं के भीतर फंसा हुआ है, तो वे कभी भी आम सहमति तक नहीं पहुँच पाएंगे। यह अध्ययन एक दो-चरणीय दृष्टिकोण का प्रस्ताव करता है जो पहले यह सीखता है कि एक व्यक्ति स्वाभाविक रूप से क्या स्वीकार करने के लिए तैयार है, और फिर, केवल यदि आवश्यक हो, उन्हें लक्ष्य तक पहुँचने के लिए उस सीमा को बस थोड़ा सा बढ़ाने के लिए धीरे से कहता है। यह विधि समझौते को एक कठोर बाधा के रूप में नहीं, बल्कि एक लचीली प्रतिक्रिया के रूप में मानती है जो समूह के करीब आने पर बढ़ती जाती है।

शोधकर्ताओं ने इस नए ढांचे को एक वास्तविक समस्या पर लागू किया: एक एंटी-कैंसर दवा के लिए सबसे अच्छे उम्मीदवार का चयन करना। कल्पना कीजिए कि छह विशेषज्ञों का एक पैनल है, जिनमें से प्रत्येक की विशेषज्ञता अलग है, जैसे कि फार्माकोलॉजी, क्लिनिकल मेडिसिन, या सुरक्षा परीक्षण। उन्हें छह अलग-अलग दवा अणुओं को रेट करने के लिए कहा जाता है। शुरुआत में, उनकी राय बिखरी हुई होती है; एक विशेषज्ञ किसी दवा को बहुत उच्च रेटिंग दे सकता है जबकि दूसरा उसे खराब रेटिंग दे सकता है। एक पारंपरिक मॉडल में, शोधकर्ताओं को पहले से यह अनुमान लगाना होगा कि प्रत्येक विशेषज्ञ समूह के औसत की ओर अपनी स्कोर को कितना बदलने के लिए तैयार है। वे मनमाने ढंग से यह तय कर सकते हैं कि सभी अपनी राय को 20 प्रतिशत तक बदलने के लिए तैयार हैं। इस दृष्टिकोण के साथ समस्या यह है कि यह वास्तविकता की अनदेखी करता है। कुछ विशेषज्ञ स्वाभाविक रूप से अधिक लचीले हो सकते हैं, जबकि अन्य अधिक जिद्दी, और ये अंतर अक्सर चर्चा वास्तव में शुरू होने तक अदृश्य रहते हैं। इसके अलावा, यदि समूह को 98.5 प्रतिशत सहमति के स्तर की आवश्यकता है, तो एक निश्चित 20 प्रतिशत का बदलाव अंतर को पाटने के लिए पर्याप्त नहीं हो सकता है, जिससे समूह असहमति में फंसा रह जाता है।

इसे हल करने के लिए, लेखकों ने एक ऐसी विधि विकसित की जो दो अलग-अलग चरणों में काम करती है। पहले चरण में, कंप्यूटर विशेषज्ञों की प्रारंभिक राय का विश्लेषण करता है ताकि उनकी प्राकृतिक "समझौता सीमा" (कॉम्प्रोमाइज लिमिट) का पता लगाया जा सके। अनुमान लगाने के बजाय, सिस्टम यह देखता है कि एक विशेषज्ञ की राय समूह के औसत से कितनी दूर है और गणना करता है कि वह विशेषज्ञ अपने स्वयं के आंतरिक तर्क का उल्लंघन किए बिना कितनी अधिकतम मात्रा में आगे बढ़ सकता है। यह खोज की एक प्रक्रिया है, जो डेटा द्वारा प्रदान की गई जानकारी के आधार पर प्रत्येक व्यक्ति द्वारा स्वीकार किए जा सकने वाले दायरे की पहचान करती है। ड्रग स्क्रीनिंग के मामले में, इस सीखने के चरण ने खुलासा किया कि विशेषज्ञों की प्राकृतिक सीमाएं बहुत भिन्न थीं। कुछ अपनी राय को काफी हद तक बदलने के लिए तैयार थे, जबकि अन्य बहुत अधिक प्रतिरोधी थे। सिस्टम ने फिर जांचा कि क्या ये प्राकृतिक सीमाएं आवश्यक 98.5 प्रतिशत सहमति प्राप्त करने के लिए पर्याप्त थीं।

विशिष्ट केस स्टडी में, प्रारंभिक शिक्षण चरण ने दिखाया कि विशेषज्ञ केवल अपनी स्वाभाविक रूप से सीखी गई सीमाओं के भीतर रहकर उच्च सहमति लक्ष्य तक नहीं पहुँच सकते थे। समूह करीब था, लेकिन पूरी तरह से नहीं पहुँचा था। यहीं पर मॉडल का दूसरा चरण काम आता है। सभी को अपनी राय बदलने के लिए समान मात्रा में मजबूर करने के बजाय, सिस्टम इस बात की पहचान करता है कि किन विशेषज्ञों को अंतर को कम करने के लिए अपनी सीमाओं को थोड़ा और खींचने की आवश्यकता है। यह गणना करके करता है कि लक्ष्य को पूरा करने के लिए न्यूनतम संभव अतिरिक्त समायोजन की आवश्यकता है। लक्ष्य न्यूनतम अतिरिक्त प्रयास के साथ आम सहमति प्राप्त करना है। ड्रग स्क्रीनिंग सिमुलेशन में, इसका अर्थ था कि कुछ विशेषज्ञों को अपनी प्रारंभिक धारणा से थोड़ा अधिक समझौता करने के लिए विस्तार करना पड़ा, जबकि अन्य अपने मूल दायरे के भीतर रहे। परिणाम एक सफल आम सहमति थी जिसने समूह के व्यक्तिगत अंतरों का सम्मान किया और सहमति की सख्त आवश्यकता को भी पूरा किया।

अध्ययन ने यह भी परीक्षण किया कि यह प्रक्रिया विभिन्न सेटिंग्स के प्रति कितनी संवेदनशील है। जब शोधकर्ताओं ने सहमति के और भी उच्च स्तर की मांग की, तो सिस्टम को अधिक पुनरावृतियों (इटरेशन) और थोड़े बड़े समायोजनों की आवश्यकता पड़ी, जिससे पता चलता कि सहमति का मार्ग एक सीधी रेखा नहीं है बल्कि एक वक्र (कर्व) है जो लक्ष्य कठिन होने पर और तीव्र होता जाता है। उन्होंने यह भी देखा कि विचारों को समायोजित करने के लिए उठाए गए कदमों के आकार को बदलकर सिस्टम कितनी तेजी से समाधान खोज सकता है। उन्होंने पाया कि बड़े कदम उठाने से प्रक्रिया तेज हो गई, लेकिन कदम का आकार चाहे जो भी हो, अंतिम परिणाम वही रहा। यह सुझाव देता है कि यह विधि मजबूत और विश्वसनीय है, जो बिना अटके या समय बर्बाद किए इष्टतम समाधान खोजने में सक्षम है।

शायद सबसे महत्वपूर्ण बात यह है कि शोधकर्ताओं ने अपने नए डायनेमिक लर्निंग मेथड की तुलना पुराने मॉडलों से की, जो निश्चित, पूर्व-निर्धारित समझौता सीमाओं का उपयोग करते थे। परिणाम स्पष्ट थे: डायनेमिक दृष्टिकोण ने सहमति का उच्च स्तर प्राप्त किया। सिमुलेशन में, फिक्स्ड मॉडल ने शुरुआती सीमाओं को कितना ऊंचा रखा गया था, इस पर निर्भर करते हुए, लगभग 87 प्रतिशत और 91 प्रतिशत के सहमति स्तर प्राप्त किए। नया डायनेमिक मेथड, जिसने सीखा और आवश्यकतानुसार सीमाओं का विस्तार किया, 95.7 प्रतिशत तक पहुँच गया। यह एक महत्वपूर्ण सुधार का प्रतिनिधित्व करता है, जो सिद्ध करता है कि समझौते के व्यवहार को प्रक्रिया के दौरान विकसित होने देना, इसे पहले से अनुमानित करने की तुलना में अधिक प्रभावी है। अध्ययन का निष्कर्ष है कि डेटा से सीखकर और समूह की विशिष्ट आवश्यकताओं के अनुकूल होकर, निर्णयकर्ता बिना प्रतिभागियों पर अप्राकृतिक या समान परिवर्तन थोपे बेहतर परिणाम प्राप्त कर सकते हैं।

यह कार्य किसी भी ऐसी स्थिति के लिए एक व्यावहारिक मार्ग प्रदान करता है जहाँ विविध विशेषज्ञों को एक जटिल मुद्दे पर सहमत होना होता है। चाहे वह नई दवा का चयन करना हो, वैज्ञानिक परियोजनाओं का मूल्यांकन करना हो, या शहरी विकास की योजना बनाना हो, यह सीखना कि लोग कितना समझौता करने के लिए तैयार हैं और फिर केवल तभी आवश्यकता पड़ने पर उस इच्छा को धीरे से बढ़ाना, सहमति का एक अधिक यथार्थवादी और प्रभावी मार्ग प्रदान करता है। अध्ययन यह दावा नहीं करता है कि उसने समूह निर्णय लेने की हर समस्या को हल कर दिया है, लेकिन यह प्रदर्शित करता है कि समझौते को एक निश्चित नियम के बजाय एक गतिशील, सीखने योग्य व्यवहार के रूप में मानना अधिक स्थिर और उच्च-गुणवत्ता वाली आम सहमति की ओर ले जाता है। समूह के वास्तविक व्यवहार पर ध्यान केंद्रित करके, न कि सैद्धांतिक धारणाओं पर, शोधकर्ताओं ने एक ऐसा उपकरण प्रदान किया है जो व्यक्तिगत निर्णय का सम्मान करता है और साथ ही यह सुनिश्चित करता है कि समूह मिलकर आगे बढ़ सके।