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

कल्पना कीजिए कि आप एक ऐसे शहर के लिए एक विशाल, साझा मानचित्र बनाने की कोशिश कर रहे हैं जो अभी तक अस्तित्व में ही नहीं आया है। आपके पास वास्तुकारों (architects) का एक समूह है जो जानते हैं कि इमारतें कैसे खड़ी होनी चाहिए, और भविष्य के निवासियों की एक भीड़ है जो जानते हैं कि वे क्या रहना चाहते हैं। समस्या यह है कि वास्तुकार और निवासी अक्सर इस बात पर असहमत होते हैं कि सबसे महत्वपूर्ण क्या है। वास्तुकार कह सकते हैं, "हमें पहले एक मजबूत नींव की आवश्यकता है," जबकि निवासी चिल्ला सकते हैं, "मुझे एक स्विमिंग पूल चाहिए!" निर्णय विज्ञान (decision science) की दुनिया में, यह एक क्लासिक सिरदर्द है। आमतौर पर, वैज्ञानिक पूर्व-निर्धारित विकल्पों की एक सूची (जैसे तीन अलग-अलग कार मॉडल के बीच चयन करना) को रैंक करने के लिए उपकरणों का उपयोग करते हैं। लेकिन क्या होता है जब आपके पास अभी तक कारों की कोई सूची ही नहीं होती? क्या होता है जब आपको कार चुनने से पहले यह पता लगाने की आवश्यकता होती है कि शहर को वास्तव में किस तरह की कारों की आवश्यकता है? यह पेचीदा "अपस्ट्रीम" (upstream) समस्या है: खेल शुरू करने से पहले खेल के नियम तय करना।

यह शोध पत्र उस पहेली को सुलझाने का एक नया तरीका पेश करता है, जिसे Q-मल्टी-क्राइटेरिया कंसेंसस मॉडल (Q-MCCM) कहा जाता है। इसे एक जादुई अनुवादक के रूप में समझें जो दो अलग-अलग भाषाओं—विशेषज्ञों की "रणनीतिक भाषा" और आम लोगों की "मांग की भाषा"—को लेता है और उन्हें एक एकल, स्थिर प्राथमिकता सूची में मिला देता है। केवल लोगों से एक मेनू से अपना पसंदीदा विकल्प चुनने के लिए कहने के बजाय, यह विधि उन्हें विभिन्न विचारों का प्रतिनिधित्व करने वाले कार्डों के एक डेक को छाँटने के लिए कहती है, जिससे उन्हें यह तय करने के लिए मजबूर होना पड़ता है कि सबसे महत्वपूर्ण क्या है और सबसे कम महत्वपूर्ण क्या है। कार्ड-सॉर्टिंग मनोविज्ञान और गणितीय मतदान के एक चतुर मिश्रण का उपयोग करके, यह मॉडल एक "संज्ञानात्मक मानचित्र" (cognitive map) बनाता है जो समूह को ठीक से दिखाता है कि वे कहाँ सहमत हैं और कहाँ वे वास्तव में मतभेद रखते हैं। यह सभी को सहमत करने के बारे में नहीं है; यह एक निष्पक्ष प्रणाली बनाने के बारे में है जहाँ विशेषज्ञों का बड़े चित्र (big picture) का दृष्टिकोण जनता की तात्कालिक इच्छाओं को फ़िल्टर करता है, जिससे एक ऐसी योजना तैयार होती है जो यथार्थवादी भी है और वांछित भी।

समस्या: जब हर किसी के पास एक अलग मानचित्र होता है

कल्पना कीजिए कि लोगों का एक समूह एक नया स्कूल पाठ्यक्रम डिजाइन करने की कोशिश कर रहा है। शिक्षक (विशेषज्ञ) जानते हैं कि कैलकुलस के लिए बीजगणित (algebra) एक पूर्व शर्त है, इसलिए वे सोचते हैं कि बीजगणित सबसे महत्वपूर्ण चीज़ है। छात्र (हितधारक/stakeholders), हालांकि, यह सोच सकते हैं कि वीडियो गेम कोड करना सीखना सबसे तत्काल आवश्यकता है। यदि आप केवल सभी से वोट देने के लिए कहते हैं, तो छात्र जीत सकते हैं, और स्कूल में एक बेहतरीन कोडिंग क्लास तो होगी लेकिन गणित की नींव नहीं होगी, जिससे बाद में सभी भ्रमित हो जाएंगे।

पारंपरिक निर्णय लेने वाले उपकरण एक रेफरी की तरह हैं जो केवल तैयार उत्पादों की एक सूची पर वोटों की गिनती करते हैं। वे यह मान लेते हैं कि "क्या महत्वपूर्ण है" की सूची पहले से ही पत्थर पर लिखी जा चुकी है। लेकिन वास्तविक जीवन में, क्या महत्वपूर्ण है इसकी सूची अक्सर वही होती है जिसके लिए लड़ाई हो रही होती है। इस शोध पत्र के लेखक का तर्क है कि हमें एक ऐसे उपकरण की आवश्यकता है जो मौजूदा सूची पर वस्तुओं को रैंक करने के बजाय, उस असहमति से उस सूची को बना सके।

समाधान: एक दो-तरफा नृत्य (A Two-Track Dance)

Q-MCCM मॉडल इसे दो अलग-अलग ट्रैक चलाकर हल करता है जो अंततः बीच में मिलते हैं।

ट्रैक 1: वास्तुकार (विशेषज्ञ)
सबसे पहले, विशेषज्ञों का एक समूह वास्तुकारों की एक टीम की तरह कार्य करता है। उन्हें विभिन्न विषयों (जैसे "बीजगणित," "कोडिंग," "इतिहास") का प्रतिनिधित्व करने वाले कार्डों का एक डेक दिया जाता है। वे केवल अपने पसंदीदा को नहीं चुनते; उन्हें इन कार्डों को एक विशिष्ट आकार, जैसे कि पिरामिड में छाँटने के लिए मजबूर किया जाता है। उन्हें सबसे महत्वपूर्ण वस्तुओं को ऊपर, सबसे कम महत्वपूर्ण को नीचे, और कुछ को बीच में रखना होता है। यह "जबरन छंटनी" (forced sorting) एक तकनीक है जिसे Q पद्धति (Q methodology) कहा जाता है। यह लोगों को कठिन विकल्प चुनने के लिए मजबूर करती है, जिससे उनकी दुनिया के प्रति वास्तविक मानसिक मानचित्र प्रकट होता है।

एक बार जब विशेषज्ञ अपने कार्ड छाँट लेते हैं, तो मॉडल एक गणितीय चाल का उपयोग करता है जिसे वेक्टर प्रोपेगेशन (Vector Propagation) कहा जाता है। कल्पना कीजिए कि विशेषज्ञों के छाँटे गए कार्ड एक ब्लूप्रिंट हैं। मॉडल उनके सॉर्ट में "सर्वश्रेष्ठ" कार्ड और "सबसे खराब" कार्ड के बीच की दूरी को देखता है और स्वचालित रूप से गणना करता है कि प्रत्येक विषय को कितना भार (weight) दिया जाना चाहिए। यह ऐसा है जैसे मॉडल विशेषज्ञों के दिमाग को पढ़ रहा है और उनके कार्ड क्रम को सटीक निर्देशों के एक सेट में बदल रहा है, बिना उन्हें सैकड़ों उबाऊ तुलनाएं करने की आवश्यकता के।

ट्रैक 2: निवासी (हितधारक)
इसके बाद, छात्रों या उपयोगकर्ताओं (हितधारकों) को अपना टर्न मिलता है। वे विषयों को इस आधार पर रेटिंग देते हैं कि उन्हें क्या जरूरत है या क्या चाहिए। शायद वे कोडिंग को 10 में से 10 रेटिंग दें, जबकि बीजगणित को 3। मॉडल इन रेटिंग्स को लेता है और उन्हें एक "मांग संकेत" (demand signal) में बदल देता है।

जादुगत विलय: रणनीतिक फ़िल्टरिंग (Strategic Filtering)
यहाँ जादू होता है। मॉडल केवल दोनों सूचियों को आपस में जोड़ नहीं देता है। इसके बजाय, यह निवासियों की मांगों को फ़िल्टर करने के लिए वास्तुकारों के ब्लूप्रिंट का उपयोग करता है।

इसे पानी के पाइप सिस्टम की तरह सोचें। "मांग" पाइपों के माध्यम से बहने वाला पानी है। "विशेषज्ञ ब्लूप्रिंट" पाइपों का आकार है।

• यदि विशेषज्ञ कहते हैं कि एक विषय रणनीतिक रूप से महत्वपूर्ण है (एक चौड़ा पाइप), लेकिन छात्र केवल थोड़ा सा चाहते हैं, तो मॉडल मांग को बढ़ाता है। पानी मजबूती से बहता है क्योंकि पाइप चौड़ा है।
• यदि छात्र किसी विषय के लिए चिल्लाते हैं (बहुत सारा पानी), लेकिन विशेषज्ञ कहते हैं कि यह प्राथमिकता नहीं है (एक छोटा, संकीर्ण पाइप), तो मॉडल इसे दबा देता है। पानी बाहर निकल जाता है।

परिणाम प्राथमिकताओं की एक अंतिम सूची है जो इस बात का सम्मान करती है कि लोग क्या चाहते हैं, लेकिन केवल तभी जब यह उस रणनीतिक संरचना के भीतर फिट बैठता है जिसे विशेषज्ञ आवश्यक मानते हैं।

मॉडल ने क्या पाया (और क्या नहीं पाया)

लेखक ने इस विचार का परीक्षण एक कंप्यूटर सिमुलेशन का उपयोग करके किया। उन्होंने एक नकली दुनिया बनाई जिसमें 32 अलग-अलग "आइटम" (जैसे स्कूल विषय) और 15 नकली विशेषज्ञ और 80 नकली छात्र थे। उन्होंने इन नकली लोगों को अलग-अलग राय रखने के लिए प्रोग्राम किया, ठीक वैसे ही जैसे वास्तविक मनुष्य करते हैं।

परिणाम उत्साहजनक थे। मॉडल ने एक स्थिर प्राथमिकता सूची सफलतापूर्वक बनाई।

• यह काम कर गया: जब उन्होंने सिमुलेशन चलाया, तो मॉडल ने वस्तुओं की एक स्पष्ट रैंकिंग बनाई।
• यह सुदृढ़ (robust) था: उन्होंने सूची का परीक्षण तीन अलग-अलग गणितीय विधियों (TOPSIS, VIKOR, और PROMETHEE) का उपयोग करके किया। परिणाम लगभग समान थे (0.9 से अधिक सहसंबंध), जिसका अर्थ है कि अंतिम सूची केवल इसलिए नहीं बदली क्योंकि उन्होंने एक अलग गणितीय सूत्र का उपयोग किया था।
• इसने "रणनीतिक आम सहमति" (Strategic Consensus) को खोजा: मॉडल बता सका कि विशेषज्ञ वास्तव में बड़े चित्र (ब्लॉक्स या श्रेणियों) पर कब सहमत थे, भले ही वे छोटे विवरणों पर असहमत हों। यह यह भी पहचान सका कि क्या विशेषज्ञों के दो पूरी तरह से अलग समूह अलग-अलग रणनीतियों के साथ मौजूद थे, और उन्हें एक नकली सहमति में जबरन मिलाने के बजाय, इसने उनकी सूचियों को अलग रखने का सुझाव दिया।

हालाँकि, शोध पत्र इस बात को लेकर बहुत सावधान है कि इसने अभी तक क्या नहीं किया है।

• यह एक सिमुलेशन है: सभी परिणाम एक कंप्यूटर-जनित परीक्षण से आते हैं। लेखक स्पष्ट रूप से कहते हैं कि उन्होंने अभी तक इसे वास्तविक लोगों के साथ एक वास्तविक संगठन में परीक्षण नहीं किया है। वे सुझाव देते हैं कि जबकि गणित अच्छा दिखता है, अगला कदम इसे वास्तविक दुनिया में आज़माना है।
• यह हर चीज़ के लिए जादुई समाधान नहीं है: मॉडल यह मानता है कि विशेषज्ञों का रणनीतिक दृष्टिकोण जनता की मांगों को "गेट" या फ़िल्टर करना चाहिए। लेखक स्वीकार करते हैं कि कुछ स्थितियों में (जैसे सुरक्षा नियमों में), आप मांगों को बिल्कुल भी फ़िल्टर नहीं करना चाह सकते हैं। उन मामलों में, मॉडल को समायोजित करने की आवश्यकता हो सकती है।
• इसे सही लोगों की आवश्यकता है: मॉडल तब सबसे अच्छा काम करता है जब विशेषज्ञों का समूह सभी अलग-अलग दृष्टिकोणों का प्रतिनिधित्व करने के लिए पर्याप्त विविध हो। यदि आप केवल ऐसे विशेषज्ञों को चुनते हैं जो पहले से ही एक-दूसरे से सहमत हैं, तो मॉडल किसी भी दिलचस्प असहमति को हल नहीं कर पाएगा।

यह क्यों मायने रखता है

यह शोध पत्र इस बात का एक नया तरीका प्रदान करता है कि समूह के निर्णयों के जटिल मामले को कैसे संभाला जाए जब लोग इस बात को लेकर भ्रमित हों कि लक्ष्य क्या हैं। केवल वोटों की गिनती करने या समझौते के लिए मजबूर करने के बजाय, यह पहले "खेल के नियमों" की एक साझा समझ बनाता है।

एक जिज्ञासु किशोर के लिए, इसे ऐसे समझें: यदि आपके स्कूल क्लब को एक बड़ा कार्यक्रम आयोजित करना है, तो आप केवल यह नहीं पूछते कि "आप कौन सी पार्टी चाहते हैं?" आप पहले क्लब लीडरों से पूछते हैं, "बजट और मिशन के अनुकूल किस प्रकार का कार्यक्रम है?" और फिर आप सदस्यों से पूछते हैं, "आप क्या करना चाहते हैं?" Q-MCCM मॉडल वह उपकरण है जो उन दोनों उत्तरों को लेता है और उस परफेक्ट पार्टी का पता लगाता है जो बजट में भी फिट बैठती है और सदस्यों को भी खुश रखती है। यह एक चिल्लाने वाली बहस को एक संरचित बातचीत में बदल देता है, यह सुनिश्चित करता है कि अंतिम योजना स्मार्ट भी हो और लोकप्रिय भी।

लेखक निष्कर्ष निकालते हैं कि यह "अपस्ट्रीम" निर्णय लेने के लिए एक शक्तिशाली उपकरण है—यह तय करने के लिए कि क्या महत्वपूर्ण है, इससे पहले कि आप चुनाव करना शुरू करें। हालांकि यह वर्तमान में एक बहुत ही चतुर सिमुलेशन है, यह एक ऐसे भविष्य का सुझाव देता है जहाँ हम बेहतर, अधिक सहमति वाले स्कूल, कंपनियां और सरकारें बना सकते हैं, भले ही सभी शुरुआत में असहमत हों।