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

Nel complesso mondo del prendere grandi decisioni, dal scegliere la prossima medicina rivoluzionaria all'approvare un nuovo progetto scientifico, un gruppo di esperti deve spesso concordare su un unico percorso da seguire. Questo processo, noto come processo decisionale di gruppo, è raramente semplice. Le persone portano al tavolo diversi background, esperienze e timori, portando a opinioni molto variabili sullo stesso oggetto. L'obiettivo non è costringere tutti a pensare esattamente allo stesso modo, ma trovare un terreno comune che rispetti il giudizio individuale pur muovendo il gruppo verso una conclusione unificata. Questo viaggio verso l'accordo è chiamato processo di raggiungimento del consenso. Una parte critica di questo viaggio è il compromesso: la volontà di un individuo di aggiustare leggermente la propria visione per avvicinarsi a quella del gruppo. Tradizionalmente, i ricercatori hanno trattato questa disponibilità come un'impostazione fissa, come una manopola che viene girata a un numero specifico prima ancora che la discussione abbia inizio. Presuppongono che se una persona è disposta a spostare la propria opinione di una certa quantità, quel limite non cambi mai, indipendentemente da come evolve la conversazione.

Tuttavia, uno studio recente sfida questa visione statica, suggerendo che la volontà di compromettere non è una regola preimpostata, ma un comportamento dinamico che può essere appreso e regolato in tempo reale. I ricercatori, concentrandosi su uno scenario in cui esperti valutano potenziali farmaci per combattere il cancro, hanno scoperto che presumere un limite fisso su quanto qualcuno sia disposto a cambiare idea porta spesso a un vicolo cieco. Se il gruppo necessita di un livello di accordo molto alto e tutti sono bloccati entro i propri limiti iniziali, immutabili, potrebbero non raggiungere mai un consenso. Lo studio propone un approccio in due fasi che prima apprende ciò che una persona è naturalmente disposta ad accettare in base alle sue opinioni iniziali e poi, solo se necessario, chiede gentilmente di estendere quel limite solo quanto basta per raggiungere l'obiettivo. Questo metodo tratta il compromesso non come un vincolo rigido, ma come una risposta flessibile che cresce man mano che il gruppo si avvicina all'accordo.

I ricercatori hanno applicato questo nuovo framework a un problema realistico: la selezione del miglior candidato per un farmaco antitumorale. Immaginate un panel di sei esperti, ciascuno con una diversa specializzazione, come farmacologia, medicina clinica o test di sicurezza. Sono chiamati a valutare sei diverse molecole di farmaci. Inizialmente, le loro opinioni sono disperse; un esperto potrebbe valutare un farmaco molto positivamente mentre un altro lo valuta negativamente. In un modello tradizionale, i ricercatori dovrebbero indovinare in anticipo quanto ogni esperto sia disposto a spostare il proprio punteggio verso la media del gruppo. Potrebbero decidere arbitrariamente che tutti siano disposti a spostare la propria opinione del 20 percento. Il problema con questo approccio è che ignora la realtà della situazione. Alcuni esperti potrebbero essere naturalmente più flessibili, mentre altri sono più ostinati, e queste differenze sono spesso invisibili finché la discussione non inizia effettivamente. Inoltre, se il gruppo ha bisogno di un livello di accordo del 98,5 percento, uno spostamento fisso del 20 percento potrebbe non essere sufficiente per colmare il divario, lasciando il gruppo bloccato nel disaccordo.

Per risolvere questo, gli autori hanno sviluppato un metodo che lavora in due fasi distinte. Nella prima fase, il computer analizza le opinioni iniziali degli esperti per capire il loro naturale "limite di compromesso". Inve di indovinare, il sistema osserva quanto l'opinione di un esperto sia distante dalla media del gruppo e calcola la quantità massima che quell'esperto potrebbe ragionevolmente spostare senza violare la propria logica interna. È un processo di scoperta, identificando il confine di ciò che ogni persona può accettare sulla base dei dati forniti. Nel caso dello screening dei farmaci, questa fase di apprendimento ha rivelato che gli esperti avevano limiti naturali molto diversi. Alcuni erano disposti a spostare significativamente le proprie opinioni, mentre altri erano molto più resistenti. Il sistema ha quindi verificato se questi limiti naturali fossero sufficienti per raggiungere il richiesto 98,5 percento di accordo.

Nel caso specifico dello studio di caso, la fase iniziale di apprendimento ha mostrato che gli esperti non potevano raggiungere l'alto obiettivo di consenso restando solo entro i loro limiti naturalmente appresi. Il gruppo era vicino, ma non del tutto. È qui che entra in gioco la seconda fase del modello. Piuttosto che costringere tutti a cambiare idea della stessa quantità, il sistema identifica quali esperti devono estendere i propri limiti solo un po' di più per colmare il divario. Lo fa calcolando il minimo possibile sforzo extra di aggiustamento necessario per spingere il gruppo oltre la linea del traguardo. L'obiettivo è raggiungere il consenso con il minimo sforzo supplementare assoluto. Nella simulazione dello screening dei farmaci, ciò significava che alcuni esperti dovevano estendere la loro disponibilità a compromettere leggermente oltre quanto avevano inizialmente mostrato, mentre altri rimanevano nel loro intervallo originale. Il risultato è stato un consenso riuscito che rispettava le differenze individuali del gruppo pur soddisfacendo il rigoroso requisito di accordo.

Lo studio ha anche testato quanto questo processo sia sensibile a diverse impostazioni. Quando i ricercatori richiedevano un livello di accordo ancora più elevato, il sistema richiedeva più iterazioni e aggiustamenti leggermente più ampi, dimostrando che il percorso verso il consenso non è una linea retta ma una curva che diventa più ripida man mano che l'obiettivo diventa più difficile da raggiungere. Hanno anche esaminato quanto velocemente il sistema potesse trovare una soluzione cambiando la dimensione dei passi compiuti per regolare le opinioni. Hanno scoperto che compiere passi più grandi rendeva il processo più veloce, ma il risultato finale rimaneva lo stesso indipendentemente dalla dimensione del passo. Ciò suggerisce che il metodo è robusto e affidabile, capace di trovare la soluzione ottimale senza bloccarsi o sprecare tempo.

Forse cosa più importante, i ricercatori hanno confrontato il loro nuovo metodo di apprendimento dinamico con i modelli più vecchi che utilizzavano limiti di compromesso fissi e preimpostati. I risultati sono stati chiari: l'approccio dinamico ha raggiunto un livello di consenso superiore. Nella simulazione, i modelli fissi sono riusciti a raggiungere livelli di accordo di circa l'87 percento e il 91 percento, a seconda di quanto alto fosse stato impostato il limite iniziale. Il nuovo metodo dinamico, che ha appreso e poi esteso i limiti secondo necessità, ha raggiunto il 95,7 percento. Questo rappresenta un miglioramento significativo, provando che permettere al comportamento di compromesso di evolversi durante il processo è più efficace del cercare di prevederlo in anticipo. Lo studio conclude che, imparando dai dati e adattandosi alle specifiche esigenze del gruppo, i decisori possono ottenere risultati migliori senza imporre cambiamenti innaturali o uniformi ai partecipanti.

Questo lavoro offre una via pratica per qualsiasi situazione in cui esperti diversi debbano concordare su una questione complessa. Che si tratti di selezionare un nuovo farmaco, valutare progetti scientifici o pianificare lo sviluppo urbano, la capacità di apprendere quanto le persone siano disposte a compromettere e poi estendere gentilmente tale disponibilità solo quando necessario fornisce un percorso verso l'accordo più realistico ed efficace. Lo studio non pretende di aver risolto ogni problema di processo decisionale di gruppo, ma dimostra che trattare il compromesso come un comportamento dinamico e apprendibile, piuttosto che come una regola fissa, porta a un consenso più stabile e di qualità superiore. Concentrandosi sul comportamento effettivo del gruppo piuttosto che su assunzioni teoriche, i ricercatori hanno fornito uno strumento che rispetta il giudizio individuale garantendo al contempo che il gruppo possa procedere insieme.