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

Immagina di cercare di costruire una gigantesca mappa condivisa per una città che non esiste ancora. Hai un gruppo di architetti che sanno come gli edifici dovrebbero stare in piedi, e una folla di futuri residenti che sanno cosa vogliono per il proprio vivere. Il problema è che gli architetti e i residenti spesso non sono d'accordo su ciò che conta di più. Gli architetti potrebbero dire: "Abbiamo bisogno prima di una base solida", mentre i residenti urlano: "Voglio una piscina!". Nel mondo della scienza delle decisioni, questa è una classica testa di serie. Di solito, gli scienziati usano strumenti per classificare una lista di opzioni predefinite (come scegliere tra tre diversi modelli di auto). Ma cosa succede quando non hai ancora una lista di auto? Cosa succede quando devi capire che tipo di auto la città debba effettivamente avere prima di poterne scegliere una? Questo è il complicato problema "a monte" (upstream): capire le regole del gioco prima di iniziare a giocarci.

Questo articolo introduce un nuovo modo per risolvere questo enigma, chiamato Modello di Consenso Multi-Criterio Q (Q-MCCM). Pensalo come un magico traduttore che prende due linguaggi diversi — il "linguaggio strategico" degli esperti e il "linguaggio della domanda" della gente comune — e li fonde in una singola, stabile lista di priorità. Invece di chiedere semplicemente alle persone di scegliere la loro opzione preferita da un menu, questo metodo chiede loro di ordinare un mazzo di carte che rappresentano diverse idee, costringendoli a decidere cosa sia più importante e cosa sia meno importante. Utilizzando un sapiente mix di psicologia del sorting delle carte e voto matematico, il modello costruisce una "mappa cognitiva" che mostra al gruppo esattamente dove sono d'accordo e dove sono realmente in disaccordo. Non si tratta di costringere tutti a essere d'accordo; si tratta di creare un sistema equo in cui la visione degli esperti del quadro generale filtri i desideri immediati del pubblico, dando come risultato un piano che sia sia realistico che desiderato.

Il Problema: Quando Ognuno Ha una Mappa Diversa

Immagina un gruppo di persone che cerca di progettare un nuovo programma scolastico. Gli insegnanti (gli esperti) sanno che imparare l'algebra è un prerequisito per il calcolo, quindi pensano che l'algebra sia la cosa più importante. Gli studenti (gli stakeholder), tuttavia, potrebbero pensare che imparare a programmare un videogioco sia la necessità più urgente. Se chiedi semplicemente a tutti di votare, gli studenti potrebbero vincere, e la scuola finirebbe con un ottimo corso di programmazione ma senza una base di matematica, lasciando tutti confusi in seguito.

Gli strumenti decisionali tradizionali sono come un arbitro che conta solo i voti su una lista di prodotti finiti. Presumono che la lista di "ciò che conta" sia già scritta nella pietra. Ma nella realtà, la lista di ciò che conta è spesso proprio l'oggetto della disputa. L'autore di questo articolo sostiene che abbiamo bisogno di uno strumento che possa costruire quella lista partendo dal disaccordo, piuttosto che limitarsi a classificare elementi su una lista già esistente.

La Soluzione: Una Danza su Due Binari

Il modello Q-MCCM risolve questo problema gestendo due binari separati che alla fine si incontrano nel mezzo.

Binario 1: Gli Architetti (Esperti)
Per prima cosa, un gruppo di esperti agisce come un team di architetti. Viene loro dato un mazzo di carte che rappresenta diversi argomenti (come "Algebra", "Programmazione", "Storia"). Non si limitano a scegliere i loro preferiti; sono costretti a ordinare queste carte in una forma specifica, come una piramide. Devono mettere gli elementi più importanti in cima, quelli meno importanti in fondo e alcuni nel mezzo. Questa tecnica di "ordinamento forzato" è chiamata metodologia Q. Costringe le persone a fare scelte difficili, rivelando la loro vera mappa mentale del mondo.

Una volta che gli esperti hanno ordinato le loro carte, il modello utilizza un trucco matematico chiamato Propagazione del Vettore. Immagina che le carte ordinate dagli esperti siano un progetto (blueprint). Il modello ossa la distanza tra la carta "Migliore" e la carta "Peggiore" nel loro ordinamento e calcola automaticamente quanto peso debba avere ogni argomento. È come se il modello leggesse la mente degli esperti e trasformasse l'ordine delle loro carte in un insieme preciso di istruzioni, senza che debbano eseguire centinaia di noiosi confronti.

Binario 2: I Residenti (Stakeholder)
Successivamente, gli studenti o gli utenti (gli stakeholder) hanno il loro turno. Valutano gli argomenti in base a ciò di cui hanno bisogno o ciò che vogliono. Forse pensano che la programmazione sia un 10 su 10, mentre l'algebra è un 3. Il modello prende queste valutazioni e le trasforma in un "segnale di domanda".

La Fusione Magica: Filtraggio Strategico
Ecco dove avviene la magia. Il modello non si limita ad aggiungere le due liste. Inveve, usa il Progetto degli Architetti per filtrare le Domande dei Residenti.

Pensalo come un sistema di tubature dell'acqua. La "Domanda" è l'acqua che scorre nei tubi. Il "Progetto dell'Esperto" è la dimensione dei tubi.

• Se gli esperti dicono che un argomento è strategicamente vitale (un tubo largo), ma gli studenti lo vogliono solo un po', il modello amplifica la domanda. L'acqua scorre forte perché il tubo è largo.
• Se gli studenti urlano per un argomento (molta acqua), ma gli esperti dicono che non è una priorità (un tubo piccolo e stretto), il modello lo smorza. L'acqua viene schiacciata.

Il risultato è una lista finale di priorità che rispetta ciò che le persone vogliono, ma solo se rientra nella struttura strategica che gli esperti ritengono necessaria.

Cosa ha Trovato il Modello (e Cosa Non ha Trovato)

L'autore ha testato questa idea utilizzando una simulazione al computer. Ha creato un mondo fittizio con 32 "elementi" differenti (come materie scolastiche) e 15 esperti finti e 80 studenti finti. Ha programmato queste persone finte affinché avessero opinioni diverse, proprio come fanno gli esseri umani reali.

I risultati sono stati promettenti.

• Ha funzionato: Quando hanno eseguito la simulazione, il modello ha prodotto una chiara classifica degli elementi.
• Era robusto: Hanno testato la lista usando tre diversi metodi matematici (chiamati TOPSIS, VIKOR e PROMETHEE). I risultati erano quasi identici (una correlazione superiore a 0,9), il che significa che la lista finale non cambiava solo perché veniva usato un diverso metodo matematico.
• Ha trovato il "Consenso Strategico": Il modello poteva capire quando gli esperti concordavano effettivamente sul quadro generale (i "blocchi" o le categorie), anche se erano in disaccordo sui dettagli minori. Poteva anche individuare quando c'erano due gruppi completamente diversi di esperti con strategie differenti e, invece di forzarli in un unico falso accordo, suggeriva di mantenere le loro liste separate.

Tuttavia, l'articolo è molto attento a ciò che non ha ancora fatto.

• È una simulazione: Tutti i risultati derivano da un test generato al computer. L'autore dichiara esplicitamente di non aver ancora testato questo metodo con persone reali in un'organizzazione reale. Suggerisce che, sebbene la matematica sembri valida, il passo successivo sia provarlo nel mondo reale.
• Non è una soluzione magica per tutto: Il modello assume che la visione strategica degli esperti debba "filtrare" o limitare le domande del pubblico. L'autore ammette che in alcune situazioni (come le regole di sicurezza), potresti non voler filtrare affatto le domande. In quei casi, il modello potrebbe dover essere regolato.
• Richiede le persone giuste: Il modello funziona meglio se il gruppo di esperti è abbastanza diversificato da rappresentare tutti i diversi punti di vista. Se scegli solo esperti che sono già d'accordo tra loro, il modello non troverà disaccordi interessanti da risolvere.

Perché Questo è Importante

Questo articolo offre un nuovo modo per gestire il disordinato processo decisionale di gruppo quando tutti sono confusi su quali siano gli obiettivi. Invece di limitarsi a contare i voti o forzare un compromesso, costruisce prima una comprensione condivisa delle "regoli del gioco".

Per un adolescente curioso, pensa a questo: se il tuo club scolastico vuole pianificare un grande evento, non chiedi semplicemente a tutti "Che festa volete?". Prima chiedi ai leader del club: "Che tipo di evento si adatta al nostro budget e alla nostra missione?" e poi chiedi ai membri: "Cosa volete fare?". Il modello Q-MCCM è lo strumento che prende queste due risposte e capisce quale sia la festa perfetta che si adatta al budget e rende felici i membri. Trasforma un coro di urla in una conversazione strutturata, assicurando che il piano finale sia sia intelligente che popolare.

L'autore conclude che questo è uno strumento potente per il processo decisionale "a monte" (upstream) — ovvero capire cosa conta prima di iniziare a scegliere. Sebbene sia attualmente una simulazione molto intelligente, suggerisce un futuro in cui possiamo costruire piani migliori e più condivisi per scuole, aziende e governi, anche quando tutti iniziano partendo da posizioni discordanti.