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

차세대 혁신 신약을 선정하거나 새로운 과학 프로젝트를 승인하는 것과 같은 중대한 결정을 내리는 복잡한 세계에서, 전문가 집단은 종종 하나의 진로에 합의해야 합니다. 이 과정은 '집단 의사결정'이라고 불리며, 결코 단순하지 않습니다. 사람들은 각기 다른 배경, 경험, 그리고 두려움을 가지고 모여들기에, 동일한 선택지를 두고도 매우 다양한 의견을 제시합니다. 목표는 모든 사람이 똑같이 생각하도록 강요하는 것이 아니라, 개인의 판단을 존계하면서도 집단을 통일된 결론으로 이끄는 공통 분모를 찾는 것입니다. 이러한 합의를 향한 여정을 '합의 도달 과정(consensus-reaching process)'이라고 합니다. 이 여정의 핵심적인 부분은 타협입니다. 즉, 집단에 더 가까워지기 위해 자신의 견해를 약간 조정하려는 개인의 의지입니다. 전통적으로 연구자들은 이러한 의지를, 논의가 시작되기도 전에 특정 수치로 설정되는 다이얼처럼 고정된 설정값으로 취급해 왔습니다. 그들은 만약 어떤 사람이 자신의 의견을 변화시킬 의지가 특정 정도라면, 그 한계치는 대화가 어떻게 전개되든 변하지 않는다고 가정합니다.

하지만 새로운 연구는 이러한 정적인 관점에 이의를 제기하며, 타협하려는 의지는 미리 정해진 규칙이 아니라 학습될 수 있고 실시간으로 조정될 수 있는 역동적인 행동임을 시사합니다. 암과 싸우는 잠재적 약물을 선별하는 시나리오에 집중한 연구진은, 개인이 자신의 의견을 바꿀 수 있는 한계치를 고정된 것으로 가정하면 종종 막다른 길에 다다르게 된다는 것을 발견했습니다. 만약 집단이 매우 높은 수준의 합의를 필요로 하는데 모두가 초기 상태의 변하지 않는 한계치 안에 갇혀 있다면, 그들은 결코 합의에 도달하지 못할 수도 있습니다. 이 연구는 먼저 전문가의 초기 의견을 바탕으로 그가 자연스럽게 수용할 수 있는 범위를 학습한 다음, 필요한 경우에만 그 한계를 목표 달성에 필요한 만큼 아주 조금씩 넓히도록 요청하는 2단계 접근 방식을 제안합니다. 이 방법은 타협을 경직된 제약이 아니라, 집단이 합의에 가까워짐에 따라 성장하는 유연한 반응으로 취급합니다.

연구진은 이 새로운 프레임워크를 현실적인 문제, 즉 항암제 후보 물질을 선정하는 문제에 적용했습니다. 약리학, 임상 의학, 또는 안전성 테스트와 같은 서로 다른 전문 분야를 가진 6명의 전문가 패널을 상상해 보십시오. 이들은 6가지의 서로 다른 약물 분자를 평가하도록 요청받습니다. 처음에 그들의 의견은 흩어져 있습니다. 어떤 전문가는 약물을 매우 높게 평가할 수 있고, 다른 전문가는 낮게 평가할 수 있습니다. 전통적인 모델에서는 연구자들이 각 전문가가 자신의 점수를 집단 평균 쪽으로 얼마나 이동시킬 용의가 있는지 미리 추측해야 합니다. 예를 들어, 모든 이가 자신의 의견을 20% 정도 바꿀 용의가 있다고 임의로 결정할 수 있습니다. 이 방식의 문제는 현실을 무시한다는 점입니다. 어떤 전문가는 본래 더 유연할 수 있고, 어떤 전문가는 더 완고할 수 있으며, 이러한 차이는 실제 토론이 시작되기 전까지는 눈에 보이지 않습니다. 더욱이, 집단이 98.5%의 합의 수준을 필요로 할 때, 고정된 20%의 변화는 그 간극을 메우기에 충분하지 않을 수 있으며, 결국 집단을 불일치 상태에 머물게 합니다.

이를 해결하기 위해 저자들은 두 가지 뚜렷한 단계로 작동하는 방법을 개발했습니다. 첫 번째 단계에서 컴퓨터는 전문가들의 초기 의견을 분석하여 그들의 자연스러운 '타협 한계(compromise limit)'를 파악합니다. 단순히 추측하는 대신, 시스템은 전문가의 의견이 집단 평균에서 얼마나 떨어져 있는지를 분석하고, 그 전문가가 자신의 내부 논리를 위반하지 않으면서 합리적으로 움직일 수 있는 최대치를 계산합니다. 이는 발견의 과정이며, 제공된 데이터를 바탕으로 각 개인이 수용할 수 있는 경계선을 식니하는 것입니다. 약물 선별 사례의 경우, 이 학습 단계는 전문가들이 매우 다른 자연적 한계를 가지고 있음을 드러냈습니다. 어떤 이들은 자신의 의견을 상당히 크게 바꿀 용의가 있었던 반면, 어떤 이들은 훨씬 더 저항적이었습니다. 시스템은 그다음, 이러한 자연적 한계가 요구되는 98.5%의 합의에 도달하기에 충분한지를 확인했습니다.

구체적인 사례 연구에서, 초기 학습 단계는 전문가들이 자연스럽게 학습된 한계 내에 머무는 것만으로는 높은 합의 목표에 도달할 수 없음을 보여주었습니다. 집단은 목표에 근접했으나 완전히 도달하지는 못한 상태였습니다. 여기서 모델의 두 번째 단계가 작동합니다. 모든 사람에게 동일한 양의 변화를 강요하는 대신, 시스템은 어떤 전문가가 목표를 달성하기 위해 한계를 조금 더 넓혀야 하는지를 식별합니다. 시스템은 집단을 결승선 너머로 밀어내기 위해 필요한 가장 작은 추가 조정량을 계산함으로써 이를 수행합니다. 목표는 최소한의 추가 노력으로 합의를 달성하는 것입니다. 약물 선별 시뮬레이션에서 이는 일부 전문가가 처음에 보여준 범위를 약간 넘어 자신의 의지를 확장해야 했음을 의미하며, 다른 이들은 원래의 범위 내에 머물렀음을 의미합니다. 결과는 개인의 차이를 존중하면서도 엄격한 합의 요건을 충족하는 성공적인 합의였습니다.

또한 연구진은 이 과정이 서로 다른 설정에 얼마나 민감하게 반응하는지 테스트했습니다. 연구진이 더 높은 수준의 합의를 요구했을 때, 시스템은 더 많은 반복 작업과 약간 더 큰 조정을 필요로 했으며, 이는 합의로 가는 길이 직선이 아니라 목표가 어려워질수록 가팔라지는 곡선임을 보여주었습니다. 또한 의견을 조정하는 단계의 크기를 변경하여 시스템이 솔루션을 얼마나 빨리 찾을 수 있는지 살펴보았습니다. 연구진은 더 큰 단계를 밟는 것이 과정을 더 빠르게 만들지만, 최종 결과는 단계 크기와 상관없이 동일하다는 것을 발견했습니다. 이는 이 방법이 견고하고 신뢰할 수 있으며, 시간을 낭비하거나 막히지 않고 최적의 솔루션을 찾을 수 있음을 시사합니다.

아마도 가장 중요한 것은, 연구진이 고정된 사전 설정 타협 한계를 사용하는 기존 모델과 이 새로운 동적 학습 방법을 비교했다는 점입니다. 결과는 명확했습니다. 동적 접근 방식이 더 높은 수준의 합의를 달នូវ했습니다. 시뮬레이션에서 고정 모델은 초기 한계를 얼마나 높게 설정하느냐에 따라 약 87%와 91%의 합의 수준에 도달했습니다. 반면, 필요에 따라 한계를 학습하고 확장한 새로운 동적 방법은 95.7%에 도달했습니다. 이는 상당한 개선을 나타내며, 타협 행동을 과정 중에 진화하도록 허용하는 것이 사전에 예측하려는 것보다 더 효과적임을 입증합니다. 연구는 데이터로부터 학습하고 집단의 구체적인 요구에 적응함으로써, 의사결정자가 참가자들에게 부자연스럽거나 일률적인 변화를 강요하지 않고도 더 나은 결과를 얻을 수 있다고 결론짓습니다.

이 연구는 다양한 전문가들이 복잡한 사안에 대해 합의해야 하는 모든 상황에 대한 실질적인 방향을 제시합니다. 새로운 약물을 선정하든, 과학 프로젝트를 평가하든, 혹은 도시 개발을 계획하든, 사람들이 얼마나 타협할 용의가 있는지 학습하고 필요한 경우에만 그 의지를 부드럽게 확장하는 능력은 더 현실적이고 효과적인 합의 경로를 제공합니다. 이 연구는 집단 의사결정의 모든 문제를 해결했다고 주장하는 것이 아니라, 타협을 고정된 규칙이 아닌 학습 가능한 동적 행동으로 취급하는 것이 더 안정적이고 질 높은 합의를 이끌어낸다는 것을 보여줍니다. 이론적인 가정이 아닌 집단의 실제 행동에 초점을 맞춤으로써, 연구진은 개인의 판단을 존중하면서도 집단이 함께 앞으로 나아갈 수 있도록 보장하는 도구를 제공했습니다.