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

아래는 연구 논문의 요약이며, 이어서 자동 검사기가 발견한 결함이 나열되어 있습니다.

=== 요약 ===
당신이 아직 존재하지 않는 도시를 위한 거대하고 공유된 지도를 만들려고 한다고 상상해 보세요. 당신에게는 건물이 어떻게 서 있어야 하는지 아는 건축가 그룹과, 무엇을 살고 싶어 하는지 아는 미래의 거주자 군중이 있습니다. 문제는 건축가와 거주자들이 무엇이 가장 중요한지에 대해 자주 의견이 다르다는 점입니다. 건축가들은 "우선 강력한 기초가 필요하다"라고 말할 수 있고, 거주자들은 "나는 수영장이 필요해!"라고 외칠 수 있습니다. 의사결정 과학의 세계에서 이것은 전형적인 골칫거리입니다. 보통 과학자들은 이미 만들어진 옵션들의 목록(예를 들어 세 가지 다른 자동차 모델 중 하나를 선택하는 것)의 순위를 매기는 도구를 사용합니다. 하지만 아직 어떤 종류의 자동차가 필요한지도 모르는 상태라면 어떻게 될까요? 어떤 자동차를 고르기 전에, 도시가 심지어 어떤 종류의 자동차를 필요로 하는지부터 알아내야 한다면 어떻게 될까요? 이것이 바로 까다로운 "업스트림(upstream)" 문제입니다. 즉, 게임을 시작하기 전에 게임의 규칙을 정하는 것입니다.

이 논문은 이 퍼즐을 풀기 위한 새로운 방법인 **Q-다기준 합의 모델(Q-MCCM)**을 소개합니다. 이것을 전문가의 "전략적 언어"와 일반 사람들의 "수요 언어"라는 두 가지 서로 다른 언어를 받아들여 하나의 안정적인 우선순위 목록으로 혼합하는 마법 같은 번역기라고 생각하십시오. 단순히 메뉴에 있는 선호 옵션을 고르게 하는 대신, 이 방법은 사람들에게 다양한 아이디어를 나타내는 카드 덱을 분류하게 하여, 무엇이 가장 중요하고 무엇이 가장 덜 중요한지를 결정하도록 강제합니다. 카드 분류 심리학과 수학적 투표를 영리하게 결합함으로써, 이 모델은 집단이 정확히 어디에서 동의하고 어디에서 진정으로 의견이 갈리는지를 보여주는 "인지 지도"를 구축합니다. 이는 모두를 강제로 동의하게 만드는 것이 아니라, 전문가의 거시적 비전이 대중의 즉각적인 욕구를 필터링하여 현실적이면서도 원하는 바를 충족하는 계획을 도출하는 공정한 시스템을 만드는 것에 관한 것입니다.

문제점: 모두가 서로 다른 지도를 가지고 있을 때

새로운 학교 커리큘럼을 설계하려는 사람들을 상상해 보십시오. 교사들(전문가)은 대수학이 미적분을 배우기 위한 전제 조건이라는 것을 알기 때문에 대수학이 가장 중요하다고 생각합니다. 그러나 학생들(이해관계자)은 비디오 게임 코딩을 배우는 것이 더 시급한 필요라고 생각할 수도 있습니다. 만약 단순히 모든 사람에게 투표를 요청한다면, 학생들이 승리할 것이고 학교는 훌륭한 코딩 수업을 갖게 되겠지만 수학적 기초가 없는 상태가 되어 나중에 모두를 혼란에 빠뜨릴 것입니다.

전통적인 의사결정 도구들은 완성된 제품의 목록에 대해서만 표를 세는 심판과 같습니다. 그들은 "무엇이 중요한가"에 대한 목록이 이미 확정되어 있다고 가정합니다. 하지만 현실 세계에서 무엇이 중요한지에 대한 목록은 종종 그 자체로 논쟁의 대상이 됩니다. 이 논문의 저자는 우리가 이미 존재하는 목록의 항목 순위를 매기는 것이 아니라, 그 불일치로부터 목록을 만들어낼 수 있는 도구가 필요하다고 주장합니다.

해결책: 두 갈래의 댄스

Q-MCCM 모델은 두 개의 별도 트랙을 실행하여 결국 중간에서 만나도록 함으로써 이 문제를 해결합니다.

트랙 1: 건축가들 (전문가)
먼저, 전문가 그룹이 건축가 팀처럼 행동합니다. 그들에게는 다양한 주제(예: "대수학", "코딩", "역사")를 나타내는 카드 덱이 주어집니다. 그들은 단순히 좋아하는 것을 고르는 것이 아니라, 피라미드와 같은 특정 형태로 카드를 분류하도록 강요받습니다. 그들은 가장 중요한 항목은 맨 위에, 가장 덜 중요한 항목은 맨 아래에, 그리고 몇 개는 중간에 두어야 합니다. 이 "강제 분류"는 Q 방법론이라고 불리는 기술입니다. 이는 사람들이 어려운 선택을 하게 함으로써 그들의 진정한 정신적 지도를 드러내도록 만듭니다.

전문가들이 카드를 분류하면, 모델은 **벡터 전파(Vector Propagation)**라는 수학적 기법을 사용합니다. 전문가들이 분류한 카드가 설계도라고 상상해 보십시오. 모델은 전문가들의 분류에서 "최고" 카드와 "최악" 카드 사이의 거리를 측정하여 각 주제가 얼마나 많은 가중치를 가져야 하는지 자동으로 계산합니다. 이는 모델이 전문가의 마음을 읽어, 수백 번의 지루한 비교 작업 없이도 그들의 카드 순서를 정밀한 지침 세트로 변환하는 것과 같습니다.

트랙 2: 거주자들 (이해관계자)
다음으로, 학생이나 사용자(이해관계자)들이 자신의 차례를 갖습니다. 그들은 자신이 무엇을 필요로 하거나 원하는지에 따라 주제의 점수를 매깁니다. 예를 들어, 그들은 코딩은 10점 만점에 10점이지만, 대수학은 3점이라고 생각할 수 있습니다. 모델은 이러한 등급을 받아 이를 "수요 신호"로 변환합니다.

마법 같은 결합: 전략적 필터링
여기서 마법이 일어납니다. 모델은 단순히 두 목록을 합치는 것이 아닙니다. 대신, 전문가의 설계도를 사용하여 거주자의 수요를 필터링합니다.

이를 물 파이프 시스템이라고 생각해 보십시오. "수요"는 파이프를 통해 흐르는 물입니다. "전문가 설계도"는 파이프의 크기입니다.

• 만약 전문가들이 어떤 주제가 전략적으로 매우 중요하다(넓은 파이프)고 말하지만, 학생들은 그것을 조금만 원한다면, 모델은 그 수요를 증폭시킵니다. 파이프가 넓기 때문에 물이 강하게 흐릅니다.
• 만약 학생들이 어떤 주제를 간절히 원하더라도(많은 양의 물), 전문가들이 그것이 우선순위가 아니라고 말한다면(작고 좁은 파이프), 모델은 그 수요를 억제합니다. 물은 짜내어집니다.

그 결과는 사람들이 원하는 바를 존중하면서도, 전문가들이 믿는 전략적 구조 안에 부합하는 최종 우선순위 목록이 됩니다.

모델이 찾아낸 것 (그리고 찾아내지 못한 것)

저자는 컴퓨터 시뮬레이션을 사용하여 이 아이디어를 테스트했습니다. 그들은 32개의 서로 다른 "항목"(예: 학교 과목)과 15명의 가짜 전문가, 80명의 가짜 학생이 있는 가상의 세계를 만들었습니다. 그들은 실제 인간처럼 서로 다른 의견을 갖도록 이 가짜 사람들을 프로그래밍했습니다.

결과는 유망했습니다. 모델은 안정적인 우선순위 목록을 성공적으로 생성했습니다.

• 작동했습니다: 시뮬레이션을 실행했을 때, 모델은 명확한 항목 순위를 만들어냈습니다.
• 견고했습니다: 그들은 세 가지 다른 수학적 방법(TOPSIS, VIKOR, PROMETHEE라고 불리는 것)을 사용하여 목록을 테스트했습니다. 결과는 거의 동일했습니다(상관관계 0.9 이상). 즉, 다른 수학 공식을 사용하더라도 최종 목록은 변하지 않았습니다.
• "전략적 합의"를 찾아냈습니다: 모델은 전문가들이 세부 사항에서는 의견이 갈리더라도, 거시적인 그림(블록 또는 카테고리)에 대해서는 실제로 동의하는지를 구별해 낼 수 있었습니다. 또한 모델은 두 개의 완전히 다른 전략을 가진 두 그룹의 전문가가 있다는 것을 감지할 수 있었으며, 이들을 하나의 가짜 합의로 강제하는 대신 목록을 분리하여 유지할 것을 제안했습니다.

하지만 논문은 아직 하지 못한 부분에 대해 매우 신중하게 언급하고 있습니다.

• 시뮬레이션입니다: 모든 결과는 컴퓨터로 생성된 테스트에서 나왔습니다. 저자는 이 모델을 실제 조직 내의 실제 사람들과 아직 테스트하지 않았음을 명시적으로 밝히고 있습니다. 저자는 수학적 구조는 좋아 보이지만, 다음 단계는 이를 현실 세계에서 시도하는 것이라고 제в언합니다.
• 모든 것에 대한 마법의 해결책이 아닙니다: 모델은 전문가의 전략적 관점이 대중의 수요를 "게이트(gate)"하거나 필터링해야 한다고 가정합니다. 저자는 안전 규칙과 같은 일부 상황에서는 수요를 전혀 필터링하고 싶지 않을 수도 있음을 인정합니다. 그런 경우에는 모델을 조정해야 할 수도 있습니다.
• 적절한 사람이 필요합니다: 모델은 전문가 그룹이 모든 다양한 관점을 대표할 수 있을 만큼 다양할 때 가장 잘 작동합니다. 만약 이미 서로 동의하는 사람들로만 전문가를 구성한다면, 모델은 해결할 흥미로운 의견 차이를 찾아내지 못할 것입니다.

이것이 왜 중요한가

이 논문은 목표가 무엇인지 혼란스러운 상황에서 집단 의사결정을 내리는 복잡한 문제를 다루는 새로운 방법을 제시합니다. 단순히 투표수를 세거나 타협을 강요하는 대신, 먼저 "게임의 규칙"에 대한 공유된 이해를 구축합니다.

호기-심 많은 십 대에게 설명하자면 이렇습니다. 만약 당신의 학교 동아리가 큰 행사를 계획하고 싶다면, 단순히 모두에게 "어떤 파티를 하고 싶니?"라고 묻는 것이 아닙니다. 먼저 동아리 리더들에게 "우리 예산과 미션에 맞는 행사는 어떤 종류니?"라고 묻고, 그런 다음 멤버들에게 "너희는 무엇을 하고 싶니?"라고 묻는 것입니다. Q-MCCM 모델은 이 두 가지 답변을 가져와서 예산에 맞으면서도 멤버들을 행복하게 만드는 완벽한 파티를 찾아내는 도구입니다. 이것은 고함치는 소리 경쟁을 구조화된 대화로 바꾸어, 최종 계획이 스마트하면서도 대중적인 것이 되도록 보장합니다.

저자는 이것이 "업스트림(upstream)" 의사결정, 즉 무엇을 선택하기 전에 무엇이 중요한지를 결정하는 데 강력한 도구라고 결론짓습니다. 현재는 매우 영리한 시뮬레이션 단계이지만, 이는 우리가 학교, 기업, 정부에서 의견이 갈리는 상황에서도 더 나은, 더 합의된 계획을 세울 수 있는 미래를 시사합니다.