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

Stel je voor dat je een enorme, gedeelde kaart probeert te bouwen voor een stad die nog niet bestaat. Je hebt een groep architecten die weten hoe gebouwen zouden moeten staan, en een menigte toekomstige bewoners die weten wat ze willen wonen. Het probleem is dat de architecten en de bewoners het vaak oneens zijn over wat het belangrijkst is. De architecten zeggen misschien: "We hebben eerst een stevig fundament nodig," terwijl de bewoners roepen: "Ik wil een zwembad!" In de wereld van de besluitvormingswetenschap is dit een klassieke hoofdpijn. Meestal gebruiken wetenschappers instrumenten om een lijst met vooraf bepaalde opties te rangschikken (zoals het kiezen tussen drie verschillende automodellen). Maar wat als je nog geen lijst met auto's hebt? Wat als je eerst moet uitzoeken wat voor soort auto's de stad überhaupt nodig heeft voordat je er een kunt kiezen? Dit is het lastige "upstream"-probleem: de regels van het spel bepalen voordat je begint met spelen.

Dit paper introduceert een nieuwe manier om dat puzzelstukje op te lossen, de Q-Multi-Criteria Consensus Model (Q-MCCM). Zie het als een magische vertaler die twee verschillende talen neemt — de "strategische taal" van experts en de "vraagtaal" van gewone mensen — en deze mengt tot één enkele, stabiele prioriteitenlijst. In plaats van mensen alleen te vragen hun favoriete optie uit een menu te kiezen, vraagt deze methode hen om een stapel kaarten te sorteren die verschillende ideeën vertegenwoordigen, waardoor ze gedwongen worden te beslissen wat het belangrijkste is en wat het minst belangrijk is. Door een slimme mix van kaart-sorterende psychologie en wiskundig stemmen te gebruiken, bouwt het model een "cognitieve kaart" die de groep precies laat zien waar ze het eens zijn en waar ze echt van mening verschillen. Het gaat er niet om om iedereen te dwingen het eens te zijn; het gaat om het creëren van een eerlijk systeem waarbij de visie van de experts op het grote plaatje de directe wensen van het publiek filtert, wat resulteert in een plan dat zowel realistisch als gewenst is.

Het Probleem: Wanneer Iedereen een Andere Kaart Heeft

Stel je een groep mensen voor die een nieuw schoolcurriculum proberen te ontwerpen. De leraren (de experts) weten dat leren over algebra een vereiste is voor calculus, dus zij vinden algebra het belangrijkste. De studenten (de belanghebbenden) vinden echter misschien dat het leren programmeren van een videogame de meest urgente behoefte is. Als je iedereen simpelweg laat stemmen, kunnen de studenten winnen, en eindigt de school met een geweldige programmeerles maar zonder wiskundige basis, waardoor iedereen later in de war is.

Traditionele besluitvormingsinstrumenten zijn als een scheidsrechter die alleen stemmen telt op een lijst van afgeronde producten. Ze gaan ervan uit dat de lijst van "wat ertoe doet" al in steen is gebeiteld. Maar in de echte wereld is de lijst van wat ertoe doet vaak juist het onderwerp van strijd. De auteur van dit paper betoogt dat we een instrument nodig hebben dat die lijst kan opbouren uit de onenigheid, in plaats van alleen items te rangschikken op een lijst die al bestaat.

De Oplossing: Een Dans met Twee Sporen

Het Q-MCCM-model lost dit op door twee aparte sporen te draaien die uiteindelijk in het midden samenkomen.

Spoor 1: De Architecten (Experts)
Eerst fungeert een groep experts als een team van architecten. Ze krijgen een stapel kaarten die verschillende onderwerpen vertegenwoordigen (zoals "Algebra", "Programmeren", "Geschiedenis"). Ze kiezen niet alleen hun favorieten; ze worden gedwongen om deze kaarten in een specifieke vorm te sorteren, zoals een piramide. Ze moeten de belangrijkste items bovenaan zetten, de minst belangrijke onderaan, en een paar in het midden. Deze "gedwongen sortering" is een techniek genaamd Q-methodologie. Het dwingt mensen om moeilijke keuzes te maken, wat hun werkelijke mentale kaart van de wereld onthult.

Zodra de experts hun kaarten hebben gesorteerd, gebruikt het model een wiskundige truc genaamd Vector Propagation. Stel je voor dat de gesorteerde kaarten van de experts een blauwdruk zijn. Het model kijkt naar de afstand tussen de "Beste" kaart en de "Slechtste" kaart in hun sortering en berekent automatisch hoeveel gewicht elk onderwerp moet krijgen. Het is alsof het model de gedachten van de experts leest en hun volgorde van kaarten omzet in een precieze reeks instructies, zonder dat ze honderden tedieuze vergelijkingen hoeven te doen.

Spoor 2: De Bewoners (Stakeholders)
Vervolgens krijgen de studenten of gebruikers (de belanghebbenden) hun beurt. Zij beoordelen de onderwerpen op basis van wat ze nodig hebben of willen. Misschien vinden zij programmeren een 10 uit 10, terwijl algebra een 3 is. Het model zet deze beoordelingen om in een "vraagteken" (demand signal).

De Magische Versmelting: Strategische Filtering
Hier gebeurt de magie. Het model voegt niet alleen de twee lijsten bij elkaar op. In plaats daarvan gebruikt het de Blauwdruk van de Architecten om de Vragen van de Bewoners te filteren.

Denk aan een watersystem met pijpen. De "Vraag" is het water dat door de pijpen stroomt. De "Blauwdruk van de Expert" is de grootte van de pijpen.

• Als de experts zeggen dat een onderwerp strategisch essentieel is (een brede pijp), maar de studenten het slechts een beetje willen, dan versterkt het model de vraag. Het water stroomt sterk omdat de pijp breed is.
• Als de studenten schreeuwen om een onderwerp (veel water), maar de experts zeggen dat het geen prioriteit is (een kleine, smalle pijp), dan dempt het model dit af. Het water wordt eruit geperst.

Het resultaat is een definitieve lijst met prioriteiten die respecteert wat mensen willen, maar alleen als het past binnen de strategische structuur die de experts noodzakelijk achten.

Wat het Model Vond (en Niet Vond)

De auteur testte dit idee met een computersimulatie. Er werd een fictieve wereld gecreëerd met 32 verschillende "items" (zoals schoolvakken) en 15 fictieve experts en 80 fictieve studenten. Deze fictieve mensen werden geprogrammeerd om verschillende meningen te hebben, net als echte mensen dat doen.

De resultaten waren veelbelovend. Het model slaagde erin een stabiele prioriteitenlijst te creëren.

• Het werkte: Toen ze de simulatie draaiden, produceerde het model een duidelijke rangschikking van items.
• Het was robuust: Ze testten de lijst met drie verschillende wiskundige methoden (genaamd TOPSIS, VIKOR en PROMETHEE). De resultaten waren bijna identiek (een correlatie van meer dan 0,9), wat betekent dat de definitieve lijst niet veranderde enkel omdat ze een andere wiskundige formule gebruikten.
• Het vond de "Strategische Consensus": Het model kon aangeven wanneer de experts het daadwerkelijk eens waren over de grote lijn (de "blokken" of categorieën), zelfs als ze het oneens waren over de details. Het kon ook detecteren wanneer er twee totaal verschillende groepen experts waren met verschillende strategieën, en in plaats van ze in één valse overeenstemming te dwingen, suggereerde het om hun lijsten apart te houden.

Echter, het paper is zeer voorzichtig over wat het nog niet heeft gedaan.

• Het is een simulatie: Alle resultaten komen uit een computergestuurde test. De auteur geeft expliciet aan dat ze dit nog niet met echte mensen in een echte organisatie hebben getest. De auteur suggereert dat hoewel de wiskunde goed lijkt, de volgende stap het testen in de echte wereld is.
• Het is geen wondermiddel voor alles: Het model gaat ervan uit dat het strategische standpunt van de experts de vragen van het publiek moet "poorten" of filteren. De auteur geeft toe dat er in sommige situaties (zoals veiligheidsregels) misschien geen filtering van de vragen gewenst is. In die gevallen moet het model mogelijk worden aangepast.
• Het heeft de juiste mensen nodig: Het model werkt het best als de groep experts divers genoeg is om alle verschillende standpunten te vertegenwoordigen. Als je alleen experts kiest die het al met elkaar eens zijn, zal het model geen interessante meningsverschillen vinden om op te lossen.

Waarom Dit Er Toe Doet

Dit paper biedt een nieuwe manier om om te gaan met de complexe zaak van groepsbesluitvorming wanneer iedereen verward is over wat de doelen zijn. In plaats van alleen stemmen te tellen of een compromis af te dwingen, bouwt het eerst een gedeeld begrip op van de "regels van het spel".

Voor een nieuwsgierige tiener: denk aan het als je schoolclub een groot evenement wil plannen. Je vraagt niet alleen aan iedereen: "Welk feestje wil je?", maar je vraagt eerst aan de clubleiders: "Wat voor soort evenement past bij ons budget en onze missie?" en daarna vraag je aan de leden: "Wat wil je doen?". Het Q-MCCM-model is het instrument dat die twee antwoorden neemt en uitrekent welk perfect feestje past bij het budget én de leden tevreden maakt. Het verandelt een schreeuwpartij in een gestructureerd gesprek, waardoor de uiteindelijke planning zowel slim als populair is.

De auteur concludeert dat dit een krachtig instrument is voor "upstream" besluitvorming — uitzoeken wat belangrijk is voordat je begint met kiezen. Hoewel het momenteel een zeer slimme simulatie is, suggereert het een toekomst waarin we betere, meer overeengekomen plannen kunnen maken voor scholen, bedrijven en overheden, zelfs wanneer iedereen aanvankelijk van mening verschilt.