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

Imagine que você está tentando construir um mapa gigante e compartilhado para uma cidade que ainda não existe. Você tem um grupo de arquitetos que sabem como os edifícios deveriam se sustentar, e uma multidão de futuros residentes que sabem o que eles querem para viver. O problema é que os arquitetos e os residentes frequentemente discordam sobre o que é mais importante. Os arquitetos podem dizer: "Precisamos de uma fundação forte primeiro", enquanto os residentes gritam: "Eu quero uma piscina!". No mundo da ciência da decisão, este é um problema clássico de dor de cabeça. Geralmente, os cientistas usam ferramentas para classificar uma lista de opções pré-fabricadas (como escolher entre três modelos de carros diferentes). Mas o que acontece quando você ainda não tem uma lista de carros? O que acontece quando você precisa descobrir que tipo de carros a cidade sequer precisa antes de poder escolher um? Este é o complicado problema "upstream" (a montante): descobrir as regras do jogo antes de começar a jogá-lo.

Este artigo apresenta uma nova maneira de resolver esse quebra-cabeça, chamada Modelo de Consenso Multicritério Q (Q-MCCM). Pense nisso como um tradutor mágico que pega duas linguagens diferentes — a "linguagem estratégica" dos especialistas e a "linguagem de demanda" das pessoas comuns — e as funde em uma única lista de prioridades estável. Em vez de apenas pedir às pessoas para escolherem seu item favorito de um menu, este método pede que elas ordenem um baralho de cartas representando diferentes ideias, forçando-as a decidir o que é mais importante e o que é menos importante. Ao usar uma mistura inteligente de psicologia de ordenação de cartas e votação matemática, o modelo constrói um "mapa cognitivo" que mostra ao grupo exatamente onde eles concordam e onde estão verdadeiramente em desacordo. Não se trata de forçar todos a concordar; trata-se de criar um sistema justo onde a visão dos especialistas sobre o panorama geral filtra os desejos imediatos do público, resultando em um plano que é ao mesmo tempo realista e desejado.

O Problema: Quando Cada Um Tem um Mapa Diferente

Imagine um grupo de pessoas tentando projetar um novo currículo escolar. Os professores (os especialistas) sabem que aprender álgebra é um pré-requisito para o cálculo, então eles acham que a álgebra é a coisa mais importante. Os alunos (os stakeholders/partes interessadas), no entanto, podem achar que aprender a programar um videogame é a necessidade mais urgente. Se você apenas pedir que todos votem, os alunos podem vencer, e a escola acabará com uma ótima aula de programação, mas sem uma base matemática, deixando todos confusos mais tarde.

As ferramentas tradicionais de tomada de decisão são como um árbitro que apenas conta votos em uma lista de produtos acabados. Elas assumem que a lista do "que importa" já está escrita em pedra. Mas, na vida real, a lista do que importa é frequentemente o próprio objeto da disputa. O autor deste artigo argumenta que precisamos de uma ferramenta que possa construir essa lista a partir do desacordo, em vez de apenas classificar itens em uma lista que já existe.

A Solução: Uma Dança de Duas Trilhas

O modelo Q-MCCM resolve isso executando duas trilhas separadas que eventualmente se encontram no meio.

Trilha 1: Os Arquitetos (Especialistas)
Primeiro, um grupo de especialistas atua como uma equipe de arquitetos. Eles recebem um baralho de cartas representando diferentes tópicos (como "Álgebra", "Programação", "História"). Eles não apenas escolhem seus favoritos; eles são forçados a ordenar essas cartas em um formato específico, como uma pirâmide. Eles devem colocar os itens mais importantes no topo, os menos importantes na base e alguns no meio. Esta "ordenação forçada" é uma técnica chamada metodologia Q. Ela força as pessoas a fazerem escolhas difíceis, revelando seu verdadeiro mapa mental do mundo.

Assim que os especialistas ordenam suas cartas, o modelo utiliza um truque matemático chamado Propagação de Vetores. Imagine que as cartas ordenadas dos especialistas são um projeto. O modelo observa a distância entre a carta "Melhor" e a carta "Pior" em sua ordenação e calcula automaticamente quanto peso cada tópico deve ter. É como se o modelo estivesse lendo a mente dos especialistas e transformando a ordem das cartas em um conjunto preciso de instruções, sem precisar que eles façam centenas de comparações tediosas.

Trilha 2: Os Residentes (Stakeholders)
Em seguida, os alunos ou usuários (os stakeholders) têm sua própria vez. Eles avaliam os tópicos com base no que precisam ou querem. Talvez eles achem que programação é nota 10, enquanto álgebra é nota 3. O modelo pega essas avaliações e as transforma em um "sinal de demanda".

A Fusão Mágica: Filtragem Estratégica
É aqui que a mágica acontece. O modelo não apenas soma as duas listas. Em vez disso, ele usa o Projeto dos Arquitetos para filtrar as Demandas dos Residentes.

Pense nisso como um sistema de tubulação de água. A "Demanda" é a água fluindo pelos canos. O "Projeto do Especialista" é o tamanho dos canos.

• Se os especialistas dizem que um tópico é estrategicamente vital (um cano largo), mas os estudantes o querem apenas um pouco, o modelo amplifica a demanda. A água flui forte porque o cano é largo.
• Se os estudantes clamam por um tópico (muita água), mas os especialistas dizem que não é uma prioridade (um cano minúsculo e estreito), o modelo a reduz. A água é espremida para fora.

O resultado é uma lista final de prioridades que respeita o que as pessoas querem, mas apenas se isso se encaixar na estrutura estratégica que os especialistas acreditam ser necessária.

O Que o Modelo Encontrou (e o Que Não Encontrou)

O autor testou esta ideia usando uma simulação de computador. Eles criaram um mundo fictício com 32 diferentes "itens" (como disciplinas escolares) e 15 especialistas e 80 estudantes fictícios. Eles programaram essas pessoas fictícias para terem opiniões diferentes, exatamente como os seres humanos reais têm.

Os resultados foram promissores. O modelo criou com sucesso uma lista de prioridades estável.

• Funcionou: Quando rodaram a simulação, o modelo produziu um ranking claro de itens.
• Foi robusto: Eles testaram a lista usando três métodos matemáticos diferentes (chamados TOPSIS, VIKOR e PROMETHEE). Os resultados foram quase idênticos (uma correlação superior a 0,9), o que significa que a lista final não mudou apenas porque usaram uma fórmula matemática diferente.
• Encontrou o "Consenso Estratégico": O modelo conseguiu identificar quando os especialistas realmente concordavam sobre o panorama geral (os "blocos" ou categorias), mesmo que discordassem nos detalhes menores. Também pôde detectar quando havia dois grupos de especialistas completamente diferentes com estratégias distintas e, em vez de forçá-los a um acordo falso, sugeriu manter suas listas separadas.

No entanto, o artigo é muito cuidadoso sobre o que ainda não fez.

• É uma simulação: Todos os resultados vêm de um teste gerado por computador. O autor afirma explicitamente que ainda não testou isso com pessoas reais em uma organização real. Eles sugerem que, embora a matemática pareça boa, o próximo passo é testá-la no mundo real.
• Não é uma solução mágica para tudo: O modelo assume que a visão estratégica dos especialistas deve "controlar" ou filtrar as demandas do público. O autor admite que, em algumas situações (como regras de segurança), você pode não querer filtrar as demandas de forma alguma. Nesses casos, o modelo pode precisar de ajustes.
• Precisa das pessoas certas: O modelo funciona melhor se o grupo de especialistas for diverso o suficiente para representar todos os diferentes pontos de vista. Se você escolher apenas especialistas que já concordam entre si, o modelo não encontrará desentendimentos interessantes para resolver.

Por Que Isso Importa

Este artigo oferece uma nova maneira de lidar com o negócio confuso de tomar decisões em grupo quando todos estão confusos sobre quais são os objetivos. Em vez de apenas contar votos ou forçar um compromisso, ele constrói primeiro um entendimento compartilhado das "regras do jogo".

Para um adolescente curioso, pense assim: se o clube da sua escola quer planejar um grande evento, você não pergunta apenas a todos "Que festa vocês querem?". Você primeiro pergunta aos líderes do clube: "Que tipo de evento se encaixa no nosso orçamento e missão?" e depois pergunta aos membros: "O que vocês querem fazer?". O modelo Q-MCCM é a ferramenta que pega essas duas respostas e descobre a festa perfeita que se encaixa no orçamento e deixa os membros felizes. Ele transforma uma discussão aos gritos em uma conversa estruturada, garantindo que o plano final seja inteligente e popular.

O autor conclui que esta é uma ferramenta poderosa para a tomada de decisão "upstream" — descobrir o que importa antes de começar a escolher. Embora seja atualmente uma simulação muito inteligente, ela sugere um futuro onde podemos construir planos melhores e mais consensuais para escolas, empresas e governos, mesmo quando todos começam em desacordo.