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

在制定重大决策（从选择下一个突破性药物到批准一个新的科学项目）的复杂世界中，专家组通常必须就单一的前进路径达成一致。这种被称为“群体决策”的过程鲜有简单之说。人们带来了不同的背景、经验和恐惧，导致对同一选项产生广泛不同的意见。目标并非强迫每个人都想得完全一样，而是寻找一种既尊重个人判断，又能推动群体走向统一结论的共同点。这种通往一致的旅程被称为“共识达成过程”。其中一个关键部分是“妥协”：即个人愿意稍微调整自己的观点，以接近群体的意愿。传统上，研究人员将这种意愿视为一个固定的设置，就像是在讨论开始前就调到一个特定数值的旋钮。他们假设，如果一个人愿意改变其观点的幅度，那么这个极限永远不会改变，无论讨论如何演变。

然而，一项新研究挑战了这种静态观点，认为妥协的意愿不是一个预设的规则，而是一种可以被学习并实时调整的动态行为。研究人员针对专家筛选抗癌药物的场景进行了研究，发现如果假设每个人都有一个固定的改变想法的限度，往往会导致死胡同。如果群体需要极高的共识水平，而每个人都困在最初且不可改变的限度内，他们可能永远无法达成共识。该研究提出了一种两阶段方法：首先根据专家的初始观点学习其自然愿意接受的程度，然后仅在必要时，温和地要求他们仅仅为了达到目标而适度扩展这一限度。这种方法将妥协视为一种灵活的反应，而非僵化的约束，它会随着群体接近目标而增长。

研究人员将这一新框架应用于一个现实问题：选择最佳的抗癌药物候选者。想象一下由六位具有不同专业领域（如药理学、临床医学或安全性测试）的专家组成的评审小组。他们被要求对六种不同的药物分子进行评分。最初，他们的意见是分散的；一位专家可能会给某种药物打出极高分，而另一位则可能打出低分。在传统模型中，研究人员必须预先猜测每位专家愿意向群体平均值移动多少。他们可能会武断地决定每个人都愿意将自己的观点调整 20%。这种方法的缺陷在于它忽略了现实情况。有些专家可能天生更具灵活性，而有些则更固执，而这些差异在讨论实际开始之前往往是不可见的。此外，如果群体需要 98.5% 的一致性水平，一个固定的 20% 的偏移量可能不足以弥合差距，从而导致群体陷入分歧。

为了解决这个问题，作者开发了一种分为两个不同阶段的方法。在第一阶段，计算机分析专家的初始观点，以确定他们的“妥协限度”。该系统不是靠猜测，而是通过观察专家观点与群体平均值的距离，计算出该专家在不违反其内在逻辑的前提下，能够合理移动的最大幅度。这是一个发现的过程，旨在根据他们提供的数据识别出每个人的边界。在药物筛选的案例中，这一学习阶段揭示了专家们拥有截然不同的自然限度。有些人愿意显著改变观点，而另一些人则非常抵触。随后，系统会检查这些自然限度是否足以达到 98.5% 的一致性要求。

在特定的案例研究中，初始学习阶段显示，专家们仅靠留在自然习得的限度内是无法达到高共识目标的。群体已经很接近了，但尚未达标。这正是该模型第二阶段发挥作用的地方。系统并没有强迫每个人都以相同的幅度改变想法，而是识别出哪些专家需要稍微扩展他们的限度，以缩小差距。它通过计算完成目标所需的最小额外调整量来实现这一点。其目标是以绝对最小的额外努力来实现共识。在药物筛选模拟中，这意味着一些专家必须将其妥协意愿略微扩展到最初表现出的范围之外，而其他专家则保持在原有的范围内。结果是成功达成了共识，既尊重了个体差异，又满足了严格的一致性要求。

研究还测试了该过程对不同设置的敏感性。当研究人员要求更高的达成一致水平时，系统需要更多的迭代和稍大的调整，这表明通往共识的路径不是一条直线，而是一条随着目标变得困难而变得越来越陡峭的曲线。他们还观察了通过改变调整观点的步长大小来提高系统寻找解决方案速度的情况。他们发现，采取较大的步长会使过程更快，但最终结果与步长大小无关。这表明该方法是稳健且可靠的，能够在不陷入停滞或浪费时间的情况下找到最优解。

或许最重要的一点是，研究人员将这种新的动态学习方法与使用固定、预设妥协限度的旧模型进行了对比。结果显而易见：动态方法实现了更高水平的共识。在模拟中，固定模型根据其设定的初始限度不同，分别达到了约 87% 和 91% 的一致水平。而这种通过学习并在需要时扩展限度的新动态方法，达到了 95.7%。这代表了显著的进步，证明了允许妥协行为在过程中演变比预先预测更为有效。研究结论指出，通过从数据中学习并适应群体的特定需求，决策者可以在不强加非自然或统一变化的情况下，获得更好的结果。

这项工作为任何需要专家就复杂问题达成一致的情况提供了切实可行的路径。无论是选择新药、评估科学项目还是规划城市发展，通过学习人们在多大程度上愿意妥协，并在必要时才温和地扩展这种意愿，能提供一条更现实且更有效的达成一致的路径。该研究并不声称解决了群体决策中的所有问题，但它证明了将妥协视为一种动态、可学习的行为，而非固定规则，可以带来更稳定、更高质量的共识。通过关注群体的实际行为而非理论假设，研究人员提供了一个既尊重个人判断，又能确保群体共同前进的工具。