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

想象一下，你正试图为一个尚未存在的城市建造一张巨大的共享地图。你拥有一群了解建筑“应该”如何屹立的建筑师，以及一群知道自己“想要”什么生活的未来居民。问题在于，建筑师和居民往往在什么才是最重要的这件事上产生分歧。建筑师可能会说：“我们首先需要一个坚实的地基，”而居民则会尖叫：“我要一个游泳池！”在决策科学领域，这是一个经典的难题。通常，科学家使用工具对一组预设好的选项进行排序（比如在三种不同的汽车型号之间做选择）。但如果你现在连汽车的清单都还没有时，该怎么办？当你需要先弄清楚这座城市到底需要“什么样的车”，然后才能挑选其中之一时，该怎么办？这就是棘手的“上游”问题：在开始游戏之前，先弄清楚游戏的规则。

本文介绍了一种解决这一谜题的新方法，称为Q-多准则共识模型（Q-MCCM）。你可以把它想象成一个神奇的翻译器，它能将两种不同的语言——专家的“战略语言”和普通人的“需求语言”——融合在一起，形成一个单一且稳定的优先级列表。该方法不仅仅是让人们从菜单中挑选他们最喜欢的选项，而是要求他们对代表不同想法的一叠卡片进行排序，迫使他们决定什么是最重要的，什么是最不重要的。通过巧妙结合卡片分类心理学和数学投票法，该模型构建了一个“认知地图”，向群体展示了他们在哪里达成一致，以及在哪里存在真正的分歧。这并不是为了强迫每个人达成一致，而是为了创建一个公平的系统，让专家的宏观愿景能够过滤公众的即时需求，从而产生一个既符合现实又符合期望的方案。

问题所在：当每个人都有不同的地图时

想象一群人正在尝试设计一套新的学校课程。教师（专家）知道学习代数是学习微积分的前置条件，因此他们认为代数是最重要的。然而，学生（利益相关者）可能认为学习如何编写电子游戏代码才是最紧迫的需求。如果你只是让大家投票，学生可能会胜出，结果学校虽然拥有了一门很棒的编程课，却失去了数学基础，导致以后每个人都感到困惑。

传统的决策工具就像是一个只统计已完成产品清单投票的裁判。它们假设“什么是重要的”这一清单已经石刻成型。但在现实生活中，关于“什么是重要的”这一清单本身往往就是争论的焦点。本文作者认为，我们需要一种能够从这种“分歧”中构建出清单，而不是仅仅对已有的清单进行排序的工具。

解决方案：一场双轨并行之舞

Q-MCCM 模型通过运行两条最终会在中间汇合的独立轨道来解决这个问题。

轨道 1：建筑师（专家）
首先，一组专家扮演建筑师的角色。他们得到一叠代表不同主题（如“代数”、“编程”、“历史”）的卡片。他们不仅仅是挑选自己喜欢的，而是被迫将这些卡片排列成特定的形状，例如金字塔。他们必须把最重要的项目放在顶端，最不重要的放在底部，并在中间放置一些项目。这种“强制排序”是一种被称为 Q 方法论 的技术。它迫使人们做出艰难的选择，从而揭示他们真实的思维地图。

一旦专家完成了卡片排序，模型就会使用一种被称为**向量传播（Vector Propagation）**的数学技巧。想象专家的排序卡片是一份蓝图。模型会观察专家排序中“最佳”卡片与“最差”卡片之间的距离，并自动计算每个主题的权重。这就像模型在读取专家的思想，并将他们的卡片顺序转化为一套精确的指令，而无需他们进行数百次繁琐的比较。

轨道 2：居民（利益相关者）
接下来，学生或用户（利益相关者）也有了自己的机会。他们根据自己的“需求”或“欲望”对主题进行评分。也许他们认为编程是 10 分，而代数只有 3 分。模型会将这些评分转化为一个“需求信号”。

神奇的融合：战略过滤
这是见证奇迹的时刻。模型并不仅仅是将两个列表相加。相反，它利用建筑师的蓝图来过滤居民的需求。

可以将其想象成一个水管系统。“需求”是流经管道的水。“专家蓝图”则是管道的大小。

• 如果专家认为某个主题具有战略重要性（宽大的管道），但学生对其需求程度较低，模型会放大这种需求。因为管道宽大，水流依然强劲。
• 如果学生为某个主题尖叫（大量的水流），但专家认为它不是优先项（细小的管道），模型就会将其削弱。水流会被挤压出去。

最终的结果是一个优先级列表，它尊重人们的需求，但前提是该需求符合专家所认为的战略结构。

模型发现了什么（以及没发现什么）

作者使用计算机模拟测试了这个想法。他们创建了一个虚拟世界，其中包含 32 个不同的“项目”（如学科）和 15 个虚拟专家及 80 个虚拟学生。他们为这些虚拟人物设定了不同的观点，就像真实人类那样。

结果令人振奋。模型成功创建了一个稳定的优先级列表。

• 它奏效了： 当他们运行模拟时，模型生成了一个清晰的项目排名。
• 它具有鲁棒性： 他们使用三种不同的数学方法（称为 TOPSIS、VIKOR 和 PROMETHEE）对列表进行了测试。结果几乎完全一致（相关性超过 0.9），这意味着最终的列表不会因为更换了数学公式而改变。
• 它找到了“战略共识”： 模型可以识别专家们是否在宏观层面（即“块”或类别）达成了一致，即使他们在细节上存在分歧。它还能识别出是否存在两组完全不同的专家策略，并且它不会强行将它们捏合成一个虚假的共识，而是建议将它们的列表分开处理。

然而，论文非常谨慎地说明了它目前尚未实现的内容。

• 它是一个模拟实验： 所有结果都来自计算机生成的测试。作者明确指出，他们尚未在真实的组织中使用真实的人进行测试。他们建议，虽然数学逻辑看起来很好，但下一步是在现实世界中进行尝试。
• 它不是解决一切问题的万灵药： 该模型假设专家的战略视角应该作为“闸门”或过滤器来过滤公众的需求。作者承认，在某些情况下（例如安全规则），你可能并不希望过滤需求。在这些情况下，模型可能需要进行调整。
• 它需要合适的人才： 如果专家组能够充分代表各种不同的观点，模型的效果最好。如果你只挑选那些观点已经高度一致的专家，模型就无法发现任何有趣的差异来解决。

为什么这很重要

本文提供了一种处理在目标尚不明晰时进行群体决策这一复杂事务的新方法。它不再仅仅是计数投票或强行达成妥协，而是首先构建出对“游戏规则”的共同理解。

对于一个好奇的青少年来说，可以这样理解：如果你的学校社团想要策划一次大型活动，你不仅要问所有人“你们想要什么样的派对？”，你首先要问社团领导：“什么样的活动符合我们的预算和使命？”然后你再问成员：“你们想做什么？”Q-MCCM 模型就是那个能将这两个答案结合起来，并找出既符合预算又能让成员开心的完美派对的工具。它将一场争吵变成了一场有结构的对话，确保最终的计划既聪明又受欢迎。

作者总结道，对于“上游”决策（即在开始选择之前确定什么才是重要的）而言，这是一个强大的工具。虽然目前它还只是一个非常精巧的模拟实验，但它预示着一个未来：即使在起初存在分歧的情况下，我们也能为学校、公司和政府制定出更好的、达成共识的计划。