विविधता क्षमता को मात देती है: क्यों आपकी सबसे स्मार्ट भर्ती आपकी सबसे अच्छी निर्णय लेने वाली नहीं है | Argumentree

क्या टीम निर्णय-निर्माण में विविधता क्षमता को मात देती है? शोध एक शर्तीय हाँ देता है। वूली और सहयोगियों (साइंस, 2010) ने एक सामूहिक बुद्धिमत्ता कारक (c) पाया जो समूह प्रदर्शन में लगभग 43% भिन्नता को समझाता है और सदस्यों की व्यक्तिगत बुद्धिमत्ता के साथ केवल कमजोर रूप से सहसंबंधित है - मजबूत भविष्यवक्ता सामाजिक संवेदनशीलता, समान वार्तालाप टर्न-टेकिंग, और महिलाओं का अनुपात थे। यह निष्कर्ष विवादित है (क्रेडे और हॉवर्डसन, 2017) लेकिन 2021 के PNAS मेटा-विश्लेषण द्वारा समर्थित है जिसमें 22 अध्ययन और 1,356 समूह शामिल हैं (रीडल एट अल।)। हांग और पेज (PNAS, 2004) ने गणनात्मक मॉडलों में दिखाया कि कठिन समस्याओं के लिए, संज्ञानात्मक रूप से विविध समूह व्यक्तिगत रूप से सर्वश्रेष्ठ समस्या हल करने वालों के समूहों को मात दे सकते हैं, क्योंकि शीर्ष प्रदर्शनकर्ता ह्यूरिस्टिक्स साझा करते हैं और एक ही स्थानीय ऑप्टिमा पर फंस जाते हैं; एबिगेल थॉम्पसन की 2014 की आलोचना ने AMS के नोटिस में प्रमेय की गणित को चुनौती दी, और बहस अभी भी जीवित है। विवादित कोर पेज की विविधता भविष्यवाणी प्रमेय है: सामूहिक वर्गीकृत त्रुटि औसत व्यक्तिगत त्रुटि माइनस भविष्यवाणी विविधता के बराबर है, इसलिए असंबंधित दृष्टिकोण गणितीय रूप से समूह त्रुटि को कम करते हैं। विविधता जटिल, बहुआयामी समस्याओं में मदद करती है जब त्रुटियाँ असंबंधित होती हैं और असहमति सुरक्षित होती है; यह तब हानिकारक होती है जब समन्वय लागत हावी होती है या विशेषज्ञता पूरी तरह से कार्य को कवर करती है। संरचित तर्क प्लेटफार्म जैसे Argumentree विविधता को निर्णय गुणवत्ता में परिवर्तित करते हैं, कई हितधारकों से स्वतंत्र इनपुट एकत्र करके और तर्कों को योगदानकर्ता की स्थिति के बजाय गुण पर रेटिंग करके।

Share:X LinkedIn Facebook

TL;DR

"विविधता क्षमता को मात देती है" निर्णय विज्ञान में सबसे अधिक उद्धृत - और सबसे अधिक विवादित - दावों में से एक है। मजबूत नारा साक्ष्य से आगे निकल जाता है, लेकिन कमजोर दावा जो जांच को सहन करता है, वह अभी भी बहुत महत्वपूर्ण है: जटिल समस्याओं पर, एक टीम का प्रदर्शन इसके सबसे स्मार्ट सदस्य पर कम निर्भर करता है और इस पर कि क्या उसके सदस्य अलग-अलग सोचते हैं और क्या वे भिन्नताएँ वास्तव में निर्णय तक पहुँचती हैं।

c कारक: समूह बुद्धिमत्ता केवल सदस्य IQ के साथ कमजोर रूप से सहसंबंधित है; प्रक्रिया (टर्न-टेकिंग, सामाजिक संवेदनशीलता) अधिक भविष्यवाणी करती है - 1,356-समूह मेटा-विश्लेषण द्वारा समर्थित, अभी भी बहस में
हांग-पेज: विविध समूह कठिन समस्याओं पर "सर्वश्रेष्ठ सदस्य" समूहों को मात दे सकते हैं - मॉडल की शर्तों के तहत, और प्रमेय की गणित को गंभीरता से आलोचना की गई है
मजबूत कोर: विविधता भविष्यवाणी प्रमेय - सामूहिक त्रुटि = औसत त्रुटि − भविष्यवाणी विविधता - एक पहचान है, कोई राय नहीं
अभ्यास: जटिल निर्णयों के लिए विविधता का उपयोग करें, नियमित निर्णयों के लिए विशेषज्ञता का उपयोग करें, और प्रक्रिया को इस तरह से संरचित करें कि भिन्न दृष्टिकोण स्वतंत्र रूप से कैद किए जाएं और गुण पर न्याय किया जाए

प्रबंधन विज्ञान में सबसे आकर्षक दावा

हर नेता ने एक सरल स्टाफिंग सिद्धांत का खिंचाव महसूस किया है: सबसे स्मार्ट लोगों को भर्ती करें, उन्हें एक कमरे में रखें, और सबसे अच्छे निर्णय आएंगे। इसका गुण obvious है। इसका नुकसान यह है कि यह, सबसे अच्छे रूप में, आधा सच है। पिछले दो दशकों में, सामूहिक बुद्धिमत्ता पर एक शोध का एक समूह एक असहज निष्कर्ष पर पहुंचा है: एक टीम की बुद्धिमत्ता उसके सदस्यों की बुद्धिमत्ता का योग - या यहां तक कि अधिकतम - नहीं है। कुछ और काम का एक बड़ा हिस्सा कर रहा है, और वह कुछ बहुत कुछ भिन्नता की तरह दिखता है: अलग-अलग जानकारी, अलग-अलग ह्यूरिस्टिक्स, गलत होने के अलग-अलग तरीके।

यह निष्कर्ष एक नारे में कठोर हो गया - "विविधता क्षमता को मात देती है" - जिसने फिर वही किया जो नारों ने किया: यह अपनी शर्तों से अलग हो गया और कीनोट डेक में स्वतंत्र रूप से तैर गया। प्रतिक्रिया भी समान रूप से व्यापक थी, पूरे शोध की लाइन को राजनीतिक गणित के रूप में खारिज कर दिया। दोनों चरम गलत हैं, और बीच में सच्चाई वास्तव में उपयोगी है। यह लेख उस दावे के पीछे के दो शोध कार्यक्रमों के माध्यम से चलता है - सामूहिक बुद्धिमत्ता "c कारक" और हांग-पेज प्रमेय - जिसमें वे आलोचनाएँ शामिल हैं जो आमतौर पर छोड़ दी जाती हैं, और यह समाप्त होता है कि एक सावधान पाठक वास्तव में भर्ती या टीम-डिज़ाइन निर्णय में क्या ले जा सकता है।

c कारक: टीमों की अपनी एक बुद्धिमत्ता होती है

2010 में, एनिता विलियम्स वूली, क्रिस्टोफर चाब्रिस, एलेक्स पेंटलैंड, नाडा हाश्मी, और थॉमस मलोन ने साइंस में एक अध्ययन प्रकाशित किया जिसने एक धोखा देने वाले सरल प्रश्न पूछा: क्या व्यक्तियों के पास एक सामान्य बुद्धिमत्ता कारक (मनोवैज्ञानिक g) है, क्या समूहों के पास भी एक है? उन्होंने दो से पांच के समूहों में काम कर रहे 699 लोगों का परीक्षण किया - विचार-मंथन, नैतिक तर्क, बातचीत, पहेलियाँ - और फिर जांच की कि क्या किसी प्रकार के कार्य पर समूह का प्रदर्शन अन्य कार्यों पर इसके प्रदर्शन की भविष्यवाणी करता है।

यह किया। एक एकल सांख्यिकीय कारक - जिसे उन्होंने सामूहिक बुद्धिमत्ता के लिए c कहा - ने कार्यों के बीच समूह प्रदर्शन में लगभग 43% भिन्नता को समझाया। आश्चर्य यह था कि c ने नहीं ट्रैक किया: यह समूह के सदस्यों की औसत बुद्धिमत्ता और सबसे स्मार्ट सदस्य की बुद्धिमत्ता के साथ केवल कमजोर रूप से सहसंबंधित था। इसके बजाय c की भविष्यवाणी करने वाले समूह की तीन विशेषताएँ थीं: सदस्यों की औसत सामाजिक संवेदनशीलता (आंखों में मन पढ़ने के परीक्षण के साथ मापी गई), वार्तालाप टर्न-टेकिंग की समानता - एक या दो आवाजों द्वारा हावी समूहों ने कम स्कोर किया - और समूह में महिलाओं का अनुपात, एक प्रभाव जो सामाजिक संवेदनशीलता द्वारा सांख्यिकीय रूप से मध्यस्थता किया गया।

ध्यान से पढ़ें, यह दावा नहीं है कि क्षमता मायने नहीं रखती। यह एक दावा है कि टीम स्तर पर, क्षमता बाधा नहीं है। बाधा यह है कि क्या समूह अपने सदस्यों के ज्ञान को निकाल और संयोजित कर सकता है - जो प्रक्रिया की एक विशेषता है, न कि किसी व्यक्तिगत खोपड़ी की।

प्रतिलिपि लड़ाई जिसे आप कीनोट में नहीं सुनते

c कारक एक वास्तविक वैज्ञानिक लड़ाई से गुजरा है, और ईमानदारी की मांग है कि इसे रिपोर्ट किया जाए। 2017 में, मार्कस क्रेडे और गैरेट हॉवर्डसन ने छह पहले प्रकाशित नमूनों के डेटा का पुनः विश्लेषण किया और तर्क किया कि एक सामान्य सामूहिक बुद्धिमत्ता कारक के लिए अनुभवजन्य समर्थन कमजोर है - कि एक एकल कारक कई समूह कार्यों पर थोड़ी भिन्नता को समझाता है, और कि निर्माण आंशिक रूप से स्कोरिंग विकल्पों का एक कलाकृति हो सकता है। वूली, येओन्जेओंग किम, और मलोन ने 2018 में जवाब दिया, यह तर्क करते हुए कि आलोचना एक स्कोरिंग प्रक्रिया और सिमुलेशन धारणाओं पर आधारित थी जो समूहों द्वारा वास्तव में किए गए कार्यों से मेल नहीं खाती थी।

तब से सबसे महत्वपूर्ण साक्ष्य 2021 में PNAS में क्रिस्टोफ रीडल, यंग जी किम, प्रणव गुप्ता, थॉमस मलोन, और एनिता वूली द्वारा एक मेटा-विश्लेषण है, जिसमें 22 अध्ययन और 1,356 समूह शामिल हैं - विश्वविद्यालय के छात्र, सैन्य कर्मी, ऑनलाइन श्रमिक, और गेमर्स। इसने इन जनसंख्याओं के बीच c कारक के लिए लगातार साक्ष्य पाया, जिसमें समूह सहयोग प्रक्रियाएँ और सदस्य कौशल दोनों योगदान करते हैं। यह एक प्रैक्टिशनर को कहाँ छोड़ता है? निर्माण एक बड़े मेटा-विश्लेषण द्वारा समर्थित है और इसकी संरचना में अभी भी बहस में है - लगभग जहां g दशकों तक खड़ा था। जो गंभीरता से बहस में नहीं है वह अंतर्निहित पैटर्न है: सदस्य IQ टीम प्रदर्शन का एक आश्चर्यजनक रूप से खराब भविष्यवक्ता है, और इंटरैक्शन प्रक्रिया एक आश्चर्यजनक रूप से अच्छा है।

“विविधता क्षमता को मात देती है”: हांग और पेज ने वास्तव में क्या साबित किया

विविधता तर्क का दूसरा स्तंभ अर्थशास्त्र और जटिलता विज्ञान से आता है। 2004 में, लु हांग और स्कॉट पेज ने PNAS में एक पेपर प्रकाशित किया जिसका यादगार शीर्षक था “विविध समस्या हल करने वालों के समूह उच्च-क्षमता समस्या हल करने वालों के समूहों को मात दे सकते हैं।” उन्होंने गणनात्मक मॉडल बनाए जिनमें विभिन्न समस्या-हल करने वाले ह्यूरिस्टिक्स से लैस एजेंट एक कठिन समाधान परिदृश्य की खोज करते हैं। प्रत्येक एजेंट तब तक चढ़ता है जब तक वह फंस न जाए; फिर एक अन्य एजेंट उस बिंदु से अलग चालों के साथ आगे बढ़ता है।

परिणाम: मॉडल की शर्तों के तहत, एक यादृच्छिक रूप से चयनित एजेंटों का समूह - यादृच्छिक चयन ह्यूरिस्टिक विविधता की गारंटी देता है - व्यक्तिगत रूप से सर्वश्रेष्ठ प्रदर्शन करने वाले एजेंटों के समूह को मात देता है। तंत्र एक बार देखा जाने पर सहज होता है: सबसे अच्छे व्यक्तिगत प्रदर्शनकर्ता आमतौर पर समान ह्यूरिस्टिक्स सीखते हैं, इसलिए वे समान स्थानीय ऑप्टिमा पर फंस जाते हैं। हालांकि, एक क्लोन की टीम, चाहे कितनी भी प्रतिभाशाली हो, एक ही मन की तरह खोज करती है। एक विविध टीम के सदस्य एक-दूसरे को उनके संबंधित मृत अंत से बचाते हैं।

लेकिन शर्तें मायने रखती हैं, और पेज ने अपने लोकप्रियकरण करने वालों की तुलना में उनके बारे में अधिक स्पष्टता दिखाई है: समस्या वास्तव में कठिन होनी चाहिए (कोई व्यक्ति इसे अकेले हल नहीं कर सकता), एजेंट सभी संगत रूप से सक्षम होने चाहिए (अज्ञानी के बीच विविधता मदद नहीं करती), टीम से खींची गई पूल बड़ी होनी चाहिए, और सेटिंग पुनरावृत्त समस्या-हल करना है जहां एजेंट एक-दूसरे की स्थितियों पर निर्माण करते हैं। “कोई भी विविध समूह किसी भी विशेषज्ञ समूह को मात देता है” यह नहीं था जो साबित हुआ, और इसे इस तरह से मान लेना दावे को विफल करने के लिए सेट करता है।

प्रतिवाद: एक प्रमेय जो आग के नीचे है

2014 में, गणितज्ञ एबिगेल थॉम्पसन ने अमेरिकन मैथमेटिकल सोसाइटी के नोटिस (खंड 61, संख्या 9, पृष्ठ 1024–1030) में "क्या विविधता क्षमता को मात देती है? सामाजिक विज्ञान में गणित के दुरुपयोग का एक उदाहरण" शीर्षक से एक तीखी आलोचना प्रकाशित की। उसकी तर्क में दो धाराएँ थीं। पहले, कि हांग-पेज पेपर में औपचारिक प्रमेय, जब इसकी धारणाओं को अनपैक किया जाता है, तो लगभग तुच्छ है - उसकी पढ़ाई में, शर्तें प्रभावी रूप से निष्कर्ष को बनाती हैं, और गणितीय सामग्री उस पर रखे गए सामाजिक वजन के लिए पतली है। दूसरे, कि व्यापक दावे का समर्थन करने वाले सिमुलेशन पैरामीटर विकल्पों के प्रति संवेदनशील हैं और उनसे निकाले गए व्यापक निष्कर्षों को लाइसेंस नहीं देते।

आलोचना ने अपनी प्रतिक्रियाएँ खींची। 2017 में क्रिटिकल रिव्यू में डैनियल क्यूहन द्वारा एक नोट ने तर्क किया कि थॉम्पसन की गणितीय आपत्तियाँ विभिन्न रूप से गलत, भ्रामक, या सामाजिक विज्ञान में औपचारिक मॉडलों के कार्य करने के तरीके के बिंदु के बगल में थीं - जहां एक मॉडल का मूल्य वह तंत्र है जिसे यह अलग करता है, न कि इसके प्रमाण की गहराई। विज्ञान के दार्शनिक जो एपिस्टेमिक समुदायों पर काम कर रहे हैं, जिसमें डैनियल सिंगर शामिल हैं, ने संबंधित मॉडल विकसित किए हैं जिनमें विविधता का मूल्य संशोधित रूपों में जीवित रहता है।

हमारी पढ़ाई, एक प्रैक्टिशनर को जो चाहिए: प्रमेय अपने शीर्षक से कमजोर है, तंत्र वास्तविक और अवलोकनीय है, और व्यापक नारे को शर्तीय दावे के पक्ष में सेवानिवृत्त किया जाना चाहिए। जब आप एक कठिन, बहुआयामी समस्या का सामना करते हैं और आपका उम्मीदवार पूल गहरा होता है, तो एक टीम जो पूरक सोच के तरीकों के लिए चुनी जाती है, अक्सर एक टीम की तुलना में समाधान स्थान को बेहतर खोजेगी जो केवल व्यक्तिगत स्कोर पर चयनित होती है - क्योंकि व्यक्तिगत स्कोर उन लोगों को समूहित करते हैं जो समान रूप से सोचते हैं। उस दावे को किसी भी ओवररीचिंग प्रमेय की आवश्यकता नहीं है, और अगली अनुभाग दिखाती है कि क्यों।

गणित जिसे कोई विवादित नहीं करता: विविधता भविष्यवाणी प्रमेय

विवादित मॉडलों को हटा दें और एक गणित का एक टुकड़ा खड़ा रहता है जिस पर कोई भी बहस नहीं करता, क्योंकि यह एक पहचान है - बीजगणित, न कि अनुभवजन्य। स्कॉट पेज इसे विविधता भविष्यवाणी प्रमेय (में द डिफरेंस, 2007) कहते हैं। किसी भी समूह के लिए जो संख्यात्मक अनुमान लगाता है, त्रुटि को सत्य से वर्गीकृत दूरी के रूप में मापा जाता है:

सामूहिक त्रुटि = औसत व्यक्तिगत त्रुटि − भविष्यवाणी विविधता

जहाँ भविष्यवाणी विविधता समूह के औसत अनुमान के चारों ओर व्यक्तिगत अनुमानों की भिन्नता है

दो परिणाम सीधे बाहर आते हैं। पहले, समूह का समग्र अनुमान हमेशा इसके औसत सदस्य के रूप में सटीक होता है - भीड़ सामान्य व्यक्ति से खराब नहीं हो सकती, हालांकि यह इसके सबसे अच्छे से खराब हो सकती है। दूसरे, व्यक्तिगत सटीकता को स्थिर रखते हुए, वास्तविक असहमति में हर वृद्धि यांत्रिक रूप से सामूहिक त्रुटि को कम करती है। विविधता इस समीकरण में एक अच्छा महसूस करने वाला बोनस नहीं है; यह दो शर्तों में से एक है। सटीक क्लोन का एक समूह और मध्यम सटीकता वाले विरोधियों का एक समूह विभिन्न मार्गों द्वारा समान सामूहिक त्रुटि पर पहुंच सकते हैं।

पकड़ - और यह सभी शोध में चलने वाली वही पकड़ है - वह शब्द वास्तविक है। प्रमेय भविष्यवाणियों की विविधता को पुरस्कृत करता है, जो जानकारी और मॉडलों की विविधता की आवश्यकता होती है। यदि सभी एक ही तीन स्रोत पढ़ते हैं, तो उनकी भविष्यवाणियाँ एक साथ इकट्ठा होती हैं, विविधता की शर्त गिर जाती है, और भीड़ एक गूंज में गिर जाती है। यह ठीक वही विफलता मोड है जो भीड़ की बुद्धिमत्ता साहित्य में प्रलेखित है: सहसंबंधित त्रुटियाँ रद्द नहीं होती हैं, वे बढ़ती हैं।

जब विविधता मदद करती है

समस्या जटिल और बहुआयामी है

रणनीति, उत्पाद डिज़ाइन, नीति, नए परिस्थितियों का निदान - समस्याएँ जहाँ कोई एक दृष्टिकोण पूरे परिदृश्य को नहीं देखता। विभिन्न ह्यूरिस्टिक्स विभिन्न बिंदुओं पर अटक जाते हैं, इसलिए एक सदस्य का मृत अंत दूसरे का प्रारंभिक स्थान होता है।

त्रुटियाँ असंबंधित हैं

सामूहिक सटीकता का गणितीय इंजन त्रुटि रद्दीकरण है। यदि सदस्य विभिन्न सूचना स्रोतों और विभिन्न मानसिक मॉडलों का उपयोग करते हैं, तो उनकी गलतियाँ विभिन्न दिशाओं में इंगित करती हैं और सामूहिक रूप से आंशिक रूप से रद्द हो जाती हैं।

विविधता वास्तव में संज्ञानात्मक है

विभिन्न प्रशिक्षण, विभिन्न उद्योग, विभिन्न स्थानीय ज्ञान, विभिन्न उपकरण सेट। भविष्यवाणी और समस्या समाधान के लिए जो महत्वपूर्ण है वह यह है कि लोगों के सोचने के तरीके में विविधता हो — न कि कागज पर विविधता जो सभी को समान स्रोतों से तर्क करने पर मजबूर करती है।

यह प्रक्रिया विभिन्न दृष्टिकोणों को सामने लाती है

वूली की शोध प्रक्रिया की ओर इशारा करती है: समान बारी-बारी लेना और सामाजिक संवेदनशीलता समूह के प्रदर्शन की भविष्यवाणी करते हैं। एक जोरदार आवाज द्वारा प्रभुत्व वाली विविध टीम एक व्यक्ति की टीम की तरह प्रदर्शन करती है।

जब यह मदद नहीं करती - वह भाग जो नारे में छूट जाता है

एक ईमानदार खाता लागतों को शामिल करना चाहिए, क्योंकि वे वास्तविक हैं और यही कारण है कि विविध टीमें कभी-कभी समानता वाली टीमों की तुलना में व्यवहार में कम प्रदर्शन करती हैं, भले ही सिद्धांत उनके पक्ष में हो।

समन्वय लागत लाभ से अधिक है

विविध समूहों को साझा भाषा और विश्वास बनाने में अधिक समय लगता है। नियमित, अच्छी तरह से समझे जाने वाले निष्पादन कार्यों के लिए, वह ओवरहेड बहुत कम लाभ लाता है - कोई छिपा हुआ दृष्टिकोण खोजने के लिए नहीं है।

कोई मनोवैज्ञानिक सुरक्षा नहीं है

विभिन्न दृष्टिकोण केवल तभी मदद करते हैं जब उन्हें व्यक्त किया जाए। उन टीमों में जहां असहमति जोखिम भरी लगती है, विविधता चुप्पी और घर्षण उत्पन्न करती है — जानकारी के बिना लागत।

समस्या का एक ज्ञात सर्वोत्तम तरीका है

जब एक व्यक्ति के पास स्पष्ट, सत्यापित विशेषज्ञता होती है और कार्य उनके क्षेत्र में होता है, तो आवाजें जोड़ने से शोर बढ़ता है। विशेषज्ञता को उन निर्णयों को लेना चाहिए जिनका वह वास्तव में समर्थन करता है।

संगठनात्मक साहित्य में पैटर्न मॉडल के साथ संगत है: विविधता के लाभ कार्य की जटिलता और प्रक्रिया की गुणवत्ता पर निर्भर करते हैं, और इसकी लागतें अग्रिम होती हैं (समन्वय, संघर्ष, धीमी मानक गठन) जबकि इसके लाभ पीछे की ओर होते हैं (बेहतर खोज, कम अंधे स्थान)। जो टीमें जल्दी छोड़ देती हैं वे लागतों को पकड़ती हैं और लाभ को चूकती हैं।

संज्ञानात्मक विविधता जनसांख्यिकीय विविधता नहीं है

एक भेद जो इस बहस को ईमानदार रखता है: ऊपर का शोध संज्ञानात्मक (या एपिस्टेमिक) विविधता के बारे में है - जानकारी, प्रशिक्षण, ह्यूरिस्टिक्स, और मानसिक मॉडलों में भिन्नताएँ। जनसांख्यीय विविधता एक अलग चर है। दोनों वास्तविक दुनिया में सहसंबंधित हैं, क्योंकि जीवन का अनुभव जानकारी और दृष्टिकोण को आकार देता है, लेकिन वे परस्पर विनिमेय नहीं हैं, और सबसे मजबूत शोध प्रभाव संज्ञानात्मक प्रकार से जुड़े होते हैं। एक जनसांख्यिकीय विविधता वाली टीम जो समान स्रोतों और समान प्रशिक्षण पर आधारित है, संज्ञानात्मक रूप से समान हो सकती है; एक जनसांख्यिकीय समान टीम में एक इंजीनियर, एक वकील, और एक क्षेत्र ऑपरेटर हो सकता है जो सभी महत्वपूर्ण बातों पर असहमत होते हैं। ध्यान दें कि वूली का c-कारक सहसंबंध - सामाजिक संवेदनशीलता और टर्न-टेकिंग - प्रक्रिया के बारे में है, न कि किसी भी प्रकार की संरचना के बारे में। भेद और इसके पीछे के शोध के गहरे उपचार के लिए, हमारे गाइड को देखें एपिस्टेमिक विविधता।

वास्तव में क्या करना है: टीम का निर्माण और संचालन

इस शोध के बचाव योग्य कोर को व्यवहार में अनुवाद करना सलाह देता है जो नारे की तुलना में कम उद्धृत है लेकिन कहीं अधिक मजबूत है:

स्टाफिंग से पहले निर्णयों को क्रमबद्ध करें

जटिल, महत्वपूर्ण, बहुआयामी निर्णय विविध समूह को मिलते हैं। एक व्यक्ति की सत्यापित विशेषज्ञता के भीतर नियमित निर्णय विशेषज्ञ को मिलते हैं। विविधता को अंधाधुंध लागू करना समन्वय लागतों को खरीदता है बिना किसी जानकारी के लाभ के।

पूरक ह्यूरिस्टिक्स के लिए भर्ती करें

जब चौथे विश्लेषक को भर्ती करते हैं, तो सवाल यह नहीं है कि "क्या वह सबसे स्मार्ट आवेदक है?" बल्कि "क्या वह पहले तीन की तरह नहीं सोचती है?" सीमांत मूल्य अन्वेषण न किए गए क्षेत्र को कवर करने से आता है।

चर्चा से पहले स्वतंत्रता की रक्षा करें

समूह के एकत्र होने से पहले, व्यक्तिगत रूप से, लिखित रूप में अनुमान और तर्क एकत्र करें। भविष्यवाणी प्रमेय में विविधता की शर्त केवल तभी मौजूद होती है जब राय सामाजिक प्रभाव के समतल होने से पहले बनती है।

प्रक्रिया को इंजीनियर करें, केवल सूची नहीं

वूली के सहसंबंध प्रक्रिया चर हैं: संतुलित बारी-बारी से बोलना, एक-दूसरे के संकेतों पर ध्यान देना। एक विविध सूची एक मोनोलॉग के रूप में चलने पर एक समान सूची की तरह प्रदर्शन करती है। भागीदारी को इस तरह से संरचना करें कि हर दृष्टिकोण वास्तव में निकाला जाए।

विविध इनपुट को महत्व देना: गुणक के रूप में संरचना

ध्यान दें कि ऊपर दिए गए हर व्यावहारिक सिफारिश विविधता को पकड़ने के बारे में है, केवल इसे इकट्ठा करने के बारे में नहीं। यही वह जगह है जहाँ संरचित विधियाँ अपनी कीमत कमाती हैं। एक तर्क मानचित्र में, प्रत्येक हितधारक स्वतंत्र रूप से अपनी तर्क प्रस्तुत करता है — बैठक के एक प्रमुख पर केंद्रित होने से पहले — और हर तर्क अपनी रेटेड योग्यता पर खड़ा होता है या गिरता है, न कि इसे प्रस्तुत करने वाले की वरिष्ठता पर। यह स्थिति-प्रभाव लिंक को काटता है जो एक आत्मविश्वासी आवाज को विविध कमरे को समान बनाने की अनुमति देता है।

Argumentree ठीक इसी पैटर्न को सहयोगात्मक निर्णय लेने के लिए लागू करता है: बहु-हितधारक इनपुट को असिंक्रोनस और स्वतंत्र रूप से एकत्रित किया जाता है, तर्कों को साझा प्रो/कॉन पेड़ में व्यवस्थित किया जाता है, और बहु-आयामी रेटिंग (सहायता, स्पष्टता, सटीकता, पूर्णता) को सहमति स्कोर में एकत्रित किया जाता है। आपकी भर्ती द्वारा उत्पन्न विविधता वह जानकारी बन जाती है जिसका आपके निर्णय वास्तव में उपयोग करते हैं — एक पूर्ण ऑडिट ट्रेल के साथ जो दिखाता है कि कौन से दृष्टिकोण ने परिणाम को आकार दिया। और चूंकि योगदान 66 भाषाओं में किए जा सकते हैं, दृष्टिकोणों का पूल उन लोगों तक सीमित नहीं है जो बैठक की भाषा में धाराप्रवाह हैं।

इस लेख के लिए शोध के लंबे आर्क के लिए जो कोंडॉर्सेट के जूरी प्रमेय से आज के मानव-एआई टीमों तक फैला है — हमारे साथी लेख को देखें, सामूहिक बुद्धिमत्ता: 240 वर्षों का शोध।

अक्सर पूछे जाने वाले प्रश्न

क्या टीमों में विविधता वास्तव में क्षमता को मात देती है?

कभी-कभी, परिस्थितियों के तहत — और ईमानदार उत्तर यह है कि मजबूत नारा सबूत से आगे निकल जाता है। हांग और पेज का 2004 का मॉडल दिखाता है कि कठिन समस्याओं के लिए, एक बड़े पूल से सक्षम एजेंटों के साथ, एक संज्ञानात्मक रूप से विविध समूह व्यक्तिगत रूप से सर्वश्रेष्ठ प्रदर्शन करने वाले समूह से बेहतर प्रदर्शन कर सकता है, क्योंकि शीर्ष प्रदर्शन करने वाले समान रूप से सोचने की प्रवृत्ति रखते हैं और एक ही स्थान पर फंस जाते हैं। लेकिन परिणाम उन मॉडल की परिस्थितियों पर निर्भर करता है, और इसकी गणितीय रूपरेखा को गंभीरता से आलोचना की गई है। जो जांच में बचता है वह कमजोर है लेकिन फिर भी महत्वपूर्ण है: जटिल समस्याओं पर, विविध दृष्टिकोणों के साथ असंबंधित त्रुटियाँ वास्तविक मूल्य जोड़ती हैं जो केवल व्यक्तिगत क्षमता नहीं पकड़ती।

सामूहिक बुद्धिमत्ता अनुसंधान में c कारक क्या है?

c कारक टीमों के लिए एक प्रस्तावित सामान्य सामूहिक-बुद्धिमत्ता कारक है, जो व्यक्तियों के लिए g कारक के समान है। वूली और सहयोगियों (विज्ञान, 2010) ने कई कार्यों में छोटे समूहों में 699 लोगों का परीक्षण किया और पाया कि एक एकल सांख्यिकीय कारक समूह प्रदर्शन में लगभग 43% भिन्नता को समझाता है। आश्चर्यजनक रूप से, c का औसत और अधिकतम बुद्धिमत्ता के सदस्यों के साथ केवल कमजोर सहसंबंध था — और औसत सामाजिक संवेदनशीलता, बातचीत में बारी-बारी से बोलने की समानता, और समूह में महिलाओं के अनुपात के साथ अधिक मजबूत था।

क्या c-कारक अनुसंधान को दोहराया गया है?

यह एक जीवित वैज्ञानिक बहस है। क्रेडे और हॉवर्डसन (2017) ने छह नमूनों का पुनः विश्लेषण किया और तर्क किया कि सामान्य कारक के लिए सबूत कमजोर है। वूली, किम, और मलेन (2018) ने उत्तर दिया कि आलोचना स्कोरिंग और सिमुलेशन के अनुमानों पर आधारित थी जो कार्यों से मेल नहीं खाती। Riedl और सहयोगियों द्वारा 2021 में PNAS में किए गए एक मेटा-विश्लेषण, जिसमें 22 अध्ययन और 1,356 समूह शामिल थे, ने छात्र, सैन्य, गेमर, और ऑनलाइन-कार्यकर्ता जनसंख्याओं में c कारक के लिए समर्थन पाया। एक बड़े मेटा-विश्लेषण द्वारा समर्थित, फिर भी इसकी संरचना में विवादित — यही सटीक सारांश है।

हांग-पेज "विविधता क्षमता को मात देती है" प्रमेय क्या है?

2004 के PNAS पेपर में, लु हांग और स्कॉट पेज ने विभिन्न ह्यूरिस्टिक्स के साथ कठिन समस्याओं को हल करने वाले एजेंटों के कम्प्यूटेशनल मॉडल बनाए। निर्दिष्ट परिस्थितियों के तहत — एक कठिन समस्या, व्यक्तिगत रूप से सक्षम एजेंट, और चयन के लिए एक बड़ा पूल — एक यादृच्छिक रूप से चयनित (और इसलिए संज्ञानात्मक रूप से विविध) समूह व्यक्तिगत रूप से सर्वश्रेष्ठ प्रदर्शन करने वाले समूह से बेहतर प्रदर्शन करता है, क्योंकि सर्वश्रेष्ठ प्रदर्शन करने वाले समान ह्यूरिस्टिक्स का उपयोग करते हैं और एक ही स्थानीय ऑप्टिमा पर फंस जाते हैं। यह समस्या-समाधान विविधता के बारे में एक मॉडल परिणाम है, न कि भर्ती के बारे में एक सामान्य कानून।

हांग-पेज प्रमेय की आलोचना क्या है?

2014 में, गणितज्ञ एबिगेल थॉम्पसन ने अमेरिकन मैथमैटिकल सोसाइटी के नोटिस में एक आलोचना प्रकाशित की जिसमें तर्क किया गया कि पेपर का गणितीय प्रमेय मूल रूप से तुच्छ है जब इसके अनुमानों को अनपैक किया जाता है, कि इसे विविधता के बारे में होने के रूप में गलत लेबल किया गया है, और कि इसके साथ आने वाले सिमुलेशन उन व्यापक सामाजिक दावों का समर्थन नहीं करते जो प्रमेय के पक्ष में किए गए हैं। रक्षकों — जिसमें 2017 में क्रिटिकल रिव्यू में एक प्रतिक्रिया शामिल है — ने जवाब दिया कि आपत्तियाँ यह गलत पढ़ती हैं कि औपचारिक मॉडल सामाजिक विज्ञान में कैसे उपयोग किए जाते हैं। स्कॉट पेज स्वयं परिणाम को सावधानी से परिभाषित करते हैं: यह कठिन समस्याओं, सक्षम एजेंटों, और बड़े पूलों के लिए सही है।

विविधता भविष्यवाणी प्रमेय क्या है?

यह एक गणितीय पहचान है, जिसे स्कॉट पेज ने द डिफरेंस (2007) में लोकप्रिय बनाया, जो समूह भविष्यवाणी त्रुटि को विघटित करता है: सामूहिक का वर्ग त्रुटि औसत व्यक्तिगत वर्ग त्रुटि से घटता है जो भविष्यवाणियों की विविधता है। इसके बारे में कुछ भी विवादास्पद नहीं है — यह बीजगणित है। इसका व्यावहारिक अर्थ: जब भविष्यवाणियाँ वास्तव में असहमत होती हैं, तो एक भीड़ अपने औसत सदस्य की तुलना में अधिक सटीक होती है, और व्यक्तिगत सटीकता को स्थिर रखते हुए, अधिक भविष्यवाणी विविधता हमेशा सामूहिक त्रुटि को कम करती है।

टीम वास्तव में संज्ञानात्मक विविधता से कैसे लाभ उठा सकती हैं?

समस्या के अनुसार विविधता का मिलान करें: जटिल, महत्वपूर्ण, बहुआयामी निर्णयों के लिए विविध इनपुट का उपयोग करें और सत्यापित विशेषज्ञता को नियमित निर्णयों के लिए ले जाने दें। समूह चर्चा से पहले स्वतंत्र रूप से निर्णय एकत्र करें ताकि दृष्टिकोण असंबंधित रहें। ऐसे हालात बनाएं जहाँ असहमति सुरक्षित और अपेक्षित हो। और योगदानों का मूल्यांकन उनके स्रोत के बजाय उनके गुणों पर करें — संरचित विधियाँ जैसे तर्क मानचित्रण, जहाँ हर तर्क को सबूत और तर्क के आधार पर रेट किया जाता है न कि इसे प्रस्तुत करने वाले की रैंक के आधार पर, विविधता को घर्षण से जानकारी में बदल देती हैं।

Argumentree Team

Decision Science

The Argumentree team explores the science of better decisions—from 18th-century mathematics to modern AI.

विविध दृष्टिकोणों को बेहतर निर्णयों में बदलें।

Argumentree हर हितधारक से स्वतंत्र इनपुट एकत्र करता है और तर्कों को योग्यता के आधार पर रेट करता है — ताकि आपकी भर्ती की गई विविधता वास्तव में निर्णय तक पहुँच सके।

मुफ्त 14-दिन का परीक्षण शुरू करें →

Diversity Beats Ability: Why Your Smartest Hire Isn't Your Best Decision-Maker