"ความหลากหลายชนะความสามารถ" เป็นหนึ่งในคำกล่าวที่ถูกอ้างถึงมากที่สุด — และถูกโต้แย้งมากที่สุด — ในวิทยาศาสตร์การตัดสินใจ สโลแกนที่แข็งแกร่งนี้เกินกว่าหลักฐาน แต่คำกล่าวที่อ่อนแอกว่าที่รอดจากการตรวจสอบยังคงมีความสำคัญอย่างมาก: ในปัญหาที่ซับซ้อน ประสิทธิภาพของทีมขึ้นอยู่กับสมาชิกที่ฉลาดที่สุดน้อยกว่าขึ้นอยู่กับว่าผู้มีส่วนร่วมคิดแตกต่างกันหรือไม่และความแตกต่างเหล่านั้นถึงการตัดสินใจจริงหรือไม่
- ปัจจัย c: ความฉลาดของกลุ่มมีความสัมพันธ์เพียงเล็กน้อยกับ IQ ของสมาชิก; กระบวนการ (การผลัดกันพูด ความไวทางสังคม) ทำนายได้มากกว่า — ได้รับการสนับสนุนจากการวิเคราะห์เมตา 1,356 กลุ่ม ยังมีการถกเถียงกันอยู่
- ฮอง-เพจ: กลุ่มที่หลากหลายสามารถเอาชนะกลุ่ม "สมาชิกที่ดีที่สุด" ในปัญหาที่ยาก — ภายใต้เงื่อนไขของแบบจำลอง และคณิตศาสตร์ของทฤษฎีก็ถูกวิจารณ์อย่างจริงจัง
- แกนหลักที่มั่นคง: ทฤษฎีการคาดการณ์ความหลากหลาย — ความผิดพลาดรวม = ความผิดพลาดเฉลี่ย − ความหลากหลายในการคาดการณ์ — เป็นอัตลักษณ์ ไม่ใช่ความคิดเห็น
- การปฏิบัติ: ใช้ความหลากหลายสำหรับการตัดสินใจที่ซับซ้อน ใช้ความเชี่ยวชาญสำหรับการตัดสินใจที่เป็นกิจวัตร และจัดโครงสร้างกระบวนการเพื่อให้มุมมองที่แตกต่างกันถูกบันทึกอย่างอิสระและตัดสินตามคุณธรรม
คำกล่าวที่ดึงดูดที่สุดในวิทยาศาสตร์การจัดการ
ผู้นำทุกคนรู้สึกถึงแรงดึงดูดของทฤษฎีการสรรหาที่เรียบง่าย: จ้างคนที่ฉลาดที่สุดที่คุณสามารถหาได้ ใส่พวกเขาในห้อง และการตัดสินใจที่ดีที่สุดจะตามมา มันมีข้อดีที่ชัดเจน มันมีข้อเสียที่ดีที่สุดคือมันเป็นความจริงเพียงครึ่งเดียว ในช่วงสองทศวรรษที่ผ่านมา งานวิจัยเกี่ยวกับ ความฉลาดร่วม ได้มารวมกันในผลการค้นพบที่ไม่สบายใจ: ความฉลาดของทีมไม่ใช่ผลรวม — หรือแม้แต่สูงสุด — ของความฉลาดของสมาชิก มันมีบางอย่างที่ทำงานส่วนใหญ่ และสิ่งนั้นดูเหมือน ความแตกต่าง: ข้อมูลที่แตกต่าง กลยุทธ์ที่แตกต่าง วิธีการที่แตกต่างในการผิดพลาด
ผลการค้นพบนี้กลายเป็นสโลแกน — “ความหลากหลายชนะความสามารถ” — ซึ่งจากนั้นก็ทำในสิ่งที่สโลแกนทำ: มันแยกตัวออกจากเงื่อนไขและลอยไปในงานนำเสนอหลัก การตอบโต้ก็มีความกว้างขวางเช่นกัน โดยมองข้ามงานวิจัยทั้งหมดว่าเป็นคณิตศาสตร์ที่มีการเมือง ทั้งสองสุดขั้วผิด และความจริงในกลางนั้นมีประโยชน์จริง บทความนี้จะพาผู้อ่านไปผ่านสองโปรแกรมวิจัยที่อยู่เบื้องหลังคำกล่าว — ปัจจัยความฉลาดร่วม “c” และทฤษฎีฮอง-เพจ — รวมถึงการวิจารณ์ที่มักถูกมองข้าม และจบลงด้วยสิ่งที่ผู้อ่านที่รอบคอบสามารถนำไปใช้ในการตัดสินใจเกี่ยวกับการจ้างงานหรือการออกแบบทีมได้จริง
ปัจจัย c: ทีมมีความฉลาดของตนเอง
ในปี 2010 อนิตา วิลเลียมส์ วูลลีย์ คริสโตเฟอร์ ชาบริส อเล็กซ์ เพนท์แลนด์ นาดา ฮาชมี และโธมัส มาลโลน ได้เผยแพร่การศึกษาใน Science ที่ตั้งคำถามที่ดูเหมือนง่าย: หากบุคคลมีปัจจัยความฉลาดทั่วไป (g) กลุ่มมีปัจจัยเดียวกันหรือไม่? พวกเขาทดสอบผู้คน 699 คนที่ทำงานเป็นกลุ่มตั้งแต่สองถึงห้าคนในชุดงานที่หลากหลาย — การระดมความคิด การใช้เหตุผลทางศีลธรรม การเจรจา ปริศนา — และจากนั้นตรวจสอบว่าประสิทธิภาพของกลุ่มในงานประเภทหนึ่งทำนายประสิทธิภาพในงานประเภทอื่นได้หรือไม่
มันทำได้ ปัจจัยทางสถิติเดียว — ที่พวกเขาเรียกว่า c สำหรับความฉลาดร่วม — อธิบายประมาณ 43% ของความแปรปรวน ในประสิทธิภาพของกลุ่มในงานต่างๆ ความประหลาดใจคือสิ่งที่ c ไม่ได้ติดตาม: มันมีความสัมพันธ์เพียงเล็กน้อยกับความฉลาดเฉลี่ยของสมาชิกกลุ่มและความฉลาดของสมาชิกที่ฉลาดที่สุด สิ่งที่ทำนาย c แทนคือสามคุณสมบัติของกลุ่มเอง: ความไวทางสังคมเฉลี่ยของสมาชิก (วัดด้วยการทดสอบ Reading the Mind in the Eyes) ความ เท่าเทียมกันในการผลัดกันพูด — กลุ่มที่มีเสียงหนึ่งหรือสองเสียงครอบงำจะได้คะแนนต่ำกว่า — และ สัดส่วนของผู้หญิง ในกลุ่ม ซึ่งมีผลที่ถูกควบคุมทางสถิติด้วยความไวทางสังคม
อ่านอย่างรอบคอบ นี่ไม่ใช่การกล่าวอ้างว่าความสามารถไม่สำคัญ มันเป็นการกล่าวอ้างว่าที่ระดับทีม ความสามารถไม่ใช่ปัญหาอุปสรรค ปัญหาอุปสรรคคือกลุ่มสามารถดึงและรวมสิ่งที่สมาชิกของมันรู้ได้หรือไม่ — ซึ่งเป็นคุณสมบัติของกระบวนการ ไม่ใช่ของกะโหลกใดๆ
การต่อสู้เพื่อการทำซ้ำที่คุณไม่เคยได้ยินในงานนำเสนอหลัก
ปัจจัย c ได้ผ่านการต่อสู้ทางวิทยาศาสตร์ที่แท้จริง และความซื่อสัตย์ต้องรายงานมัน ในปี 2017 มาร์คัส เครดิตและการ์เร็ตต์ ฮาวด์สันได้วิเคราะห์ข้อมูลจากตัวอย่างที่เผยแพร่ก่อนหน้านี้หกตัวอย่างและโต้แย้งว่าการสนับสนุนเชิงประจักษ์สำหรับปัจจัยความฉลาดร่วม ทั่วไป นั้นอ่อนแอ — ว่าปัจจัยเดียวอธิบายความแปรปรวนเล็กน้อยในหลายงานกลุ่ม และการสร้างอาจเป็นส่วนหนึ่งของผลกระทบจากการเลือกคะแนน วูลลีย์ เยออนจอง คิม และมาลโลนตอบในปี 2018 โดยโต้แย้งว่าการวิจารณ์นั้นอิงจากกระบวนการให้คะแนนและสมมติฐานการจำลองที่ไม่ตรงกับงานที่กลุ่มทำจริง
หลักฐานที่สำคัญที่สุดตั้งแต่นั้นมาคือการวิเคราะห์เมตาในปี 2021 ใน PNAS โดยคริสตอฟ รีเดล ยอง จี คิม ปรานาฟ กุ๊ปตา โธมัส มาลโลน และอนิตา วูลลีย์ ซึ่งครอบคลุม 22 งานวิจัยและ 1,356 กลุ่ม — นักศึกษาในมหาวิทยาลัย บุคลากรทางทหาร คนทำงานออนไลน์ และนักเล่นเกม มันพบหลักฐานที่สอดคล้องกันสำหรับปัจจัย c ในประชากรเหล่านี้ โดยกระบวนการทำงานร่วมกันของกลุ่มและทักษะของสมาชิกมีส่วนร่วมด้วย แล้วมันจะทิ้งผู้ปฏิบัติงานไว้ที่ไหน? การสร้างได้รับการสนับสนุนจากการวิเคราะห์เมตาขนาดใหญ่และยังคงมีการถกเถียงกันในโครงสร้างของมัน — ประมาณที่ g เองยืนอยู่เป็นเวลาหลายทศวรรษ สิ่งที่ไม่ถูกถกเถียงอย่างจริงจังคือรูปแบบพื้นฐาน: IQ ของสมาชิกเป็นตัวทำนายที่ไม่ดีอย่างน่าประหลาดใจของประสิทธิภาพของทีม และกระบวนการมีปฏิสัมพันธ์เป็นตัวทำนายที่ดีอย่างน่าประหลาดใจ
“ความหลากหลายชนะความสามารถ”: สิ่งที่ฮองและเพจพิสูจน์จริงๆ
เสาหลักที่สองของการโต้แย้งเรื่องความหลากหลายมาจากเศรษฐศาสตร์และวิทยาศาสตร์ความซับซ้อน ในปี 2004 ลู ฮอง และสก็อตต์ เพจ ได้เผยแพร่เอกสารใน PNAS ที่มีชื่อที่น่าจดจำว่า “กลุ่มของผู้แก้ปัญหาที่หลากหลายสามารถทำได้ดีกว่ากลุ่มของผู้แก้ปัญหาที่มีความสามารถสูง” พวกเขาสร้างแบบจำลองการคำนวณที่ตัวแทนที่มีกลยุทธ์การแก้ปัญหาที่แตกต่างกันค้นหาภูมิทัศน์ของการแก้ปัญหาที่ขรุขระ ตัวแทนแต่ละคนจะปีนขึ้นไปจนติดอยู่; จากนั้นตัวแทนอีกคนจะเข้ามาจากจุดนั้นด้วยการเคลื่อนไหวที่แตกต่างกัน
ผลลัพธ์: ภายใต้เงื่อนไขของแบบจำลอง กลุ่มที่เลือกแบบ สุ่ม ของตัวแทน — การเลือกแบบสุ่มรับประกันความหลากหลายของกลยุทธ์ — ทำได้ดีกว่ากลุ่มที่ประกอบด้วยตัวแทนที่มีผลงานดีที่สุดแต่ละคน กลไกนี้เป็นที่เข้าใจได้เมื่อเห็น: ผู้ที่มีผลงานดีที่สุดมักจะเรียนรู้กลยุทธ์ที่ คล้ายกัน ดังนั้นพวกเขาจึงติดอยู่ที่จุดสุดยอดท้องถิ่น เดียวกัน อย่างไรก็ตาม ทีมที่เป็นคล้ายกัน ไม่ว่าจะมีความสามารถเพียงใด จะค้นหาเหมือนจิตใจ ทีมที่หลากหลายจะช่วยเหลือกันจากทางตันที่แตกต่างกัน
แต่เงื่อนไขมีความสำคัญ และเพจเองก็ชัดเจนเกี่ยวกับพวกเขามากกว่าผู้ที่ทำให้เขาเป็นที่นิยม: ปัญหาต้องเป็น ยาก (ไม่มีใครสามารถแก้ไขได้เพียงลำพัง) ตัวแทนต้องมี ความสามารถที่เหมาะสม (ความหลากหลายในกลุ่มที่ไม่รู้เรื่องไม่ได้ช่วย) สระที่ทีมถูกดึงมาจำเป็นต้อง ใหญ่ และการตั้งค่าคือการแก้ปัญหาแบบวนซ้ำที่ตัวแทนสร้างจากตำแหน่งของกันและกัน “กลุ่มที่หลากหลายใดๆ ชนะกลุ่มผู้เชี่ยวชาญใดๆ” ไม่ใช่สิ่งที่ได้รับการพิสูจน์ และการปฏิบัติต่อมันในลักษณะนั้นทำให้คำกล่าวนี้ล้มเหลว
การตอบโต้: ทฤษฎีที่ถูกโจมตี
ในปี 2014 นักคณิตศาสตร์อาบิเกล ธอมป์สันได้เผยแพร่การวิจารณ์ที่ชัดเจนใน Notices of the American Mathematical Society (เล่ม 61, หมายเลข 9, หน้า 1024–1030) ที่มีชื่อว่า “ความหลากหลายชนะความสามารถหรือไม่? ตัวอย่างของการใช้คณิตศาสตร์ในทางที่ผิดในวิทยาศาสตร์สังคม” ข้อโต้แย้งของเธอมีสองด้าน ประการแรก ทฤษฎีทางการในเอกสารของฮอง-เพจ เมื่อเปิดเผยสมมติฐานของมันออกมา จะใกล้เคียงกับเรื่องธรรมดา — ในการอ่านของเธอ เงื่อนไขสร้างข้อสรุปขึ้นมา และเนื้อหาทางคณิตศาสตร์นั้นเบาบางเกินไปสำหรับน้ำหนักทางสังคมที่วางไว้บนมัน ประการที่สอง การจำลองที่สนับสนุนคำกล่าวที่กว้างขวางกว่านั้นมีความไวต่อการเลือกพารามิเตอร์และไม่ได้อนุญาตให้มีข้อสรุปที่กว้างขวางจากพวกเขา
การวิจารณ์นี้ได้รับการตอบสนองของตนเอง โน้ตในปี 2017 ใน Critical Review โดยแดเนียล คูห์นโต้แย้งว่าข้อโต้แย้งทางคณิตศาสตร์ของธอมป์สันนั้นไม่ถูกต้อง หล misleading หรือไม่เกี่ยวข้องกับจุดประสงค์ของการทำงานของแบบจำลองทางการในวิทยาศาสตร์สังคม — ซึ่งคุณค่าของแบบจำลองคือกลไกที่มันแยกออกมา ไม่ใช่ความลึกของการพิสูจน์ของมัน นักปรัชญาของวิทยาศาสตร์ที่ทำงานเกี่ยวกับชุมชนทางปัญญา รวมถึงแดเนียล ซิงเกอร์ ได้พัฒนาแบบจำลองที่เกี่ยวข้องซึ่งคุณค่าของความหลากหลายยังคงอยู่ในรูปแบบที่ปรับเปลี่ยน
การอ่านของเรา สำหรับสิ่งที่ผู้ปฏิบัติต้องการ: ทฤษฎี อ่อนแอกว่าชื่อของมัน กลไก เป็นจริงและสังเกตได้ และสโลแกนที่กว้างขวางควรถูกเกษียณในความโปรดปรานของคำกล่าวที่มีเงื่อนไข เมื่อคุณเผชิญกับปัญหาที่ยากและหลายมิติและกลุ่มผู้สมัครของคุณมีความลึก ทีมที่เลือกเพื่อวิธีการคิดที่เสริมจะมักค้นหาพื้นที่การแก้ปัญหาได้ดีกว่าทีมที่เลือกเพียงคะแนนของแต่ละบุคคล — เพราะคะแนนของแต่ละบุคคลจะรวมกลุ่มคนที่คิดเหมือนกัน คำกล่าวนั้นไม่ต้องการทฤษฎีที่เกินจริง และส่วนถัดไปจะแสดงให้เห็นว่าทำไม
คณิตศาสตร์ที่ไม่มีใครโต้แย้ง: ทฤษฎีการคาดการณ์ความหลากหลาย
ลบแบบจำลองที่ถูกโต้แย้งออกไปและมีชิ้นส่วนของคณิตศาสตร์ที่ยังคงยืนอยู่ซึ่งไม่มีใครโต้แย้ง เพราะมันเป็นอัตลักษณ์ — พีชคณิต ไม่ใช่เชิงประจักษ์ สก็อตต์ เพจเรียกมันว่า ทฤษฎีการคาดการณ์ความหลากหลาย (ใน The Difference, 2007) สำหรับกลุ่มใดๆ ที่ทำการประมาณการเชิงตัวเลข โดยมีความผิดพลาดวัดเป็นระยะห่างกำลังสองจากความจริง:
ความผิดพลาดรวม = ความผิดพลาดเฉลี่ยของแต่ละบุคคล − ความหลากหลายในการคาดการณ์
โดยที่ความหลากหลายในการคาดการณ์คือความแปรปรวนของการประมาณการของแต่ละบุคคลรอบๆ การประมาณการเฉลี่ยของกลุ่ม
ผลที่ตามมาสองประการเกิดขึ้นโดยตรง ประการแรก การประมาณการรวมของกลุ่ม เสมอ มีความแม่นยำอย่างน้อยเท่ากับสมาชิกเฉลี่ยของมัน — ฝูงชนไม่สามารถแย่กว่าบุคคลทั่วไปได้ แม้ว่ามันอาจจะแย่กว่าผู้ที่ดีที่สุดก็ตาม ประการที่สอง หากความแม่นยำของแต่ละบุคคลคงที่ ทุกการเพิ่มขึ้นในความไม่เห็นด้วยที่แท้จริง กลไก จะลดความผิดพลาดรวม ความหลากหลายไม่ใช่โบนัสที่ทำให้รู้สึกดีในสมการนี้; มันเป็นหนึ่งในสองเทอม กลุ่มของคลอนที่แม่นยำและกลุ่มของผู้ที่มีความเห็นที่ไม่ตรงกันที่มีความแม่นยำปานกลางสามารถลงเอยด้วยความผิดพลาดรวมที่เหมือนกันโดยใช้เส้นทางที่แตกต่างกัน
ข้อแม้ — และมันคือข้อแม้เดียวกันที่วิจัยทั้งหมดนี้มี — คือคำว่า แท้จริง ทฤษฎีนี้ให้รางวัลกับความหลากหลายของการคาดการณ์ ซึ่งต้องการความหลากหลายของข้อมูลและแบบจำลอง หากทุกคนอ่านแหล่งข้อมูลเดียวกันสามแหล่ง ความคาดการณ์ของพวกเขาจะรวมกัน ความหลากหลายจะหายไป และฝูงชนจะกลายเป็นเสียงสะท้อน นี่คือโหมดความล้มเหลวที่ถูกบันทึกใน วรรณกรรมความฉลาดของฝูงชน: ความผิดพลาดที่สัมพันธ์กันไม่ยกเลิก แต่จะรวมกัน
เมื่อความหลากหลายช่วย
ปัญหานั้นซับซ้อนและมีหลายมิติ
กลยุทธ์, การออกแบบผลิตภัณฑ์, นโยบาย, การวินิจฉัยสถานการณ์ใหม่ — ปัญหาที่ไม่มีมุมมองเดียวที่เห็นภาพรวมทั้งหมด ฮิวริสติกที่แตกต่างกันจะติดอยู่ที่จุดต่างๆ ดังนั้นทางตันของสมาชิกคนหนึ่งจึงเป็นจุดเริ่มต้นของอีกคนหนึ่ง
ข้อผิดพลาดไม่มีความสัมพันธ์
เครื่องยนต์ทางคณิตศาสตร์ของความถูกต้องร่วมคือการยกเลิกข้อผิดพลาด หากสมาชิกใช้แหล่งข้อมูลที่แตกต่างกันและแบบจำลองทางความคิดที่แตกต่างกัน ข้อผิดพลาดของพวกเขาจะชี้ไปในทิศทางที่แตกต่างกันและยกเลิกกันบางส่วนในภาพรวม
ความหลากหลายเป็นสิ่งที่มีความรู้สึกทางปัญญาอย่างแท้จริง
การฝึกอบรมที่แตกต่างกัน อุตสาหกรรมที่แตกต่างกัน ความรู้ท้องถิ่นที่แตกต่างกัน ชุดเครื่องมือที่แตกต่างกัน สิ่งที่สำคัญสำหรับการคาดการณ์และการแก้ปัญหาคือความหลากหลายในการคิดของผู้คน — ไม่ใช่ความหลากหลายบนกระดาษที่ทำให้ทุกคนใช้เหตุผลจากแหล่งข้อมูลเดียวกัน
กระบวนการนี้ทำให้มุมมองที่หลากหลายปรากฏขึ้น
การวิจัยของ Woolley ชี้ให้เห็นถึงกระบวนการ: การผลัดกันพูดอย่างเท่าเทียมและความไวต่อสังคมคาดการณ์ถึงประสิทธิภาพของกลุ่ม ทีมที่หลากหลายซึ่งมีเสียงดังเพียงเสียงเดียวจะทำงานเหมือนทีมที่มีสมาชิกเพียงคนเดียว.
เมื่อมันไม่ช่วย — ส่วนที่สโลแกนละเลย
การบรรยายที่ซื่อสัตย์ต้องรวมถึงค่าใช้จ่าย เพราะมันเป็นจริงและเป็นเหตุผลที่ทีมที่หลากหลายบางครั้งทำผลงานได้ต่ำกว่าทีมที่เป็นเอกภาพในทางปฏิบัติแม้ว่าทฤษฎีจะสนับสนุนพวกเขา
ค่าใช้จ่ายในการประสานงานเกินกว่าประโยชน์
กลุ่มที่หลากหลายใช้เวลานานกว่าในการสร้างภาษาร่วมและความไว้วางใจ สำหรับงานที่เป็นกิจวัตรและเข้าใจได้ดี การใช้เวลานั้นแทบจะไม่มีประโยชน์ — ไม่มีมุมมองที่ซ่อนอยู่ให้ค้นหา
ไม่มีความปลอดภัยทางจิตใจ
มุมมองที่แตกต่างช่วยได้ก็ต่อเมื่อมันถูกพูดออกมา ในทีมที่การไม่เห็นด้วยรู้สึกเสี่ยง ความหลากหลายจะทำให้เกิดความเงียบและความขัดแย้ง — ต้นทุนโดยไม่มีข้อมูล
ปัญหานี้มีวิธีที่ดีที่สุดที่รู้จัก
เมื่อบุคคลหนึ่งมีความเชี่ยวชาญที่ชัดเจนและได้รับการตรวจสอบแล้ว และงานนั้นอยู่ในขอบเขตของเขา การเพิ่มเสียงจากบุคคลอื่นจะทำให้เกิดเสียงรบกวน ความเชี่ยวชาญควรเป็นตัวกำหนดการตัดสินใจที่มันครอบคลุมจริง ๆ
รูปแบบในวรรณกรรมองค์กรสอดคล้องกับแบบจำลอง: ประโยชน์ของความหลากหลายขึ้นอยู่กับความซับซ้อนของงานและคุณภาพของกระบวนการ และค่าใช้จ่ายของมันจะถูกบรรทุกไว้ข้างหน้า (การประสานงาน ความขัดแย้ง การก่อตัวของบรรทัดฐานที่ช้าลง) ในขณะที่ประโยชน์ของมันจะถูกบรรทุกไว้ข้างหลัง (การค้นหาที่ดีกว่า จุดบอดน้อยลง) ทีมที่เลิกเร็วจะจับค่าใช้จ่ายและพลาดผลตอบแทน
ความหลากหลายทางปัญญาไม่ใช่ความหลากหลายทางประชากร
ความแตกต่างที่ทำให้การอภิปรายนี้ซื่อสัตย์: งานวิจัยข้างต้นเกี่ยวกับความหลากหลายทาง ปัญญา (หรือความรู้) — ความแตกต่างในข้อมูล การฝึกอบรม กลยุทธ์ และแบบจำลองทางความคิด ความหลากหลายทางประชากรเป็นตัวแปรที่แตกต่างกัน สองสิ่งนี้มีความสัมพันธ์กันในโลกแห่งความเป็นจริง เพราะประสบการณ์ในชีวิตมีอิทธิพลต่อข้อมูลและมุมมอง แต่พวกเขาไม่สามารถใช้แทนกันได้ และผลกระทบจากการวิจัยที่แข็งแกร่งที่สุดจะเกี่ยวข้องกับประเภททางปัญญา ทีมที่มีความหลากหลายทางประชากรที่ดึงข้อมูลจากแหล่งเดียวกันและการฝึกอบรมเดียวกันสามารถมีความคิดที่เหมือนกันได้ ทีมที่มีความคล้ายคลึงทางประชากรสามารถมีวิศวกร ทนายความ และผู้ปฏิบัติงานภาคสนามที่ไม่เห็นด้วยเกี่ยวกับทุกสิ่งที่สำคัญ นอกจากนี้ โปรดทราบว่าความสัมพันธ์ของปัจจัย c ของวูลลีย์ — ความไวทางสังคมและการผลัดกันพูด — เกี่ยวกับ กระบวนการ ไม่ใช่การประกอบของทั้งสองประเภท สำหรับการรักษาที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับความแตกต่างและการวิจัยที่อยู่เบื้องหลัง โปรดดูคู่มือของเราเกี่ยวกับ ความหลากหลายทางปัญญา.
สิ่งที่ต้องทำจริง: การประกอบและการดำเนินการทีม
การแปลแกนหลักที่สามารถป้องกันได้ของการวิจัยนี้ให้เป็นการปฏิบัติให้คำแนะนำที่น้อยกว่าที่จะถูกอ้างถึงมากกว่าสโลแกน แต่มีความแข็งแกร่งมากกว่า:
จัดเรียงการตัดสินใจก่อนที่จะสรรหา
การตัดสินใจที่ซับซ้อน มีผลกระทบ และหลายมิติจะได้รับกลุ่มที่หลากหลาย การตัดสินใจที่เป็นกิจวัตรภายในความเชี่ยวชาญที่ได้รับการตรวจสอบของบุคคลหนึ่งจะได้รับผู้เชี่ยวชาญ การใช้ความหลากหลายอย่างไม่เลือกปฏิบัติจะซื้อค่าใช้จ่ายในการประสานงานโดยไม่มีผลตอบแทนข้อมูล
สรรหาสำหรับกลยุทธ์ที่เสริม
เมื่อจ้างนักวิเคราะห์คนที่สี่ คำถามไม่ใช่ “เธอเป็นผู้สมัครที่ฉลาดที่สุดหรือไม่?” แต่ “เธอคิดในแบบที่สามคนแรกไม่คิดหรือไม่?” มูลค่าเพิ่มเติมมาจากการครอบคลุมพื้นที่ที่ยังไม่ได้ค้นหา
ปกป้องความเป็นอิสระก่อนการอภิปราย
รวบรวมการประมาณและข้อโต้แย้งแต่ละคนเป็นลายลักษณ์อักษรก่อนที่กลุ่มจะรวมตัวกัน คำว่า ความหลากหลาย ในทฤษฎีการคาดการณ์จะมีอยู่ก็ต่อเมื่อความคิดเห็นเกิดขึ้นก่อนที่อิทธิพลทางสังคมจะทำให้ความคิดเห็นเหล่านั้นเรียบง่าย
ออกแบบกระบวนการ ไม่ใช่แค่รายชื่อ
ตัวแปรที่เกี่ยวข้องของ Woolley คือ ตัวแปรกระบวนการ: การผลัดกันพูดที่สมดุล ความสนใจต่อสัญญาณของกันและกัน รายชื่อที่หลากหลายที่ดำเนินการเป็นการพูดคนเดียวจะทำงานเหมือนกับรายชื่อที่เป็นเอกภาพ จัดโครงสร้างการมีส่วนร่วมเพื่อให้มุมมองทุกมุมมองถูกดึงออกมาอย่างแท้จริง
ทำให้ข้อมูลที่หลากหลายมีค่า: โครงสร้างเป็นตัวคูณ
สังเกตว่าข้อแนะนำที่เป็นประโยชน์ทุกข้อข้างต้นเกี่ยวกับ การจับ ความหลากหลาย ไม่ใช่แค่การรวบรวมมัน นั่นคือจุดที่วิธีการที่มีโครงสร้างสร้างคุณค่า ในแผนผังข้อโต้แย้ง ผู้มีส่วนได้ส่วนเสียแต่ละคนมีส่วนร่วมในการให้เหตุผลของตนอย่างอิสระ — ก่อนที่การประชุมจะรวมตัวกันที่ผู้ที่มีแนวโน้มจะเป็นผู้นำ — และข้อโต้แย้งแต่ละข้อยืนอยู่หรือพังทลายลงตามคุณค่าที่ได้รับการประเมิน ไม่ใช่ตามตำแหน่งของผู้ที่เสนอข้อโต้แย้ง นี่คือการตัดความเชื่อมโยงระหว่างสถานะกับอิทธิพลที่ทำให้เสียงที่มั่นใจหนึ่งเสียงทำให้ห้องที่หลากหลายกลายเป็นเอกภาพ
Argumentree ใช้รูปแบบนี้สำหรับ การตัดสินใจร่วมกัน: การรวบรวมข้อมูลจากผู้มีส่วนได้ส่วนเสียหลายคนอย่างไม่ประสานกันและอิสระ ข้อโต้แย้งถูกจัดระเบียบในต้นไม้ข้อดี/ข้อเสียที่ใช้ร่วมกัน และการให้คะแนนหลายมิติ (ความช่วยเหลือ ความชัดเจน ความถูกต้อง ความสมบูรณ์) ถูกรวมเข้ากับคะแนนฉันทามติ ความหลากหลายที่คุณจ้างงานผลิตขึ้นกลายเป็นข้อมูลที่การตัดสินใจของคุณใช้จริง — โดยมีเส้นทางการตรวจสอบเต็มรูปแบบแสดงให้เห็นว่ามุมมองใดที่มีอิทธิพลต่อผลลัพธ์ และเนื่องจากการมีส่วนร่วมสามารถทำได้ใน 66 ภาษา สระของมุมมองจึงไม่ถูกจำกัดอยู่แค่ผู้ที่พูดภาษาของการประชุม
สำหรับช่วงเวลาที่ยาวนานขึ้นของการวิจัยที่บทความนี้อิงอยู่ — ตั้งแต่ทฤษฎีของคณะลูกขุนของ Condorcet จนถึงทีมมนุษย์-เอไอในปัจจุบัน — โปรดดูบทความเสริมของเรา ปัญญารวมกลุ่ม: 240 ปีแห่งการวิจัย.
คำถามที่พบบ่อย
ความหลากหลายเอาชนะความสามารถในทีมจริงหรือ?
บางครั้ง ภายใต้เงื่อนไข — และคำตอบที่ตรงไปตรงมาคือ สโลแกนที่แข็งแกร่งมักจะเร็วกว่าหลักฐาน โมเดลของ Hong และ Page ในปี 2004 แสดงให้เห็นว่า สำหรับปัญหาที่ยาก โดยมีตัวแทนที่มีความสามารถจากกลุ่มใหญ่ กลุ่มที่มีความหลากหลายทางปัญญาสามารถทำผลงานได้ดีกว่ากลุ่มที่มีผู้แสดงที่ดีที่สุดแต่ละคน เนื่องจากผู้แสดงที่ดีที่สุดมักคิดเหมือนกันและติดอยู่ในสถานที่เดียวกัน แต่ผลลัพธ์ขึ้นอยู่กับเงื่อนไขของโมเดลเหล่านั้น และการจัดรูปแบบทางคณิตศาสตร์ของมันถูกวิจารณ์อย่างรุนแรง สิ่งที่รอดพ้นจากการตรวจสอบคือความอ่อนแอแต่ยังคงสำคัญ: ในปัญหาที่ซับซ้อน มุมมองที่หลากหลายที่มีข้อผิดพลาดที่ไม่สัมพันธ์กันเพิ่มคุณค่าที่ความสามารถของแต่ละคนไม่สามารถจับได้
ปัจจัย c ในการวิจัยปัญญารวมคืออะไร?
ปัจจัย c คือปัจจัยทั่วไปที่เสนอสำหรับปัญญารวมในทีม เปรียบได้กับปัจจัย g สำหรับบุคคล Woolley และเพื่อนร่วมงาน (Science, 2010) ทดสอบผู้คน 699 คนในกลุ่มเล็ก ๆ ในหลาย ๆ งานและพบว่ามีปัจจัยทางสถิติเดียวที่อธิบายความแปรปรวนประมาณ 43% ในประสิทธิภาพของกลุ่ม อย่างน่าทึ่ง ปัจจัย c มีความสัมพันธ์เพียงเล็กน้อยกับความเฉลี่ยและความฉลาดสูงสุดของสมาชิก — และมีความสัมพันธ์มากขึ้นกับความไวทางสังคมเฉลี่ย ความเท่าเทียมในการผลัดกันพูด และสัดส่วนของผู้หญิงในกลุ่ม
การวิจัยปัจจัย c ได้ถูกทำซ้ำหรือไม่?
นี่คือการถกเถียงทางวิทยาศาสตร์ที่มีชีวิต Credé และ Howardson (2017) ได้วิเคราะห์ซ้ำหกตัวอย่างและโต้แย้งว่าหลักฐานสำหรับปัจจัยทั่วไปนั้นอ่อนแอ Woolley, Kim และ Malone (2018) ตอบว่าการวิจารณ์นั้นอิงจากการให้คะแนนและสมมติฐานการจำลองที่ไม่ตรงกับงาน การวิเคราะห์เมตาในปี 2021 โดย Riedl และเพื่อนร่วมงานใน PNAS ซึ่งครอบคลุม 22 การศึกษาและ 1,356 กลุ่ม พบการสนับสนุนสำหรับปัจจัย c ในกลุ่มนักเรียน ทหาร นักเล่นเกม และประชากรคนทำงานออนไลน์ สนับสนุนโดยการวิเคราะห์เมตาขนาดใหญ่ แต่ยังคงมีการโต้แย้งในโครงสร้างของมัน — นั่นคือสรุปที่ถูกต้อง
ทฤษฎี "ความหลากหลายชนะความสามารถ" ของ Hong-Page คืออะไร?
ในเอกสาร PNAS ปี 2004 Lu Hong และ Scott Page สร้างแบบจำลองการคำนวณของตัวแทนที่แก้ปัญหาที่ยากด้วยอัลกอริธึมที่แตกต่างกัน ภายใต้เงื่อนไขที่กำหนด — ปัญหาที่ยาก ตัวแทนที่มีความสามารถแต่ละคน และกลุ่มใหญ่ให้เลือก — กลุ่มที่เลือกแบบสุ่ม (และดังนั้นจึงมีความหลากหลายทางปัญญา) ทำผลงานได้ดีกว่ากลุ่มที่มีผู้แสดงที่ดีที่สุดแต่ละคน เนื่องจากผู้แสดงที่ดีที่สุดใช้กลยุทธ์ที่คล้ายกันและติดอยู่ที่จุดสูงสุดในท้องถิ่นเดียวกัน นี่คือผลลัพธ์ของโมเดลเกี่ยวกับความหลากหลายในการแก้ปัญหา ไม่ใช่กฎทั่วไปเกี่ยวกับการจ้างงาน
การวิจารณ์ทฤษฎี Hong-Page คืออะไร?
ในปี 2014 นักคณิตศาสตร์ Abigail Thompson ได้เผยแพร่การวิจารณ์ใน Notices of the American Mathematical Society โดยโต้แย้งว่าทฤษฎีทางคณิตศาสตร์ในเอกสารนั้นเป็นเรื่องที่ไม่สำคัญเมื่อมีการเปิดเผยสมมติฐาน และมันถูกติดป้ายผิดว่าเกี่ยวกับความหลากหลาย และการจำลองที่แนบมานั้นไม่สนับสนุนข้อเรียกร้องทางสังคมที่กว้างขวางที่ทำในนามของทฤษฎี ผู้ปกป้อง — รวมถึงการตอบสนองในปี 2017 ใน Critical Review — โต้แย้งว่าข้อโต้แย้งนั้นเข้าใจผิดเกี่ยวกับวิธีการที่แบบจำลองทางการใช้ในสังคมศาสตร์ Scott Page เองได้กำหนดขอบเขตของผลลัพธ์อย่างระมัดระวัง: มันใช้ได้กับปัญหาที่ยาก ตัวแทนที่มีความสามารถ และกลุ่มใหญ่
ทฤษฎีการคาดการณ์ความหลากหลายคืออะไร?
มันคือเอกลักษณ์ทางคณิตศาสตร์ที่ได้รับการเผยแพร่โดย Scott Page ใน The Difference (2007) ซึ่งแยกข้อผิดพลาดในการคาดการณ์ของกลุ่ม: ข้อผิดพลาดที่ยกกำลังสองของกลุ่มเท่ากับข้อผิดพลาดที่ยกกำลังสองของแต่ละบุคคลเฉลี่ยลบด้วยความหลากหลายของการคาดการณ์ ไม่มีอะไรเกี่ยวกับมันที่เป็นข้อถกเถียง — มันคือพีชคณิต การอ่านในทางปฏิบัติ: ฝูงชนมีความแม่นยำมากกว่าสมาชิกเฉลี่ยของมันเมื่อการคาดการณ์ไม่เห็นด้วยอย่างแท้จริง และเมื่อรักษาความแม่นยำของแต่ละบุคคลให้คงที่ ความหลากหลายในการคาดการณ์จะลดข้อผิดพลาดรวมเสมอ
ทีมจะได้รับประโยชน์จากความหลากหลายทางปัญญาได้อย่างไร?
จับคู่ความหลากหลายกับปัญหา: ใช้ข้อมูลที่หลากหลายสำหรับการตัดสินใจที่ซับซ้อน มีผลกระทบ และหลายมิติ และให้ผู้เชี่ยวชาญที่ได้รับการตรวจสอบดูแลเรื่องที่เป็นกิจวัตร รวบรวมการตัดสินใจอย่างอิสระก่อนการอภิปรายกลุ่มเพื่อให้มุมมองยังคงไม่สัมพันธ์กัน สร้างเงื่อนไขที่การไม่เห็นด้วยเป็นสิ่งที่ปลอดภัยและคาดหวัง และประเมินการมีส่วนร่วมตามคุณค่าของพวกเขาแทนที่จะเป็นแหล่งที่มา — วิธีการที่มีโครงสร้างเช่นการทำแผนผังข้อโต้แย้ง ซึ่งข้อโต้แย้งแต่ละข้อได้รับการประเมินตามหลักฐานและเหตุผลแทนที่จะเป็นตำแหน่งของผู้ที่เสนอ มันเปลี่ยนความหลากหลายจากการเสียดสีเป็นข้อมูล
Argumentree Team
Decision Science
The Argumentree team explores the science of better decisions—from 18th-century mathematics to modern AI.
เปลี่ยนมุมมองที่หลากหลายให้เป็นการตัดสินใจที่ดีกว่า
Argumentree รวบรวมข้อมูลอิสระจากผู้มีส่วนได้ส่วนเสียทุกคนและให้คะแนนข้อโต้แย้งตามคุณค่า — ดังนั้นความหลากหลายที่คุณจ้างงานจึงเข้าถึงการตัดสินใจจริงๆ
เริ่มทดลองใช้ฟรี 14 วัน →บทความที่เกี่ยวข้อง
ปัญญาของฝูงชน: วัวของกัลตัน — การทดลองในปี 1906 ที่พิสูจน์ว่าฝูงชนเหนือกว่าผู้เชี่ยวชาญ
ทฤษฎีคณะลูกขุนของคอนดอร์เซ: คณิตศาสตร์อายุ 240 ปีที่อยู่เบื้องหลังการตัดสินใจที่ดีกว่า
เมื่อฝูงชนผิดพลาด: ฟอง, น้ำตก, และความบ้าคลั่งของฝูง
ทั่วทั้งระบบนิเวศกลุ่ม LLM
ทฤษฎีความหลากหลายชนะความสามารถคือเหตุผลที่กลุ่มของ LLM ที่แตกต่างกันชนะ LLM ที่แข็งแกร่งเพียงตัวเดียว