"다양성이 능력을 이긴다"는 의사결정 과학에서 가장 많이 인용되고 가장 논란이 많은 주장 중 하나입니다. 강력한 슬로건은 증거를 초월하지만, 검증을 견디는 약한 주장은 여전히 중요합니다: 복잡한 문제에서 팀의 성과는 가장 똑똑한 구성원보다 구성원들이 다르게 생각하는지 여부와 그 차이가 실제로 의사결정에 도달하는지에 더 의존합니다.
- c 요소: 집단 지능은 구성원의 IQ와 약한 상관관계가 있습니다; 과정(턴 테이킹, 사회적 민감성)이 더 많은 예측을 합니다 — 1,356 그룹 메타 분석에 의해 지지받고 여전히 논의 중입니다.
- 홍-페이지: 다양한 그룹은 어려운 문제에서 "최고의 구성원" 그룹을 이길 수 있습니다 — 모델 조건 하에서, 정리의 수학은 심각한 비판을 받았습니다.
- 확고한 핵심: 다양성 예측 정리 — 집단 오차 = 평균 오차 − 예측 다양성 —는 정체성이지 의견이 아닙니다.
- 실천: 복잡한 의사결정에는 다양성을 사용하고, 일상적인 의사결정에는 전문성을 사용하며, 과정이 분기된 관점이 독립적으로 포착되고 장점에 따라 판단되도록 구조화합니다.
경영 과학에서 가장 매력적인 주장
모든 리더는 간단한 인사 이론의 끌림을 느꼈습니다: 가능한 한 똑똑한 사람들을 고용하고, 그들을 한 방에 모으면 최고의 결정이 뒤따를 것입니다. 이는 명백하다는 장점이 있습니다. 그러나 최선의 경우에도 반만 진실이라는 단점이 있습니다. 지난 20년 동안, 집단 지능에 대한 연구가 불편한 발견으로 수렴되었습니다: 팀의 지능은 구성원의 지능의 합계나 최대치가 아닙니다. 다른 무언가가 많은 작업을 수행하고 있으며, 그 무언가는 차이와 매우 유사합니다: 다른 정보, 다른 휴리스틱, 다른 잘못된 방식.
그 발견은 슬로건으로 굳어졌습니다 — “다양성이 능력을 이긴다” — 그리고 슬로건이 하는 대로, 조건에서 분리되어 키노트 덱으로 떠돌았습니다. 반발도 마찬가지로 광범위하여, 전체 연구 라인을 정치화된 수학으로 일축했습니다. 두 극단 모두 잘못되었으며, 중간의 진실은 진정으로 유용합니다. 이 기사는 주장을 뒷받침하는 두 가지 연구 프로그램 — 집단 지능 "c 요소"와 홍-페이지 정리 —를 살펴보며, 일반적으로 생략되는 비판을 포함하고, 신중한 독자가 실제로 채용이나 팀 설계 결정에 가져갈 수 있는 것으로 끝납니다.
c 요소: 팀은 고유한 지능을 가집니다
2010년, Anita Williams Woolley, Christopher Chabris, Alex Pentland, Nada Hashmi, Thomas Malone은 Science에 연구를 발표했습니다. 그 연구는 속임수처럼 간단한 질문을 던졌습니다: 개인이 일반 지능 요소(심리 측정 g)를 가지고 있다면, 그룹도 하나를 가지고 있을까요? 그들은 2~5명으로 구성된 그룹에서 699명을 대상으로 다양한 작업 — 브레인스토밍, 도덕적 추론, 협상, 퍼즐 —을 수행하게 한 후, 한 종류의 작업에서 그룹의 성과가 다른 작업의 성과를 예측하는지 확인했습니다.
그렇습니다. 그들이 c라고 부른 단일 통계 요소는 작업 전반에 걸쳐 그룹 성과의 약 43%의 변동성을 설명했습니다. 놀라운 점은 c가 추적하지 않는 것이었습니다: 그것은 그룹 구성원의 평균 지능과 가장 똑똑한 구성원의 지능과 약한 상관관계를 가졌습니다. 대신 c를 예측한 것은 그룹 자체의 세 가지 속성이었습니다: 구성원의 평균 사회적 민감성(Reading the Mind in the Eyes 테스트로 측정됨), 대화 턴 테이킹의 평등성 — 한두 개의 목소리에 의해 지배되는 그룹은 낮은 점수를 받았습니다 — 그리고 그룹 내 여성의 비율로, 이는 사회적 민감성에 의해 통계적으로 매개되었습니다.
주의 깊게 읽어보면, 이는 능력이 중요하지 않다는 주장이 아닙니다. 팀 수준에서 능력이 병목 현상이 아니라는 주장입니다. 병목 현상은 그룹이 구성원이 아는 것을 추출하고 결합할 수 있는지 여부입니다 — 이는 개인의 두개골이 아닌 과정의 속성입니다.
키노트에서 듣지 못하는 복제 전투
c 요소는 진정한 과학적 전투를 겪었으며, 정직함은 이를 보고해야 합니다. 2017년, Marcus Credé와 Garett Howardson은 여섯 개의 이전에 발표된 샘플의 데이터를 재분석하고 일반 집단 지능 요소에 대한 경험적 지지가 약하다고 주장했습니다 — 단일 요소가 많은 그룹 작업에서 변동성을 거의 설명하지 않으며, 이 구성은 점수 선택의 인공물일 수 있습니다. Woolley, Yeonjeong Kim, Malone은 2018년에 응답하며 비판이 그룹이 실제로 수행한 작업과 일치하지 않는 점수 절차와 시뮬레이션 가정에 기반하고 있다고 주장했습니다.
그 이후 가장 실질적인 증거는 2021년 PNAS에 Christoph Riedl, Young Ji Kim, Pranav Gupta, Thomas Malone, Anita Woolley가 발표한 메타 분석으로, 22개 연구와 1,356개 그룹 — 대학생, 군인, 온라인 근로자, 게이머를 포함합니다. 이들은 이러한 집단에서 c 요소에 대한 일관된 증거를 발견했으며, 그룹 협력 과정과 구성원 기술 모두 기여하고 있습니다. 실무자는 어디에 남아 있습니까? 이 구성은 대규모 메타 분석에 의해 지지받고 있으며 여전히 그 구조에 대해 논의되고 있습니다 — 대략 g가 수십 년 동안 있었던 위치입니다. 심각하게 논의되지 않는 것은 기본 패턴입니다: 구성원의 IQ는 팀 성과의 예측자가 놀랍도록 좋지 않으며, 상호작용 과정은 놀랍도록 좋은 예측자입니다.
“다양성이 능력을 이긴다”: 홍과 페이지가 실제로 증명한 것
다양성 주장의 두 번째 기둥은 경제학과 복잡성 과학에서 나옵니다. 2004년, Lu Hong과 Scott Page는 PNAS에 "다양한 문제 해결자 그룹이 높은 능력의 문제 해결자 그룹을 능가할 수 있다"는 기억에 남는 제목의 논문을 발표했습니다. 그들은 서로 다른 문제 해결 휴리스틱을 갖춘 에이전트가 험난한 솔루션 경관을 탐색하는 계산 모델을 구축했습니다. 각 에이전트는 갇힐 때까지 올라갑니다; 그런 다음 다른 에이전트가 그 지점에서 다른 움직임으로 인수합니다.
결과: 모델의 조건 하에서, 무작위로 선택된 에이전트 그룹 — 무작위 선택은 휴리스틱 다양성을 보장합니다 —은 개별적으로 가장 잘 수행하는 에이전트로 구성된 그룹을 능가했습니다. 이 메커니즘은 직관적입니다: 최고의 개별 수행자는 유사한 휴리스틱을 배운 경향이 있으므로 동일한 지역 최적점에 갇힙니다. 그러나 얼마나 재능이 있든 클론 팀은 하나의 마음처럼 탐색합니다. 다양한 팀의 구성원은 각자의 막다른 길에서 서로를 구출합니다.
하지만 조건이 중요하며, 페이지 자신이 그의 대중화자보다 더 명확하게 설명했습니다: 문제는 진정으로 어렵고 (어떤 개인도 혼자서는 해결할 수 없습니다), 에이전트는 모두 합리적으로 유능해야 합니다 (무능한 사람들 사이의 다양성은 도움이 되지 않습니다), 팀이 뽑히는 풀은 커야 하며, 설정은 에이전트가 서로의 입장을 기반으로 구축하는 반복적인 문제 해결이어야 합니다. “어떤 다양한 그룹이든 어떤 전문가 그룹을 이긴다”는 것이 증명된 것이 아니며, 그렇게 다루는 것은 주장을 실패하게 만듭니다.
반격: 공격받는 정리
2014년, 수학자 Abigail Thompson은 Notices of the American Mathematical Society (vol. 61, no. 9, pp. 1024–1030)에 "다양성이 능력을 이긴다? 사회 과학에서 수학의 오용 사례"라는 제목의 날카로운 비판을 발표했습니다. 그녀의 주장은 두 가지 측면이 있었습니다. 첫째, 홍-페이지 논문의 공식 정리는 그 가정이 풀리면 거의 사소한 것과 가깝습니다 — 그녀의 해석에 따르면, 조건이 결론을 효과적으로 내장하고 있으며, 수학적 내용은 그것에 부여된 사회적 무게에 비해 얇습니다. 둘째, 더 넓은 주장을 뒷받침하는 시뮬레이션은 매개변수 선택에 민감하며, 그로부터 도출된 광범위한 결론을 정당화하지 않습니다.
이 비판은 자체적인 반응을 불러일으켰습니다. 2017년 Critical Review에 Daniel Kuehn의 논문은 Thompson의 수학적 반대가 여러 면에서 잘못되었거나 오해의 소지가 있거나 공식 모델이 사회 과학에서 어떻게 작동하는지와 관련이 없다고 주장했습니다 — 모델의 가치는 고립된 메커니즘이지 증명의 깊이가 아닙니다. 과학 철학자들은 Daniel Singer를 포함하여 다양성의 가치를 수정된 형태로 유지하는 관련 모델을 개발했습니다.
우리의 해석은 실무자가 필요로 하는 것입니다: 정리는 제목보다 약하고, 메커니즘은 실제로 관찰 가능하며, 광범위한 슬로건은 조건부 주장으로 대체되어야 합니다. 당신이 어려운 다차원 문제에 직면하고 후보 풀의 깊이가 깊을 때, 보완적인 사고 방식을 위해 선택된 팀은 종종 개별 점수에 따라 선택된 팀보다 솔루션 공간을 더 잘 탐색합니다 — 왜냐하면 개별 점수는 비슷하게 생각하는 사람들을 클러스터링하기 때문입니다. 그 주장은 과도한 정리가 필요하지 않으며, 다음 섹션은 그 이유를 보여줍니다.
누구도 논쟁하지 않는 수학: 다양성 예측 정리
논란이 있는 모델을 제거하면 누구도 논쟁하지 않는 수학의 한 조각이 남습니다. 이는 정체성입니다 — 대수학이지 경험적이지 않습니다. Scott Page는 이를 다양성 예측 정리라고 부릅니다(2007년 The Difference에서). 수치 추정을 하는 모든 그룹에 대해, 오류는 진실에서의 제곱 거리로 측정됩니다:
집단 오차 = 평균 개인 오차 − 예측 다양성
여기서 예측 다양성은 그룹의 평균 추정치 주위의 개인 추정치의 분산입니다.
두 가지 결과가 즉시 도출됩니다. 첫째, 그룹의 집합적 추정치는 항상 평균 구성원만큼 정확합니다 — 군중은 일반 개인보다 나쁠 수 없지만, 최고의 개인보다 나쁠 수 있습니다. 둘째, 개인의 정확성을 고정하면, 진정한 이견의 모든 증가는 기계적으로 집단 오차를 줄입니다. 다양성은 이 방정식에서 기분 좋은 보너스가 아닙니다; 그것은 두 개의 항 중 하나입니다. 정확한 클론 그룹과 적당히 정확한 반대 그룹은 서로 다른 경로로 동일한 집단 오차에 도달할 수 있습니다.
문제는 — 그리고 이는 이 모든 연구를 관통하는 동일한 문제입니다 — 진정한이라는 단어입니다. 이 정리는 예측의 다양성을 보상하며, 이는 정보와 모델의 다양성을 요구합니다. 모든 사람이 동일한 세 가지 출처를 읽으면, 그들의 예측은 함께 모여 다양성 항이 무너지고 군중은 메아리로 전락합니다. 이는 군중의 지혜 문헌에서 문서화된 실패 모드입니다: 상관관계가 있는 오류는 상쇄되지 않고, 복합됩니다.
다양성이 도움이 될 때
문제는 복잡하고 다차원적입니다.
전략, 제품 디자인, 정책, 새로운 상황의 진단 — 단일 관점으로는 전체 풍경을 볼 수 없는 문제들. 서로 다른 휴리스틱은 서로 다른 지점에서 막히기 때문에, 한 구성원의 막다른 길은 다른 구성원의 출발점이 된다.
오류는 상관관계가 없습니다.
집단 정확성의 수학적 원리는 오류 상쇄입니다. 구성원들이 서로 다른 정보 출처와 서로 다른 사고 모델을 활용하면, 그들의 실수는 서로 다른 방향을 가리키고 집합적으로 부분적으로 상쇄됩니다.
다양성은 진정으로 인지적이다
다른 훈련, 다른 산업, 다른 지역 지식, 다른 도구 키트. 예측과 문제 해결에 중요한 것은 사람들이 생각하는 방식의 다양성입니다 — 동일한 출처에서 추론하는 모든 사람을 남겨두는 종이상의 다양성이 아닙니다.
이 과정은 다양한 관점이 드러나게 합니다.
울리의 연구는 과정에 주목합니다: 동등한 차례 교대와 사회적 민감성이 그룹 성과를 예측했습니다. 한 명의 큰 목소리에 지배되는 다양한 팀은 한 팀처럼 행동합니다.
그렇지 않을 때 — 슬로건이 빠뜨린 부분
정직한 설명은 비용을 포함해야 합니다. 왜냐하면 그것들은 실제로 존재하며, 이들은 이론이 그들을 선호하더라도 다양한 팀이 동질적인 팀보다 때때로 성과가 떨어지는 이유입니다.
조정 비용이 이익을 초과합니다.
다양한 그룹은 공유 언어와 신뢰를 구축하는 데 더 오랜 시간이 걸립니다. 일상적이고 잘 이해된 실행 작업의 경우, 그 오버헤드는 거의 도움이 되지 않습니다 — 찾을 숨겨진 관점이 없습니다.
심리적 안전이 없습니다.
다양한 견해는 발언될 때만 도움이 된다. 이견을 제시하는 것이 위험하게 느껴지는 팀에서는 다양성이 침묵과 마찰을 초래하며, 이는 정보 없이 발생하는 비용이다.
문제에는 알려진 최상의 방법이 있습니다.
한 사람이 명확하고 검증된 전문성을 가지고 있고 그 작업이 그들의 영역에 있을 때, 목소리를 추가하는 것은 소음을 더합니다. 전문성은 진정으로 다루는 결정을 이끌어야 합니다.
조직 문헌 전반에 걸친 패턴은 모델과 일치합니다: 다양성의 이점은 작업 복잡성과 과정 품질에 따라 달라지며, 그 비용은 선행적으로 발생합니다(조정, 갈등, 느린 규범 형성) 반면 이점은 후행적으로 발생합니다(더 나은 탐색, 더 적은 맹점). 조기에 포기하는 팀은 비용을 포착하고 보상을 놓칩니다.
인지적 다양성은 인구 통계적 다양성이 아닙니다
이 논쟁을 정직하게 유지하는 구별: 위의 연구는 인지적 (또는 인식론적) 다양성에 관한 것입니다 — 정보, 훈련, 휴리스틱 및 정신 모델의 차이. 인구 통계적 다양성은 다른 변수입니다. 두 가지는 실제 세계에서 상관관계가 있지만, 삶의 경험이 정보와 관점을 형성하기 때문에 서로 바꿔 사용할 수는 없으며, 가장 강력한 연구 효과는 인지적 종류에 부착됩니다. 동일한 출처와 동일한 훈련을 사용하는 인구 통계적으로 다양한 팀은 인지적으로 균일할 수 있습니다; 인구 통계적으로 유사한 팀은 모든 중요한 사항에 대해 이견이 있는 엔지니어, 변호사 및 현장 운영자를 포함할 수 있습니다. 또한 Woolley의 c 요소와 상관관계가 있는 사회적 민감성과 턴 테이킹은 과정에 관한 것이지 두 가지 종류의 구성에 관한 것이 아닙니다. 이 구별과 그 뒤에 있는 연구에 대한 더 깊은 설명은 인식론적 다양성에 대한 우리의 가이드를 참조하십시오.
실제로 해야 할 일: 팀 구성 및 운영
이 연구의 방어 가능한 핵심을 실제로 번역하면 슬로건보다 인용하기는 덜하지만 훨씬 더 강력한 조언이 나옵니다:
인사하기 전에 결정을 정렬합니다
복잡하고 결과가 중요한 다차원적 결정은 다양한 그룹을 받습니다. 한 사람의 검증된 전문성 내의 일상적인 결정은 전문가를 받습니다. 다양성을 무차별적으로 적용하면 정보 보상 없이 조정 비용을 발생시킵니다.
보완적인 휴리스틱을 위해 모집합니다
네 번째 분석가를 채용할 때, 질문은 "그녀가 가장 똑똑한 지원자인가?"가 아니라 "그녀가 처음 세 명과 다른 방식으로 생각하는가?"입니다. 한정된 가치는 탐색되지 않은 영역을 커버하는 데서 나옵니다.
토론 전에 독립성을 보호합니다
그룹이 모이기 전에 개별적으로 추정치와 주장을 서면으로 수집하십시오. 예측 정리에 있는 다양성 용어는 사회적 영향이 그것들을 평평하게 만들기 전에 의견이 형성될 때만 존재합니다.
명단뿐만 아니라 프로세스를 설계하십시오
Woolley의 상관관계는 프로세스 변수입니다: 균형 잡힌 턴 테이킹, 서로의 신호에 대한 주의. 단일화된 방식으로 운영되는 다양한 명단은 동질적인 명단처럼 수행됩니다. 모든 관점이 실제로 추출되도록 참여를 구조화하십시오.
다양한 입력을 중요하게 만드는 것: 곱셈기로서의 구조
위의 모든 실용적인 권장 사항이 다양성을 포착하는 것에 관한 것임을 주목하십시오. 그것이 구조화된 방법이 가치를 얻는 곳입니다. 논증 맵에서 각 이해관계자는 회의가 선두주자로 수렴하기 전에 독립적으로 자신의 추론을 기여하며, 모든 주장은 제공한 사람의 연공서열이 아니라 평가된 장점에 따라 서거나 무너집니다. 이는 한 자심 있는 목소리가 다양한 방을 동질화할 수 있게 하는 지위-영향 링크를 끊습니다.
Argumentree는 협업적 의사결정을 위해 정확히 이 패턴을 구현합니다: 비동기적으로 독립적으로 수집된 다중 이해관계자 입력, 공유된 찬반 트리로 조직된 주장, 그리고 다차원 평가(유용성, 명확성, 정확성, 완전성)가 합의 점수로 집계됩니다. 당신의 채용이 생성한 다양성은 당신의 결정이 실제로 사용하는 정보가 되며, 어떤 관점이 결과를 형성했는지를 보여주는 전체 감사 추적이 있습니다. 그리고 기여는 66개 언어로 이루어질 수 있기 때문에, 관점의 풀은 회의 언어에 유창한 사람들로 제한되지 않습니다.
이 기사가 의존하는 연구의 더 긴 아크 — Condorcet의 배심원 정리에서 오늘날의 인간-AI 팀까지 — 에 대한 우리의 동반 기사를 참조하십시오, 집단 지능: 240년의 연구.
자주 묻는 질문
팀에서 다양성이 정말로 능력을 이길까요?
때때로, 특정 조건 하에서 — 그리고 솔직한 대답은 강력한 슬로건이 증거를 초월한다는 것입니다. Hong과 Page의 2004년 모델은 능력 있는 에이전트가 대규모 풀에서 뽑힌 경우, 인지적으로 다양한 그룹이 개별적으로 가장 잘 수행하는 그룹보다 더 나은 성과를 낼 수 있음을 보여주었습니다. 왜냐하면 최고의 수행자는 비슷하게 생각하고 같은 장소에 갇히는 경향이 있기 때문입니다. 그러나 결과는 이러한 모델 조건에 따라 달라지며, 그 수학적 공식은 심각한 비판을 받았습니다. 검토를 견디는 것은 약하지만 여전히 중요합니다: 복잡한 문제에서 상관되지 않은 오류를 가진 다양한 관점은 개인의 능력만으로는 포착할 수 없는 실제 가치를 더합니다.
집단 지능 연구에서 c 요인은 무엇인가요?
c 요인은 팀을 위한 제안된 일반 집단 지능 요인으로, 개인의 g 요인에 유사합니다. Woolley와 동료들(Science, 2010)은 많은 작업에서 소규모 그룹의 699명을 테스트하고 그룹 성과의 분산의 약 43%를 설명하는 단일 통계적 요인을 발견했습니다. 놀랍게도, c는 구성원의 평균 및 최대 지능과는 약하게 상관되었고 — 평균 사회적 민감성, 대화 턴 테이킹의 평등, 그룹 내 여성의 비율과는 더 강하게 상관되었습니다.
c-요인 연구가 복제되었나요?
현재 진행 중인 과학적 논쟁입니다. Credé와 Howardson(2017)은 여섯 개 샘플을 재분석하고 일반 요인에 대한 증거가 약하다고 주장했습니다. Woolley, Kim, 그리고 Malone(2018)는 비판이 작업과 일치하지 않는 점수 및 시뮬레이션 가정에 기반하고 있다고 응답했습니다. Riedl과 동료들이 PNAS에서 실시한 2021년 메타 분석은 22개의 연구와 1,356개의 그룹을 포함하여 학생, 군인, 게이머, 온라인 근로자 집단에서 c 요인에 대한 지지를 발견했습니다. 대규모 메타 분석에 의해 지지되지만, 여전히 그 구조에 대해 논란이 있는 — 그것이 정확한 요약입니다.
Hong-Page의 "다양성이 능력을 이긴다" 정리는 무엇인가요?
2004년 PNAS 논문에서 Lu Hong과 Scott Page는 서로 다른 휴리스틱을 사용하여 어려운 문제를 해결하는 에이전트의 계산 모델을 구축했습니다. 특정 조건 하에서 — 어려운 문제, 개별적으로 유능한 에이전트, 그리고 선택할 수 있는 대규모 풀 — 무작위로 선택된 (따라서 인지적으로 다양한) 그룹이 개별적으로 가장 잘 수행하는 그룹보다 더 나은 성과를 냈습니다. 왜냐하면 최고의 수행자는 유사한 휴리스틱을 사용하고 같은 지역 최적점에 갇히기 때문입니다. 이것은 문제 해결의 다양성에 대한 모델 결과이지, 채용에 대한 포괄적인 법칙이 아닙니다.
Hong-Page 정리에 대한 비판은 무엇인가요?
2014년 수학자 Abigail Thompson은 미국 수학회 공지에 비판을 발표하며 논문의 수학 정리가 그 가정이 풀리면 본질적으로 사소하다고 주장했습니다. 그것은 다양성에 관한 것이라고 잘못 라벨링되었으며, 동반된 시뮬레이션이 정리에 대한 광범위한 사회적 주장을 지지하지 않는다고 주장했습니다. 방어자들 — 2017년 Critical Review에서의 응답을 포함하여 — 는 반대 의견이 사회 과학에서 공식 모델이 어떻게 사용되는지를 잘못 해석했다고 반박했습니다. Scott Page 자신은 결과를 신중하게 범위 설정합니다: 그것은 어려운 문제, 유능한 에이전트, 그리고 대규모 풀에 대해 유효합니다.
다양성 예측 정리는 무엇인가요?
그것은 Scott Page가 The Difference(2007)에서 대중화한 수학적 정체성으로, 그룹 예측 오류를 분해합니다: 집단의 제곱 오류는 평균 개인 제곱 오류에서 예측의 다양성을 뺀 것입니다. 그것에 대한 논란은 없습니다 — 그것은 대수입니다. 그것의 실용적인 해석: 군중은 예측이 실제로 불일치할 때 평균 구성원보다 더 정확하며, 개인의 정확성을 일정하게 유지할 때, 더 많은 예측 다양성은 항상 집단 오류를 줄입니다.
팀이 인지적 다양성으로부터 실제로 어떻게 이익을 얻을 수 있나요?
문제에 다양성을 맞추십시오: 복잡하고 중요한 다차원 결정에 다양한 입력을 사용하고, 검증된 전문성이 일상적인 것들을 처리하도록 하십시오. 그룹 토론 전에 독립적으로 판단을 수집하여 관점이 상관되지 않도록 하십시오. 반대가 안전하고 예상되는 조건을 만드십시오. 그리고 기여를 출처가 아니라 장점에 따라 평가하십시오 — 모든 주장이 제공한 사람의 순위가 아니라 증거와 추론에 따라 평가되는 구조화된 방법(예: 논증 맵핑)은 다양성을 마찰에서 정보로 전환합니다.
Argumentree Team
Decision Science
The Argumentree team explores the science of better decisions—from 18th-century mathematics to modern AI.
다양한 관점을 더 나은 결정으로 전환하십시오.
Argumentree는 모든 이해관계자로부터 독립적인 입력을 수집하고 주장을 장점에 따라 평가합니다 — 그래서 당신이 고용한 다양성이 실제로 결정에 도달합니다.
무료 14일 체험 시작 →