Эван Санволл** 20 октября 2023**
Примечание к переводу: Данный материал представляет собой перевод статьи Эвана Санволла, опубликованной Nielsen Norman Group 20 октября 2023 года. В текст добавлены комментарии переводчика о применении искусственного интеллекта для преодоления описанных когнитивных искажений. Эти дополнения отмечены как “От переводчика”.
Резюме: Команды часто принимают худшие решения, чем отдельные люди, полагаясь слишком сильно на широко известные данные и игнорируя информацию, которой владеют лишь некоторые участники.
“Никто из нас не так умен, как все мы вместе” — известная цитата консультанта по управлению Кеннета Бланшара. Она отражает интуитивное и распространенное мнение, что команды умнее и способнее, чем отдельные люди. У команд больше интеллектуальных ресурсов, знаний и опыта. Когда вы сталкиваетесь со сложным решением, вы хотите, чтобы команда — а не один человек — анализировала, обсуждала и разрешала ситуацию.
Но является ли превосходство командного принятия решений реальностью или мифом? Исследования в области поведенческой психологии показывают, что ответ не так прост, как может показаться.
Эффект общего знания
Психологи Гарольд Штассер и Уильям Титус обнаружили, что команды часто не реализуют свой потенциал в принятии решений. Вместо того чтобы использовать коллективные ресурсы участников для принятия обоснованных решений, команды тратят большую часть времени на обсуждение информации, которую все уже знают, и недостаточно времени на уникальную информацию, что приводит к принятию некачественных решений. Этот феномен, препятствующий командному принятию решений (лишь одна из многих проблем, таких как групповое мышление), был последовательно подтвержден исследователями психологии на протяжении четырех десятилетий.
Эффект общего знания: когнитивное искажение в принятии решений, при котором команды чрезмерно подчеркивают информацию, известную большинству членов команды, вместо того чтобы искать и включать уникальные знания отдельных членов команды.
От переводчика: Интересно отметить, что современные системы искусственного интеллекта могут помочь выявить эффект общего знания в режиме реального времени. ИИ способен отслеживать, какая информация повторяется многократно в ходе обсуждения, а какая упоминается редко или не упоминается вовсе, несмотря на её потенциальную ценность. Такой анализ может визуализироваться в виде “тепловой карты” обсуждения, что помогает команде осознать свои информационные слепые пятна.
Давайте рассмотрим сценарий, демонстрирующий, как эффект общего знания может препятствовать принятию решений в вашей команде.
Сценарий
Предположим, вы UX-лидер в компании-разработчике программного обеспечения. Вы и ваши коллеги должны решить, какой из трех возможных проектов — A, B или C — реализовать в следующем году. Поскольку это стратегическое решение требует координации между отделами и значительных инвестиций, каждый проект был тщательно изучен. О каждом проекте известно множество фактов.
Для создания этого сценария мы использовали ChatGPT, чтобы сгенерировать правдоподобные фактические утверждения для каждого программного проекта. Утверждения касались инженерных аспектов, управления продуктом или вопросов пользовательского опыта. Все утверждения могли быть либо положительными, либо отрицательными. Положительные утверждения предполагали, что проект будет выгодным, прибыльным или полезным для организации. Отрицательные утверждения предполагали, что проект будет сложным, дорогостоящим или вредным для организации. В рамках запроса на генерацию утверждений ChatGPT было поручено использовать анализ тональности для создания утверждений, примерно эквивалентных по степени позитивности или негативности. (Например, мы не хотели такого утверждения, как “Ожидается, что этот проект принесет миллиарды долларов дохода”, поскольку это сделало бы выбор проекта слишком простым).
Утверждения:
Проект AПроект BПроект CПоложительные474Отрицательные636
На основе этого распределения утверждений легко определить, что проект B является оптимальным выбором: у него больше всего положительных и меньше всего отрицательных утверждений по сравнению с другими проектами.
От переводчика: Примечательно, что в этом эксперименте был использован ИИ (ChatGPT) для генерации сбалансированных утверждений. Это демонстрирует, как ИИ может помочь в создании непредвзятых материалов для принятия решений. В реальных условиях системы ИИ могли бы помочь командам не только генерировать более объективные данные о проектах, но и обрабатывать их без предвзятости, которая характерна для человеческого мышления.
Индивидуальное принятие решений
Затем мы использовали этот сценарий в цифровом опросе с 307 участниками в апреле 2023 года. Большинство участников были дизайнерами или UX-исследователями.
Мы представили вышеописанный сценарий и дали участникам 10 минут на изучение всех утверждений для каждого проекта. Инструмент опроса требовал, чтобы все участники просматривали утверждения в течение 10 минут перед отправкой своего решения о том, какой проект следует выбрать, чтобы обеспечить стандартизированное время для оценки. Все утверждения были перечислены в случайном порядке под соответствующим проектом без указания положительности или отрицательности утверждения. Мы также сообщили участникам, что из трех доступных проектов один объективно оптимален по сравнению с другими, и им следует сосредоточиться на определении этого идеального решения на основе предоставленных утверждений.
Когда были представлены все доступные утверждения о проектах, 80% участников выбрали Проект B как рекомендуемый проект, что действительно было оптимальным выбором. Конечно, в реальном мире у нас никогда не бывает совершенной и полной информации относительно наших решений, но эта обратная связь убеждает нас, что если все эти утверждения о проектах проанализированы, то проект B обычно рассматривается как лучший.
Командное принятие решений
Интересное явление происходит, когда этот сценарий предлагается командам. Если каждому члену команды предоставляются все утверждения о проектах, то команда может соответствовать эффективности принятия решений отдельного человека (около 80%). Но что, если информация не распределяется равномерно между всеми членами команды? Информационная асимметрия распространена в рабочей среде UX. Отделы и их руководители имеют разные области знаний, оцениваются по различным показателям и целям, и могут иметь личные планы, влияющие на то, что они раскрывают другим. Кроме того, организация может быть менее эффективной в получении новых данных через исследования, или ее корпоративная культура может способствовать секретности и препятствовать обмену знаниями.
Более того, члены команды часто имеют сформированные предпочтения, которые влияют на их принятие решений с высокими ставками. Люди оценивают то, что они знают о ситуации, находятся под влиянием своих мотиваций и предубеждений (как сознательных, так и бессознательных) и формируют мнения до обсуждения с другими.
С этим пониманием мы представили участникам нашего курса “Компромиссы в дизайне и принятие решений в UX” следующий скорректированный сценарий, который имитирует реальный процесс принятия решений в команде:
-
Каждому члену команды была дана часть утверждений о проектах. (Все утверждения оставались идентичными тем, что использовались в опросе по индивидуальному принятию решений).
-
Утверждения о проектах были распределены неравномерно:
Проекты A и C имели все свои положительные утверждения, которыми поделились со всеми членами команды. Их отрицательные утверждения были разделены между членами команды.
-
Проект B имел все свои отрицательные утверждения, которыми поделились со всеми членами команды. Большинство его положительных утверждений были разделены между членами команды.
-
Каждому члену команды было дано время для приватного просмотра утверждений о своем проекте и решения, какой проект лучше. Члены команды могли делать личные заметки и использовать их в последующих командных обсуждениях.
-
После этого члены команды собирались вместе и им давалось 10 минут на то, чтобы поделиться, обсудить и определить лучший проект.
Если команда способствует обмену знаниями и учится на уникальной информации каждого члена — как должен происходить идеальный процесс командного принятия решений — она, вероятно, определит и выберет проект B как оптимальный выбор. Однако, если команда склоняется к преждевременному построению консенсуса и общеизвестным фактам, она, вероятно, выберет вместо этого неоптимальные проекты A или C.
Проект B имел недостатки, которые были широко известны всем членам команды, в то время как многие его преимущества были известны только некоторым отдельным лицам. Это распределение делало проект B непривлекательным для отдельных лиц, но на самом деле он является оптимальным выбором для команды.
Когда мы представляем этот сценарий в нашем курсе “Компромиссы в дизайне и принятие решений в UX”, процентные соотношения варьируются от одного занятия к другому, но результаты обычно одинаковы: большинство команд не могут эффективно провести обсуждение принятия решений. Команды выбирают оптимальный проект со значительно меньшей частотой по сравнению с отдельными лицами.
От переводчика: Этот эксперимент демонстрирует ценность, которую может принести непредвзятый ИИ в командное принятие решений. Представьте себе ИИ-систему, которая могла бы:
-
Анонимно собирать уникальную информацию от каждого члена команды
-
Систематизировать её и делать доступной для всех без указания источника
-
Выделять информацию, которая упоминается редко, но может быть критически важной
-
Выявлять противоречия в данных и стимулировать их обсуждение
Такой подход позволил бы минимизировать эффект статуса и существующих предпочтений, сосредоточив внимание команды на объективной оценке всей доступной информации.
Почему возникает эффект общего знания?
Принятие решений по своей природе сложно, а вовлечение большего числа людей делает его еще более сложным. Смесь индивидуальных черт, групповой динамики и социальной иерархии может способствовать эффекту общего знания, когда вовлечено несколько человек. Эксперт по коммуникации Гвен Виттенбаум разработала структуру для категоризации многих факторов, влияющих на обмен информацией в группах:
Доступность информации и память
-
Мы с большей вероятностью вспомним и обсудим недавнюю или запоминающуюся информацию.
-
Общеизвестная информация имеет больше возможностей быть поделенной с командой, поскольку ею обладают несколько членов команды. Уникальная информация зависит от того, поделится ли ею отдельный человек.
-
Как только информация передана команде, ее, как правило, повторяют другие, что повышает ее воспринимаемую достоверность.
Предпочтительное искажение
-
Мы с большей вероятностью обсудим информацию, которая соответствует нашим первоначальным предпочтениям или предвзятым представлениям.
-
Даже когда вся информация доступна группе, мы все равно обрабатываем эту информацию в соответствии с нашими первоначальными предпочтениями.
Социальное сравнение
-
Мы стремимся к социальному принятию и избегаем конфликтов с товарищами по команде. Мы склонны принимать преобладающее мнение группы при оценке информации в неясных ситуациях.
-
Информация, знакомая нескольким членам команды, становится социально проверенной и с большей вероятностью будет повторяться и подтверждаться.
От переводчика: Эти факторы, описанные Виттенбаум, подчеркивают ценность систем ИИ в процессах принятия решений. ИИ не подвержен социальному давлению, не имеет потребности в социальном одобрении и не страдает от предвзятости предпочтений в той же степени, что и люди. Кроме того, ИИ может помочь преодолеть ограничения человеческой памяти, фиксируя и систематизируя всю доступную информацию, включая ту, которая может быть упущена из-за ограничений когнитивных ресурсов участников обсуждения.
Почему эффект общего знания важен для UX
Эффект общего знания имеет реальное влияние на UX-специалистов по нескольким причинам:
-
Вы часто принимаете командные решения. Даже для тактических решений малого масштаба UX требует сотрудничества с другими отделами, чтобы увидеть, как их идеи или дизайны реализуются. Создание цифрового опыта требует командной работы.
-
Вас часто меньше по численности. UX-специалистов обычно меньше по сравнению с другими группами, такими как разработчики. Следовательно, если UX-знания не распространяются и не социализируются регулярно, такая информация уникальна и не является общеизвестной для других членов команды.
-
Вы часто аутсайдер. Особенно в организациях с низкой зрелостью UX, с новыми UX-ролями или отделами, UX может быть “когнитивно периферийной” группой, что означает, что ей может не хватать знаний, известных другим членам команды. Исследование Сюзанны Абеле и коллег показало, что члены, которые делятся большим количеством знаний с другими членами команды, были “когнитивно центральными” и рассматривались как более авторитетные и влиятельные в дискуссиях. Члены команды с преимущественно уникальными знаниями изо всех сил пытались успешно убедить своих коллег по команде.
Как смягчить эффект общего знания
Вот несколько советов, как UX-специалисты могут смягчить эффект общего знания при групповом принятии решений:
-
Создавайте психологическую безопасность. Несмотря на то, что это отличная возможность для обучения, результаты UX-исследований могут разочаровать или расстроить статус-кво организации. Делиться такой несогласной информацией сложно, если среда кажется недружелюбной. Лидеры должны моделировать и нормализовать взаимное уважение и открытое общение со своими командами.
-
Осознавайте дисбаланс ролевой власти. Лидеры, которые включаются в командное принятие решений, искажают обмен информацией; делегируйте изучение сложных решений командам равных.
-
Обсуждение лично не превосходит онлайн. Согласно исследованию Саймона Лама и Джона Шауброека, виртуальные команды с большей вероятностью преодолеют эффект общего знания по сравнению с очными командами, возможно, из-за более легкого доступа к заметкам и материалам.
-
Игнорируйте прошлые мнения. Настоятельно поощряйте коллег (особенно себя) отложить в сторону предвзятые идеи о лучшем выборе. Этот подход довольно сложен, но исследование Торстена Раймера, Андреа Раймер и Верлина Б. Хинша предполагает, что преждевременные суждения разрушают наши способности принятия решений. В их исследовании команды, члены которых избегали поспешных суждений перед обсуждением, с большей вероятностью преодолевали эффект общего знания и принимали оптимальные решения.
От переводчика: Этот пункт особенно интересен в контексте применения ИИ. Современные ИИ-системы могут помочь командам структурировать процесс принятия решений таким образом, чтобы формирование мнений происходило только после анализа всех доступных данных. Например, ИИ может сначала собрать все факты анонимно, организовать их в логические категории, и только затем предложить участникам высказать свои предпочтения на основе полной картины.
-
Объединяйтесь вокруг общих целей. Поскольку человеческая природа склонна к фракционности, UX-специалисты могут ожидать соперничества между отделами. Но команда продукта не обязательно добивается успеха, повторно используя наибольшее количество кода, будучи первой в выпуске нового продукта или полностью реализуя дизайн с точностью до пикселя. Напомните членам команды о KPI и целях, актуальных для всех вовлеченных, чтобы нарушить разрозненное мышление и повестки дня, которые могут препятствовать обмену информацией.
-
Напоминайте членам команды об их индивидуальной экспертизе. Публично признавайте членов команды с экспертизой в определенной области, чтобы стимулировать обмен уникальными знаниями. Например, разработчик хорошо подходит для знания фактов о потенциальных технических осложнениях.
-
Предупреждайте против предубеждения самоуверенности. Напоминайте членам команды, что, хотя они обладают экспертизой, наше понимание сложных тем часто неполно и чрезмерно упрощено.
-
Не спешите к консенсусу. Никогда не начинайте важное совещание по принятию решений с опроса, голосования или запроса мнений участников (даже анонимно). Эти действия уменьшают обмен информацией и ее обработку и затрудняют интеграцию новых знаний.
-
Приоритизируйте сбор данных. Поручите членам команды провести мозговой штурм перед обсуждением и подготовиться к немедленному обмену своей информацией. Выделите больше времени на этот процесс, когда последствия неудачи высоки.
-
Визуализируйте данные. Любой, кто взаимодействовал с командой с помощью прототипа, испытал силу вывести людей из их голов и к общему пониманию, которое все могут видеть (ценный аспект результатов UX). Предпочитайте распознавание вместо воспоминания. Используйте доски и записывайте всю предоставленную информацию, чтобы облегчить когнитивную нагрузку.
От переводчика: Современные инструменты ИИ могут значительно усилить этот аспект. Они способны не только визуализировать данные, но и создавать интерактивные информационные панели, которые обновляются в режиме реального времени по мере поступления новой информации. ИИ может генерировать различные представления одних и тех же данных, что помогает участникам увидеть проблему с разных перспектив и выявить закономерности, которые могли бы остаться незамеченными при использовании только одного способа визуализации.
-
Смягчайте социальное бездействие. Когда члены команды отстраняются от обсуждений, они перестают вносить свои уникальные знания. Направляйте вопросы к членам, демонстрирующим такое поведение, чтобы вновь привлечь их.
-
Вовлекайте других в деятельность UX-исследований. Одним из преимуществ участия коллег в пользовательских исследованиях является то, что они получают знания из первых рук. Эта тактика превращает результаты UX-исследований из уникальных в общеизвестные.
-
Будьте осторожны с использованием роли адвоката дьявола. Адвокат дьявола — это член команды, которому поручено критически рассмотреть предложения, чтобы выявить проблемы или нераскрытые альтернативные издержки. Исследование Чарльза Швенка и Ричарда Козье предполагает, что эта тактика имеет смешанные результаты. Адвокат дьявола может улучшить критическое мышление, но также уменьшить желание членов команды работать вместе в будущем.
От переводчика: В контексте этого последнего пункта ИИ может предложить идеальное решение. Системы ИИ могут выступать в роли “цифрового адвоката дьявола”, предлагая критические контраргументы и выявляя потенциальные проблемы в решениях команды без эмоциональных последствий, которые могут возникнуть, когда эту роль выполняет человек. Это позволяет командам получить преимущества критического анализа без негативного влияния на межличностные отношения.
Новые подходы с использованием ИИ
От переводчика: Опираясь на рекомендации автора и современные достижения в области искусственного интеллекта, можно предложить несколько инновационных подходов к преодолению эффекта общего знания:
Система “двойного слепого” предоставления информации
ИИ может собирать информацию от всех членов команды анонимно, а затем представлять полный набор данных без указания источников. Это помогает оценивать информацию по её сути, а не по статусу человека, который её предоставил. Такой подход особенно ценен для UX-специалистов, которые часто находятся в позиции “когнитивной периферии”.
ИИ-анализ информационных пробелов
Современные системы ИИ способны анализировать представленную информацию и выявлять критические пробелы в знаниях. Затем они могут генерировать целенаправленные вопросы для заполнения этих пробелов, обеспечивая более полную картину для принятия решений.
Когнитивные карты решений
ИИ может создавать визуальные карты всех факторов, влияющих на решение, отмечая области консенсуса и расхождений. Это помогает команде сосредоточиться на обсуждении ключевых моментов несогласия, не тратя время на повторение общеизвестной информации.
Алгоритмическое выявление когнитивных искажений
Системы ИИ могут анализировать обсуждения в реальном времени и выявлять признаки различных когнитивных искажений, включая эффект общего знания. Когда такие паттерны обнаруживаются, ИИ может тактично указать на них и предложить корректирующие действия.
Практический опыт: Платформа ASEED.ai в исследованиях UsabilityLab
От переводчика: В UsabilityLab мы уже применяем технологии ИИ для преодоления когнитивных искажений, включая эффект общего знания, в наших исследованиях. Платформа ASEED.ai помогает нам не только значительно сократить время анализа (до 80%), но и повысить объективность выводов за счет минимизации человеческих предубеждений.
Преодоление когнитивных искажений на практике
В одном из недавних проектов для крупного российского застройщика мы столкнулись с классическим примером эффекта общего знания. Нам нужно было провести анализ 40 глубинных интервью, сформировать персоны и составить CJM. Заказчик изначально предоставил респондентов, уже распределенных по 8 сегментам, и здесь могло сработать классическое предубеждение — искать подтверждение заранее заданной гипотезы (confirmation bias).
Однако использование ИИ позволило нам перейти от классификации (распределение по заранее определенным категориям) к кластеризации (выявление естественных групп на основе анализа данных). Искусственный интеллект не был подвержен стремлению подтвердить существующую сегментацию и смог выявить, что некоторые из предложенных сегментов были неоднородными.
Например, сегмент “Молодые специалисты” оказался состоящим из двух отдельных групп с разными моделями поведения: “Карьеристы” (для которых жилье — статусный показатель) и “Прагматики” (для которых важна функциональность и удобство локации).
Преимущества использования ИИ в контексте преодоления эффекта общего знания:
-
Беспристрастный анализ информации — ИИ анализирует все высказывания с одинаковым вниманием, не фокусируясь только на той информации, которая повторяется чаще или озвучивается более статусными участниками
-
Прозрачность и проверяемость — система обеспечивает связь каждого вывода с конкретными цитатами из интервью, что позволяет легко отследить, на каких данных основаны заключения
-
Выявление скрытых паттернов — ИИ способен обнаруживать закономерности и связи, которые могут быть упущены человеком-исследователем из-за эффекта общего знания или других когнитивных искажений
-
Многоуровневая валидация — использование нескольких моделей и подходов к анализу одних и тех же данных позволяет минимизировать влияние предвзятости конкретного алгоритма
Такой подход особенно ценен в UX-исследованиях, где, как было отмечено в оригинальной статье, специалисты часто находятся в позиции “когнитивной периферии” и могут сталкиваться с трудностями при донесении своих уникальных знаний до команды. Как бы это ни казалось контринтуитивным, увеличение числа людей, вовлеченных в сложное решение, вероятно, снизит качество принятия решений. Какие бы уникальные знания отдельные лица ни могли предложить для обсуждений, они часто остаются нераскрытыми или игнорируются. Когда ставки в принятии решений высоки, не позволяйте вашим ценным UX-идеям стать жертвой эффекта общего знания. Будьте бдительным фасилитатором команды, чтобы гарантировать, что все мы по крайней мере так же умны, как каждый из нас.
От переводчика: В заключение стоит отметить, что применение непредвзятого ИИ в процессах командного принятия решений представляет собой многообещающее направление для преодоления эффекта общего знания и других когнитивных искажений. В то время как рекомендации автора остаются ценными и актуальными, интеграция ИИ-инструментов может усилить их эффективность, обеспечивая более структурированный, непредвзятый и полный анализ доступной информации. Это особенно важно для UX-специалистов, которые часто должны отстаивать свои идеи в междисциплинарных командах, где их уникальные знания могут быть недооценены из-за описанных в статье когнитивных и социальных механизмов.
Список литературы
Garold Stasser and William Titus. Pooling of unshared information in Group Decision making: Biased information sampling during discussion. Journal of Personality and Social Psychology 48, 6 (1985), 1467–1478.
Susanne Abele, Garold Stasser, and Sandra Vaughan-Parsons. Information Sharing, Cognitive Centrality, and Influence Among Business Executives During Collective Choice. ERIM Report Series Reference No. ERS-2005-037-ORG, (2005).
Torsten Reimer, Andrea Reimer, and Verlin B. Hinsz. 2010. Naïve groups can solve the hidden-profile problem. Human Communication Research 36, 3 (2010), 443–467.
Gwen M. Wittenbaum, Andrea B. Hollingshead, and Isabel C. Botero. 2004. From cooperative to motivated information sharing in groups: moving beyond the hidden profile paradigm. Communication Monographs 71, 3 (September 2004), 286–310.
Charles R. Schwenk and Richard A. Cosier. 1993. Effects of Consensus and Devil’s Advocacy On Strategic Decision-Making. Journal of Applied Social Psychology 23, 2 (January 1993), 126–139.
Simon S. K. Lam and John Schaubroeck. 2000. Improving group decisions by better pooling information: A comparative advantage of group decision support systems. Journal of Applied Psychology 85, 4 (2000), 565–573.