INVI ATLAS #2: Tap ind i det kollektive videnshav

Grupper kan – når de sammensættes rigtigt – være overraskende intelligente og ofte ramme mere præcist end selv de dygtigste enkeltpersoner. Når du står over for et vildt problem med stor usikkerhed om årsagerne, kan du derfor hente uvurderlig viden ved at tappe ind i det kollektive videnshav. I denne artikel bliver du klogere på, hvad kollektiv intelligens er for en størrelse, hvordan du kan bruge det til at kortlægge og åbne et problem op, og du får indsigt i, hvilke dele af en strategiproces kollektiv intelligens kan gøre forskel. 

Når livlinen 'Spørg publikum' tages i brug i game showet ’Hvem vil være millionær?’ svarer flertallet i publikum rigtigt hele 91 pct. af gangene. På samme måde viser kollektiver en overraskende evne til at forudsige fremtiden og estimere værdier med stor præcision.

Et klassisk eksempel er Francis Galtons eksperiment fra 1906, hvor 787 deltagere på en kvægudstilling skulle gætte vægten på en okse. Selvom de individuelle gæt varierede voldsomt, var medianen af alle gæt kun 1 procent fra oksens faktiske vægt på 543 kg.

Det demonstrerer, hvordan skævheder i individuelle vurderinger kan ophæve hinanden, når mange forskellige perspektiver kombineres. Til sammen ved vi ofte mere end få eksperter.

Kollektiv intelligens kan opstå i grupper, hvor folk med forskellige fagligheder og perspektiver arbejder sammen om at løse komplekse udfordringer. Kvaliteten afhænger ikke kun af antallet af deltagere, men i høj grad af diversiteten i deres baggrunde, erfaringer og tankegange.

Sidder du med et vildt problem, du ikke ved, hvordan du skal angribe, eller hvor I sidder fast i låste forestillinger og ideer om problemets årsager? Læs her, hvordan kollektiv intelligens kan låse op for den gordiske knude ved at kortlægge og åbne problemet op.

Du ser kun en lille del af problemet

Hvorfor har vi brug for kollektiv intelligens? Blandt andet fordi vi har tendens til at overvurdere, hvor godt vi forstår helheden af problemer. Ofte tager vores forståelse uforholdsmæssigt stort udgangspunkt i vores egne erfaringer, de mennesker vi omgås med og de fortællinger, vi hører fra dem. Når det skal gå hurtigt, og det skal det ofte i det politisk-administrative system, er personfortællinger og oplevelser kraftfulde værktøjer. Disse indtryk – fra medier, netværk og egen erfaring - præger i høj grad, hvordan vi forstår samfundsproblemer og dermed de beslutninger vi tager.

Geoff Mulgan, professor og tidligere direktør for NESTA, Storbritanniens innovations-agentur, beskriver også, hvor begrænset vores tilgang til en bred forståelse af problemet traditionelt er:

»40 pct. af vores sociale interaktioner foregår med 5 andre personer, og 60 pct. med kun 15 andre. Det er svært at føre en vedvarende samtale med mere end 4 personer. Det er svært for en intenst engageret gruppe at bestå af meget mere end 12 personer. Og et sted omkring 150 er den typiske øvre grænse for et tæt sammenknyttet fællesskab«. Denne indsigt fra Mulgan vidner om de siloer af viden, der giver blinde vinkler i hurtige beslutningsprocesser.

Når det kommer til vilde problemer, er der ikke et enkelt rigtigt svar, ligesom i Hvem vil være millionær? Samtidig kan problemet ikke forstås ud fra perspektivet fra en enkelt faglighed. Hvis man skal udvikle indsatser til et vildt problem, er det vigtigt at kende topografien i det landskab, man sender sin indsats ud i. Samme argument finder vi i ’Design Justice’ fra 2020, hvor Sasha Costanza-Chock understreget vigtigheden af at involvere mangfoldige perspektiver, når vi skal forstå et problem fra alle vinkler, så vi kan finde de rigtige løsninger: 

»involving members of the community that is most directly affected by a design process is crucial, both because justice demands it and also because the tacit and experiential knowledge of community members is sure to produce ideas, approaches, and innovations that a non-member of the community would be extremely unlikely to come up with«. (s. 94)

Få øje på nye sammenhænge

For at kollektiv intelligens kan være signifikant og repræsentativ på samfundsplan, er der brug for diversitet i perspektiver og en stor mængde inputs. Derfor foreslår mange eksperter indenfor kollektiv intelligens at kombinere menneskelige og maskinelle kompetencer, ved at bruge big data, AI og digitale værktøjer til at samle inputs og viden fra en stor mængde relevante folk og sortere og analysere mønstre i indsigterne.

Kollektiv intelligens adskiller sig på den måde fra traditionelle dataindsamlingsmetoder som fx spørgeskemaer ved at kombinere det kvalitatives dybde med det kvantitatives bredde. Hvor spørgeskemaer tvinger respondenter ind i foruddefinerede spørgerammer og svarmuligheder, åbner kollektiv intelligens for uventede sammenhænge. Metoden gør det muligt at arbejde med kvalitativ viden i stor skala, hvor mønstre og temaer kan opstå organisk fra deltagernes egne udsagn og erfaringer, frem for at være begrænset af forskernes eller beslutningstagernes forudfattede kategorier og antagelser.

Sådan kan kollektiv intelligens se ud i dit arbejde

Der findes mange veje til at få adgang til kollektiv intelligens, og i INVIs Model for Vilde Problemer skabes adgang til det kollektive videnshav ved brug af text-as-data sprogmodeller. Bredt udvalgte respondenter angiver blandt andet årsager til et vildt problem i fritekstsvar eller ved at indtale svar på deres telefon. Ved at sortere og visualisere klynger af årsager giver modellen kvalitativ indsigt i, hvilke årsager de aktører, der er tæt på problemet, oplever som vigtigst.

Er datasættet stort nok er det også muligt at filtrere data på køn, alder, geografi og fagområde, så man kan se, om forskellige grupper peger på forskellige årsager. Et sådant overblik hjælper beslutningstagere med både at forstå problemet bedre, og med at få begreb om, hvorvidt de har den nødvendige viden til rådighed, eller om der er blinde vinkler i forhold til årsager. Med modellen kan organisationer også skabe et dynamisk grundlag for at forstå problemers årsager og få kontinuerlig feedback i forhold til, om relevante gruppers forståelse af problemets årsager flytter sig over tid. Samtidig giver det et fælles grundlag at arbejde ud fra, når aktørgrupper skal mødes på tværs og arbejde med problemet. Et eksempel på et overblik over årsagsklynger genereret af Model for Vilde Problemer kan ses herunder.

Et eksempel på årsagsklynger fra et projekt med INVIs Model for Vilde Problemer, der viser 403 kommunalpolitikeres fritekstsvar på, hvorfor velfærden er udfordret i Danmark.

Hvorfor kollektiv intelligens til at håndtere usikkerhed om årsager?

1. Dynamisk feedback. Et vildt problem flytter sig hele tiden. Kollektiv intelligens giveren ressourcelet og skalerbar måde at følge med i, hvordan holdninger og viden om årsager udvikler sig i realtid.

2. Både praksisnært og det store billede. Giver mulighed for både at dykke ned i kvalitative observationer tæt på virkeligheden og at se det store billede på tværs af data.

3. Mangfoldighed i viden om årsager. Viser hvad forskellige grupper mener og oplever i for hold til det vilde problem.

4. Emergens og udforskning. Åbner op for at udforske mønstre, årsager og indsigter, man ikke kan forestille sig på forhånd.

Kollektiv intelligens i INVIs projekter

Hos INVI ser vi kollektiv intelligens som nøglen til at løse mange forskellige vilde problemer, og som en tilgang, der kan skabe værdi i flere forskellige faser af policy- og strategiarbejde: idefasen formuleringsfasen, implementeringfasen og Feedback- og evalueringsfasen. Bliv klogere på hvordan kollektiv intelligens kan skabe værdi for dig og din organisation herunder, og hør eksempler på konkret anvendelse i INVI’s projekter.

• 1) Idefasen – få retningen på plads

  Når du skal i gang med et nyt projekt, kan kollektiv intelligens bruges til at forstå et problem og etablere et fælles udgangspunkt, før en strategi eller indsats overhovedet formuleres.

  I INVI spørger vi typisk bredt – praktikere, brugere, borgere, ansatte – for at afdække mønstre, blinde vinkler og uventede problemforståelser. Det giver et fælles udgangspunkt og sikrer en bred rammesætning af problemet fra start, der ikke kun bygger på antagelser eller snævrer det ind fra start omkring specifikke interesser, men åbner problemet op fra multiple vinkler.

  Kort sagt: Hvad oplever folk der er i berøring med problemet fra forskellige vinkler?

  Læs mere om INVIs projekt med Arkitektforeningen, og vi anvendte kollektive intelligens til at gentænke projektkonkurrencen som facilitator for den grønne omstilling

• 2) Formuleringsfasen – skærp strategien

  I formuleringsfasen kan kollektiv intelligens bruges til at finjustere de ideer og strategier, der ligger i udkast. Ved at indsamle indsigter fra et helt økosystem (faggrupper, berørte borgere, alle led i implementeringskæden osv) kan strategi eller policy justeres, valideres og forankres mere legitimt i et relevant udsnit af grupper.

  Kort sagt: Hvilke af vores antagelser holder vand – og hvor skal vores politik, initiativ eller strategi justeres, før vi trykker “go”?

  Som eksempel har INVI bidraget til Kræftens bekæmpelses strategiarbejde ved at invitere fem centrale målgrupper (patienter/pårørende, ansatte, medlemmer, frivillige og en kontrolgruppe) til at give input på spørgsmål om, hvad organisationen lykkes med i forhold til deres missioner, samt stille forslag til, hvad der kan gøres bedre, og hvad der bør fokuseres mere på i fremtiden. I projektet skabte indsigterne fra mere end 1.300 mennesker ”tykke” kvalitative datainputs, som berigede strategiprocessen ved at bekræfte eller afvise antagelser, afsløre oversete perspektiver samt ved at give en proportional vurdering af, hvor vigtigt forskellige fokusområder er, for forskellige centrale målgrupper. Dette blev brugt til at trykteste og tilrette strategiarbejdet og har bidraget til en robust strategi med bred legitimitet.

• 3) Implementeringsfasen – få virkeligheden i realtid

  Når beslutningerne er taget, giver kollektiv intelligens et live-billede af, hvad der sker i frontlinjen. Vi indsamler løbende input fra de aktører, der skal få indsatserne til at fungere i praksis ved løbende justering. På den måde kan vi identificere, hvad der virker, hvor der er modstand, og hvor processerne skal justeres.

  Kort sagt: Hvad sker der dér, hvor politik møder praksis – og hvordan skal vi navigere nu?

  Læs mere om, hvordan vi anvender kollektiv intelligens til at løfte gruppen af unge uden job eller uddannelse i et langvarigt samarbejde med Styrelsen for Arbejdsmarked og Rekruttering.

• 4) Evalueringsfasen – forstå effekterne på bagkant

  I den afsluttende fase kan man også bruge kollektiv intelligens til at evaluere en indsats, efter den er gennemført. Her ser vi i INVI på, hvordan aktørernes oplevelser, forståelser og behov har ændret sig over tid, og hvilke utilsigtede effekter der er opstået undervejs. Det giver et mere nuanceret billede end klassiske evalueringer – fordi vi undersøger, hvordan indsatserne faktisk blev oplevet i praksis.

  Kort sagt: Hvad skete der – set fra forskellige perspektiver – og hvad kan vi lære til næste gang?

Vil du udforske INVIs Model for Vilde Problemer? Så læs mere her.