El efecto de las prioridades erróneas: por qué el problema que un grupo pone más arriba suele estar más abajo en la cadena causal, y qué muestra una sala simulada sobre votar frente a mapear causas.

Por qué un voto dividido sobre una pregunta causal debe escalarse en lugar de fracasar en silencio, y cómo remitirlo a otros grupos impide que un solo grupo dirija el mapa.

Por qué conviene reservar unas pocas plazas de la lista final para ideas pasadas por alto respaldadas por una fuente, y qué consigue eso en una sala que clasifica según lo que siente.

Cómo miles de personas en salas pequeñas llegan a un solo mapa causal: muros separados, preguntas compartidas, afirmaciones que viajan, formulaciones fusionadas solo por sus autores y mapas que se unen en uno.

Todas las cifras detrás de True Causes, de simulaciones que se distribuyen con el software: causas encontradas votando frente a mapeando, tamaño de grupo, el precipicio de errores y lo que una minoría dentro de la sala puede y no puede hacer.

Warfield, Christakis, Laouris, Dye, Ashby y Miller: los cincuenta años de investigación en los que se basa True Causes, dónde se aparta de ellos y en qué se diferencia de Polis y de la Habermas Machine.

Municipios, grandes organizaciones, reguladores, sindicatos y plantillas, universidades, revisiones de incidentes: para qué sirve un mapa causal que conserva sus desacuerdos, y qué no hace.

Siete problemas que los movimientos en red de 2011 dejaron abiertos (sin programa, síntomas en lugar de causas, líderes informales, miedo, escala, contagio, patrocinio) y cómo un mapa causal compartido se enfrenta a cada uno, incluido dónde se queda corto.

21 modelos de lenguaje, 14 personajes, 120 vínculos causales sobre vivienda: el personaje no cambió de forma medible qué vínculos se aceptaban. Los modelos más débiles se equivocaron; los capaces coincidieron en la mayoría de los vínculos y discreparon de forma constante en el resto. Qué significa eso para los paneles de modelos.