数据探测器作为技术政策设计的边界对象:为政策制定者解密技术并在共享乘车零工工作中统一利益相关者的目标

隐私设计与用户控制众包任务设计与质量控制工业自动化工程师政府官员与公务员外卖骑手与网约车司机

文献标题

Data Probes as Boundary Objects for Technology Policy Design: Demystifying Technology for Policymakers and Aligning Stakeholder Objectives in Rideshare Gig Work

文献信息

  • 主题领域: 人机交互 (HCI)、算法管理、平台经济政策设计
  • 关键词: Gig Work, Policymaking, Data Probes, Algorithmic Management, Rideshare, Technology Transparency, Worker Rights, Collective Action, Algorithmic Discrimination, Stakeholder Interaction

研究背景与问题

  • 发现的问题或挑战:

    • 平台经济中算法管理的不透明性对工人收入和权益造成了不良影响,这包括工资波动、工作分配和终止方法的不清晰,以及工作合同中的不公平条款。
    • 政策响应滞后:尽管算法对劳动权产生了明显影响,但相关的政策制定仍然落后。平台的游说活动进一步加剧了这一问题。
    • 工人集体行动受限:工人因平台的去集体化策略和数据获取困难,难以有效进行集体行动和政策推动。
  • 重要性:

    • 保障劳动者权益以及提高政策制定者对算法和平台运作的理解至关重要,有助于促进公正的法规落实。
    • 弥合工人(作为平台影响的直接受害者)和政策制定者(有能力推动政策改变者)之间的认知和数据差距。
  • 研究动机与相关工作:

    • 当前的HCI和政策研究主要探讨工人如何看待算法管理及其影响,而鲜有研究关注如何拉近政策制定者与工人之间的知识鸿沟。
    • 数据可视化和技术工具被证明在激发公众情绪和认知方面具有表现力,但还需要更有效的方法将这些工具转化为促进政策制定的实践。

解决方案

  • 提出的方法或解决方案:

    • 提出 "Data Probes" 方法:以工人数据为基础的交互式数据可视化工具,展示平台算法如何影响劳动者的收入和工作条件。
    • 将数据探针视为一种“边界对象”,帮助不同利益相关者(工人、政策制定者、组织者)在政策制定过程中对话和协作。
  • 创新之处:

    • 数据探针不仅是一个研究工具,还可以作为培训和教育工具,帮助政策制定者理解平台算法及其影响。
    • 结合工人的实际需求和诉求,推动集体行动和针对性的政策干预。
  • 实施步骤与技术:

    • 创建了多个数据探针实例,包括工作计划器(Work Planner)、任务估算器(Questimator)、日历、动画和地图等。这些探针利用了公开数据、工人自愿提供的数据和平台生成的数据。
    • 数据源包括芝加哥和纽约市政府的公开骑行数据及工人自行收集的Uber数据。
    • 开展了12个半结构化访谈,研究参与者包括政策制定者、工会组织者、诉讼律师和立法人员,探索数据探针在不同政策情景中的潜在使用。

研究成果

  • 取得的具体成果:

    • 数据探针支持政策制定的三大功能:
      1. 作为边界对象:促进不同利益相关者之间的互动与理解,支持法律制定过程。
      2. 去神秘化功能:帮助非从业人员(如政策制定者)理解平台算法对工人的影响,包括工资计算和工作分配。
      3. 赋能集体行动:加强工人对平台劳动现状的理解,并辅助组织者招募更多参与者。
    • 通过案例研究展示了数据探针如何揭示算法及平台的工作条件、激励结构的操控性,及其对工人福祉的负面影响。
  • 与现有解决方案相比的优势:

    • 数据探针强调透明性与具体工人背景的紧密结合,有助于教育利益相关者和消除信息鸿沟。
    • 可操作性高,支持不同地区和政策背景的适配,并增强政策目标的针对性和多样化。
  • 实验或评估结果:

    • 数据探针在访谈中被各利益相关者广泛认可,尤其是其在揭示复杂平台算法行为方面的直观性和可理解性。
    • 示范案例(如Questimator)表明工人需要长时间高强度劳动才能完成平台激励任务,支持了制定更公平劳动政策的必要性。
  • 局限性与未来方向:

    • 局限性:

      • 数据来源受限于地区的数据开放性,部分数据(如平台的算法分成比例)难以获取。
      • 工人与政策制定者的互动仍面临平台干预的威胁。
      • 研究仅限于美国的劳动与政策环境,可能无法直接适用于其他国家和制度背景。
    • 未来方向:

      • 开发适配其他地区和劳动类型的新数据探针工具。
      • 探索更广泛的工人数据收集方法,例如支持工人对平台的实时监测与审计。
      • 针对政策制定者的教育工作,进一步优化数据探针的设计和传播方式。

快捷操作

分享

分享当前页面

ios_share

https://hci.top/zh/papers/chi/146997/2024

广告推荐

学习 AI 编程到 CodeNow

open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3613904.3642000
一眼看懂

论文快照

fact_check
dataset
来源
CHI
calendar_month
年份
2024
emoji_events
奖项
未标记奖项
group
作者
5 位作者
sell
研究子方向
隐私设计与用户控制、众包任务设计与质量控制
work
职业/产业
工业自动化工程师、政府官员与公务员、外卖骑手与网约车司机
article
内容状态
已索引正文
hub
相关论文
0 篇相关论文