团结一致：认识负担和以数据为中心的参与式设计研究

文献标题

Getting Ourselves Together: Data-centered participatory design research & epistemic burden

文献信息

• 主题领域: 人机交互 (HCI)、参与设计 (Participatory Design, PD)、数据正义 (Data Justice)
• 关键词: 参与设计, 数据正义, 激进设计, 知识生产, 结构性不平等, 种族化社区, 数据驱动研究, 社会利益, 弱势群体研究

研究背景与问题

• 作者发现了哪些问题或挑战？
  • 参与设计研究在与弱势群体进行合作时可能带来的 "知识负担" (epistemic burden)，包括认知劳动的剥削、不公平的成果分配，以及隐藏的权力动态。
  • 数据驱动的设计方法通常假定数据是解决社区问题的必需品，但这种假设可能忽视了社区的实际需求和经验。
• 为什么这个问题很重要？
  • 弱势群体往往常常被要求提供敏感的个人信息，这可能导致心理和情感上的负担，同时收益和声誉回报往往偏向研究者而非社区。
  • 这种现象可能破坏学术研究与社区之间的信任，反而强化既有的权力不平等和社会结构问题。
• 研究动机与相关工作
  • 作者通过自我批判性反思自身过往的设计实践，提出重新审视参与设计研究方法的必要性，以解决知识劳动力剥削和权力不平等的基本问题。
  • 文中引用了人机交互、文化研究、社会哲学等领域关于认知负担、认知不公和设计伦理问题的现有文献。

解决方案

• 作者提出了哪些方法或解决方案？
  • 创造一个新的框架来识别和缓解参与设计研究中的知识负担，尤其是在与少数群体和社区合作时。
  • 引入一系列关键反思问题，帮助研究者从合作启动阶段就预见、识别并避免相关负担。
  • 倡导“组织自己”的步骤作为解决方法，即研究者需要在启动合作项目前进行分析、反思和去中心化的知识工作。
• 该解决方案的创新之处是什么？
  • 提出了“知识负担”的概念，作为识别参与设计项目中潜在问题的工具。
  • 结合案例分析和理论研究，提出了针对学术组织和设计研究者的详细建议步骤，以实现与社区的平等合作。
  • 鼓励研究者从社区实际需求出发，而非强加外部设计解决方案。
• 实施步骤是什么？使用了哪些关键技术？
  • 步骤1: 预见与识别：与社区组建合作之前，评估知识与资源流动的动态，识别潜在的剥削风险。
  • 步骤2: 反思与拆解：反思研究方法是否符合社区目标；必要时调整甚至拆解既有研究方案，避免知识负担。
  • 步骤3: 重新思考与去中心化：减少对数据或学术贡献的中心化，支持社区驱动的议程。核心目标为物质利益和声誉的公平分配。

研究成果

• 取得了哪些具体成果？
  • 提出了“知识负担”(epistemic burden)概念，并通过两个具体案例阐述其形式和成因。
  • 提炼出一种反思性设计实践的新框架，支持以社区为中心的参与设计方法。
  • 提供了缓解学术剥削和知识不公的初步建议。
• 与现有解决方案相比，它有哪些优势？
  • 将数据驱动的参与设计研究与更深层次的反思（例如权力动态分析、社区目标导向）结合起来。
  • 在设计研究中推动话语转向社会正义理念，特别是对学术声誉与资源分配进行批判。
• 实验或评估结果是什么？
  • 在案例分析中发现，传统数据驱动设计方法容易加强既有的不平等，包括声誉不公和资本资源分配不公。
  • 通过分析2000年代的两个反警察暴力项目，总结了知识负担的典型形式及其对社区造成的不利影响。
• 局限性与未来方向
  • 局限性：仅提供了两个案例作为支持；目前提出的“知识负担”框架和“组织自己”步骤仍处于理论阶段，需要更多实证研究来验证。
  • 未来方向：开发一个数字资源工具以帮助学术和设计研究者反思并减少知识负担；扩大案例研究范围以涵盖更多背景和领域的参与设计实践。