Libertas：去中心化个人数据存储的隐私保护协同计算框架Zhao 等人提出Libertas框架，将安全多方计算与去中心化个人数据存储集成，通过模块化架构实现隐私保护的协作数据处理，支持零工 Workers 和差分隐私合成数据生成。2025RZRui Zhao et al.Designing for PrivacyCSCW
访问 denied：定量算法审计的有意义的数据访问Zaccour等人通过算法审计模拟发现，数据最小化和匿名化显著增加公平性评估错误率，建议改善第三方审计数据访问以实现可靠评估2025JZJuliette Zaccour et al.University of Oxford, Oxford Internet Institute可解释人工智能（XAI）AI 伦理、公平与问责算法透明度与可审计性CHI
生成式AI在创意工作中的治理：同意、署名、补偿及更多Kyi 等人通过访谈三个领域 20 名创意工作者，调查 AI 治理现状与期望差距，提出生成式 AI 应在同意、补偿和认可方面更道德 地使用创意作品的建议。2025LKLin Kyi et al.Max Planck Institute for Security and Privacy生成式AI（文本、图像、音乐、视频）AI 伦理、公平与问责CHI
交互层：在家长福祉支持系统中共同设计用户-LLM交互的探索Viswanathan 等人开发 NurtureBot 育儿助手，通过 32 位父母共同设计交互层提升用户体验，CUQ 评分达 91.3/1002025SVSruthi Viswanathan et al.University of Oxford大语言模型（LLM）的人机协作参与式设计（Participatory Design）CHI
"You are you and the app. There's nobody else.": Building Worker-Designed Data Institutions within Platform Hegemony信息不对称在平台工人（如优步或Deliveroo司机）及其算法经理之间创造了剥削性的、往往是有害的关系。最近的人机交互研究提出了更公平的平台设计，但留下了关于在没有平台合作的情况下支持它们所需的社会和技术基础设施的问题。我们进行了一项参与式设计研究，其中平台工人解构并重新构想了优步的司机数据模式。我们分析了参与者提出的数据库结构和社会机构，重点关注利益相关者、角色以及缓解隐私、个人能动性和效用之间冲突利益的策略。通过批判理论，我们反思了参与式设计生成自下而上的集体数据基础设施的能力。基于参与者产生的替代机构的多样性和他们处理数据托管决策的能力，我们提出了用于轻量级数据机构建设的用户可配置工具，作为重新设计现有平台或将控制权委托给集中式信任的替代方案。2023JSJake M L Stein et al.University of Oxford物联网设备隐私参与式设计（Participatory Design）CHI
探索隐私保护计算发展中设计和治理挑战Agrawal 等人访谈部署隐私保护计算技术的研究者、开发者与政策制定者，揭示技术复杂性、使用难度及向公众解释等关键挑战。2021NANitin Agrawal et al.University of Oxford隐私设计与用户控制数据隐私感知与决策智能家居隐私与安全CHI
房间里的陌生人：解读家庭中"智能"的认知及相关伦理问题Seymour 等人通过用户调研识别八种智能特征，揭示其与隐私、自主性及社会秩序等伦理问题的关联，为智能设备风险预判提供框架2020WSWilliam Seymour et al.AI 伦理、公平与问责智能家居交互设计智能家居隐私与安全DIS
为联网家庭设计增强隐私工具的指导Seymour等人设计Aretha隐私助理，结合网络分解器、个人导师和防火墙功能，在三户家庭部署六周，发现该工具使用户意识到设备数据披露、形成隐私偏好并阻止不必要数据流动，帮助用户在联网家庭中重新获得隐私控制。2020WSWilliam Seymour et al.University of Oxford隐私设计与用户控制智能家居隐私与安全CHI
网络空间的自我控制：将双重系统理论应用于数字自我控制工具的回顾Lyngs 等人分析了367个数字自我控制应用程序，应用双系统自我调节模型识别出常见设计特征，并揭示了未充分探索的认知机制以指导新工具设计。2019ULUlrik Lyngs et al.University of Oxford慢性病自我管理（糖尿病、高血压等）通知与中断管理CHI
高风险公共部门决策中算法支持的公平性和问责性设计需求Veale 等人访谈5国27位公共部门ML从业者，发现组织需求与可用性研究存在脱节，提出追踪概念漂移等设计机会。2018MVMichael Veale et al.University College LondonAI 辅助决策与自动化系统AI 伦理、公平与问责算法透明度与可审计性CHI
X-Ray Refine：支持探索和优化智能手机应用程序导致的信息暴露结果Kleek 等人设计 X-Ray Refine 工具，基于超100万 Android 应用模型可视化用户信息暴露，帮助参与者识别隐私偏好并制定定制化缓解策略。2018MKMax Van Kleek et al.University of Oxford算法透明度与可审计性隐私设计与用户控制物联网设备隐私CHI
'将一个人简化为一个百分比'; 对算法决策中正义的看法Binns 等人通过三项实验研究算法决策正义性，发现解释风格与场景效应相互作用，并指出没有最佳的算法解释方法。2018RBReuben Binns et al.University of Oxford可解释人工智能（XAI）AI 伦理、公平与问责算法透明度与可审计性CHI