FairFare：一种用于众包共享出行数据的工具，旨在助力劳工组织

《ACM Transactions on Computer-Human Interaction》：FairFare: A Tool for Crowdsourcing Rideshare Data to Empower Labor Organizers

针对共享出行平台算法不透明导致的劳动者权益问题，研究者与科罗拉多工会合作开发了FairFare工具，通过分析45名司机18个月的76,000余次行程数据估算平台抽成率，推动州级政策倡导，并探讨了数据转化政策、社区审计及透明工具设计的挑战。

　　

摘要

由于共享出行平台依赖不透明的人工智能和算法系统，共享出行的从业者面临着不可预测的工作环境。为应对这些挑战，我们发现劳工组织者希望获得数据，以便他们能够推动立法，提高这些平台的透明度和责任感。为满足这一需求，我们与科罗拉多州的一个共享出行工会合作开发了FairFare工具。该工具通过众包方式收集并分析从业者的数据，以估算“抽成率”——即共享出行平台所保留的乘客费用的比例。我们与合作伙伴组织共同使用FairFare，在18个月内收集了45名司机完成的76,000多次行程的数据。在评估访谈中，组织者表示FairFare有助于他们在州一级推动相关政策的制定。最后，我们反思了将定量数据转化为政策成果的复杂性、基于社区的审计方式，以及这对未来透明度工具设计的影响。