《Frontiers in Public Health》：Protecting workers from Algorithmic Management: a theoretical framework for four key protection factors
编辑推荐：
算法管理（Algorithmic Management, AM）正日益被联系到不良职业健康结局。尽管既有研究主要关注AM所产生的风险，但缓解这些风险的保护因素在理论上仍发展不足。本研究基于自我决定理论（self-determination theory）、社会
算法管理（Algorithmic Management, AM）正日益被联系到不良职业健康结局。尽管既有研究主要关注AM所产生的风险，但缓解这些风险的保护因素在理论上仍发展不足。本研究基于自我决定理论（self-determination theory）、社会加速理论（social acceleration theory）、监视资本主义理论（surveillance capitalism theory）以及欧盟《人工智能法案》（EU AI Act）中的人类监督条款（human oversight provisions），识别并在理论上操作化了AM环境中的四类保护因素：决策自主性（Decision Autonomy, DA）、节奏控制（Pace Control, PC）、反馈透明度（Feedback Transparency, FT）与回路在场（Loop Presence, LP）。通过应用分层防护分析模型（Layers of Protection Analysis, LOPA），研究人员认为，每一因素均作为针对AM相关健康风险的独立保护屏障发挥作用。这些因素共同构成一个整合框架，对劳动者健康测量、算法系统设计与职业健康政策具有直接意义。研究还概述了一个将该框架转化为工作场所评估的概念性六步程序。
算法管理（Algorithmic Management, AM）指利用软件算法自动化任务分配、实时监控、绩效评估和薪酬等管理职能，其应用正从物流、配送扩展至呼叫中心和制造业。近期实证证据表明，AM暴露与心理痛苦、肌肉骨骼疼痛、头痛和职业事故的患病率增加相关；一项补充性定性研究进一步显示，决定AM是否对劳动者产生不利影响的关键并不完全是AM本身，而是围绕其形成的组织实践，尤其是透明度、劳动者参与和管理支持。尽管AM健康风险日益受到重视，能够减弱这些风险的保护因素尚未在理论上被识别或操作化。现有主要测量工具算法管理问卷（Algorithmic Management Questionnaire）可捕捉AM暴露，却不包含保护因素子量表，其开发者亦承认这一局限；Hennum Nilsson等明确提示需要更多研究识别可缓解AM潜在不利影响的组织因素。基于此，研究人员借鉴职业安全领域的思路，将风险视为危害暴露被独立保护屏障衰减的过程，并引入人在回路（human-in-the-loop, HITL）的人类监督原则，开展概念性理论建构，提出四类保护因素框架。研究结论认为，每个保护因素均构成独立的LOPA型保护屏障，共同形成整合框架，对劳动者健康测量、算法系统设计和职业健康政策具有直接意义；其重要意义在于把LOPA从物理危害评估扩展至数字管理工作中的心理社会风险，并为AM相关保护的实证测量和循证职业健康标准制定提供理论基础。
主要关键技术与方法方面，该研究为概念性理论框架研究，主要采用理论整合与概念操作化方法：基于自我决定理论、社会加速理论、监视资本主义理论及EU AI Act人类监督条款，应用LOPA模型将AM结构约束、健康风险路径与四类保护因素进行对应，并提出概念性六步工作场所评估程序。研究未涉及试剂、培养或质粒构建等实验步骤，亦无样本队列来源。
研究结果方面，通过理论整合与概念操作化，研究得出四类保护因素及其作用路径。决策自主性（DA）指劳动者能够选择如何执行任务，并可拒绝或修改不安全或情境不适配的算法指令的程度；其理论依据为自我决定理论和Job Demands-Control模型，针对自动化任务导向及拒绝或修改指令能力缺失，健康风险路径为学习性无助（learned helplessness）导致心理痛苦，对应LOPA第1层任务执行。节奏控制（PC）指劳动者能够调节劳动速度和节奏，包括在不遭受算法惩罚的情况下获得生物学必要恢复休息的程度；其理论依据为Rosa的社会加速理论和Wood等对算法工作强化的分析，针对算法强加节奏和生物恢复时间被消除，健康风险路径为下丘脑–垂体–肾上腺（hypothalamic–pituitary–adrenal, HPA）轴慢性激活导致生理耗竭，对应LOPA第2层生物时间性。反馈透明度（FT）指算法系统评价劳动者绩效的标准和逻辑可被访问和理解的程度，即AI可解释性的职业健康应用；其理论依据为Zuboff对监视资本主义下信息不对称的分析以及Rosenblat与Stark对算法劳动的研究，针对评价标准不透明和无法将结果归因于自身行动，健康风险路径为归因不可能（attribution impossibility）导致慢性焦虑和疏离，对应LOPA第3层信息获取。回路在场（LP）指劳动者有意义地参与治理其工作的算法系统决策过程，包括任务分配标准、绩效评价标准、纪律程序和系统更新；其理论依据为EU AI Act的人类监督条款及Gr?nsund与Aanestad关于HITL配置的实证工作，针对被排除于后果性算法决策之外且缺乏申诉机制，健康风险路径为结构性无力导致抑郁和脱离，对应LOPA第4层结构性参与。Nilsson等发现，结构化参与技术决策的劳动者心理压力显著低于系统变更未经咨询即实施情形下的劳动者。研究进一步得出，四因素理论上相互区别但结构互补，分别对应任务执行、生物时间性、信息获取和结构性参与，且一个因素的存在不能替代另一个因素；这符合LOPA多屏障逻辑，即保护屏障各自独立衰减不同风险路径时最为有效，一个屏障失效不损害其他屏障。其累积有效性可表达为整合保护分数，即各因素分数之和，代表特定AM环境下劳动者保护总体水平；分数越高预示AM相关健康损害风险越低，并被假设为调节AM暴露与心理痛苦、抑郁等不良健康结局之间的关联；各因素相对健康结局的实证权重仍待未来研究。
面向可操作的评估程序。通过概念推演，研究提出将框架转化为工作场所评估的六步程序：第一，识别并刻画AM暴露，包括任务分配、监控、绩效评估和薪酬等哪些管理职能被自动化；第二，识别相关心理社会风险路径；第三，使用可观察指标分别评估四类屏障，例如劳动者能否无惩罚地拒绝或修改任务分配（DA）、能否在无算法制裁下获得恢复休息（PC）、评价标准是否被记录并向劳动者解释（FT）、是否存在咨询和申诉机制（LP）；第四，对每一屏障赋分，暂采用0–4量表（0＝缺失；4＝完全有效），其锚定和切点需实证校准；第五，计算整合保护分数（范围0–16），同时保留屏障层面剖面，使任一单一屏障低分即使总分看似充分也被标记为关键缺口，这反映LOPA原则，即每一屏障均需独立评价而非由其他屏障抵消；第六，针对判定不足的屏障制定改进措施并再评估。将该程序转化为实用工具需验证指标、评分锚点和标记阈值，理想情况下应纳入劳动者和职业健康专业人员的意见。
讨论部分总结：研究在理论上识别并操作化了AM研究中已隐含但未系统阐述的四类保护因素，扩展了LOPA模型在数字管理工作心理社会风险中的应用，为AM相关保护的实证测量提供理论基础；在实践上，将EU AI Act的抽象人类监督原则转化为适用于劳动情境的四类具体可测量要求，即劳动者保留有意义的DA、工作节奏适应生物学需要（PC）、评价标准可理解（FT）以及劳动者能够参与后果性算法决策（LP）。整合保护分数经验证后，可作为监管者、雇主和劳动者代表评估AM环境防护充分性的指标。未来研究包括开发并检验各因素的自评测量工具及评估程序指标、评分锚点和屏障阈值，使用结构方程模型检验整合保护分数是否调节AM暴露与健康结局的关联，并实证考察四因素潜在交互及其在不同AM部门和国别情境中预测健康结局的权重。
研究结论（翻译）：AM的健康影响既非不可避免，也非均一；其关键取决于劳动者在支配其劳动的系统中保留有意义能动性的程度。研究中提出的四类保护因素——DA、PC、FT和LP——识别了该能动性的关键领域，并阐明了各因素缓冲AM相关健康风险的机制。通过将这些因素建立在既有理论之上并通过LOPA模型加以整合，本研究为AM相关保护的实证测量以及数字劳动时代循证职业健康标准的制定提供了基础。
