Kentaro Toyama

When an individual is harmed by someone in power, such as a workplace manager, it can help to identify allies—people who would offer advice or supportive action. However, ally discovery is fraught because the very people who might be most relevant—e.g., someone who reports to the same manager—might not be sympathetic and could exacerbate the harm. We examine this problem in the context of PhD students navigating advising challenges and present a social media platform called “Moa” that brings together a number of features for facilitating ally discovery. Moa’s most novel element is an audience selection process that uses what we call consent boundaries , which allow users to flexibly define each post or comment’s audience based on factors such as common social identity or lived experience, all while preserving mutual anonymity. A 3-week field study with 47 real-world users showed that Moa’s features in combination facilitated sensitive conversations about advising, with 7 out of 31 posters (22.6%) using consent boundaries. We discuss both our overall “recipe” for systems for ally discovery and the benefits of a consent-centered approach to design.

زمانی که فردی توسط شخصی صاحب قدرت، مانند مدیر محل کار، آسیب می‌بیند، شناسایی متحدان—افرادی که می‌توانند مشاوره یا اقدام حمایتی ارائه دهند—می‌تواند مفید باشد. با این حال، کشف متحدان با دشواری‌هایی همراه است، زیرا افرادی که ممکن است بیشترین ارتباط را داشته باشند—برای مثال، کسی که به همان مدیر گزارش می‌دهد—ممکن است همدل نباشند و حتی آسیب را تشدید کنند. ما این مسئله را در زمینه دانشجویان دکتری که با چالش‌های راهنمایی مواجه‌اند بررسی می‌کنیم و یک بستر شبکه اجتماعی به نام «Moa» را معرفی می‌کنیم که مجموعه‌ای از ویژگی‌ها را برای تسهیل کشف متحدان فراهم می‌آورد. نوآورانه‌ترین عنصر Moa فرایند انتخاب مخاطب است که از آنچه ما «مرزهای رضایت» می‌نامیم استفاده می‌کند؛ این امکان را به کاربران می‌دهد تا برای هر پست یا نظر، مخاطب را به طور انعطاف‌پذیر بر اساس عواملی مانند هویت اجتماعی مشترک یا تجربه زیسته تعریف کنند، در حالی که ناشناسی متقابل حفظ می‌شود. یک مطالعه میدانی سه‌هفته‌ای با ۴۷ کاربر واقعی نشان داد که ترکیب ویژگی‌های Moa گفتگوهای حساس درباره راهنمایی را تسهیل کرده است، به طوری که ۷ نفر از ۳۱ ارسال‌کننده (۲۲.۶٪) از مرزهای رضایت استفاده کردند. ما هم «دستورالعمل» کلی خود برای سیستم‌های کشف متحدان و هم مزایای رویکرد مبتنی بر رضایت در طراحی را مورد بحث قرار می‌دهیم.