Investigating LLM-Powered Dissenting Minority Support in Power-Imbalanced Group Decision-Making: Counterargument and Mediation as Intervention Strategies
بررسی حمایت از اقلیت مخالف با استفاده از مدل‌های زبانی بزرگ (LLM) در تصمیم‌گیری گروهی با عدم توازن قدرت: استراتژی‌های مداخله از طریق پاداستدلال و میانجی‌گری
چکیده
Minority viewpoints are often suppressed in power-imbalanced group decision-making due to social pressure to comply with the majority. To address this problem, we developed an LLM-powered dissenting minority support system that aimed to foster attention to minority views through either AI-generated counterarguments or AI-mediated messages. We conducted a mixed-method experiment with 96 participants in 24 groups, comparing minority members’ experiences across baseline, AI-counterargument, and AI-mediated message conditions. Our findings revealed a nuanced trade-off: AI-generated counterarguments fostered a more flexible atmosphere and enhanced satisfaction, while AI-mediated messaging increased minority participation but unexpectedly reduced their psychological safety. This research contributes empirical evidence on how different AI implementations affect group dynamics, identifies a critical support paradox between participation and psychological safety, provides design implications for future systems, and highlights ethical challenges in implementing AI-mediated communication in hierarchical settings. These insights advance understanding of designing more equitable AI support for power-imbalanced group decision-making.
دیدگاه‌های اقلیت در تصمیم‌گیری گروهی با عدم توازن قدرت اغلب به دلیل فشار اجتماعی برای تبعیت از اکثریت سرکوب می‌شوند. برای رفع این مشکل، ما سامانه‌ای مبتنی بر مدل زبانی بزرگ (LLM) جهت حمایت از اقلیت مخالف توسعه دادیم که هدف آن جلب توجه به دیدگاه‌های اقلیت از طریق پاداستدلال‌های تولیدشده توسط هوش مصنوعی یا پیام‌های میانجی‌گری‌شده توسط هوش مصنوعی بود. ما یک آزمایش ترکیبی با ۹۶ شرکت‌کننده در ۲۴ گروه انجام دادیم و تجربیات اعضای اقلیت را در شرایط پایه، پاداستدلال هوش مصنوعی و پیام میانجی‌گری‌شده توسط هوش مصنوعی مقایسه کردیم. یافته‌های ما نشان داد که یک موازنه ظریف وجود دارد: پاداستدلال‌های تولیدشده توسط هوش مصنوعی فضای انعطاف‌پذیرتری ایجاد کرده و رضایت را افزایش دادند، در حالی که پیام‌های میانجی‌گری‌شده توسط هوش مصنوعی مشارکت اقلیت را افزایش داد اما به طور غیرمنتظره‌ای ایمنی روانی آن‌ها را کاهش داد. این پژوهش شواهد تجربی درباره تأثیر پیاده‌سازی‌های مختلف هوش مصنوعی بر پویایی‌های گروه ارائه می‌دهد، به یک پارادوکس حمایتی مهم میان مشارکت و ایمنی روانی اشاره می‌کند، پیامدهای طراحی برای سامانه‌های آینده را مطرح می‌سازد و چالش‌های اخلاقی در اجرای ارتباط میانجی‌گری‌شده توسط هوش مصنوعی در محیط‌های سلسله‌مراتبی را برجسته می‌کند. این یافته‌ها به درک بهتر طراحی حمایت‌های عادلانه‌تر مبتنی بر هوش مصنوعی برای تصمیم‌گیری گروهی با عدم توازن قدرت کمک می‌کند.