Group decision-making often suffers from uneven information sharing, hindering decision quality. While large language models (LLMs) have been widely studied as aids for individuals, their potential to support groups of users, potentially as facilitators, is relatively underexplored. We present a pre-registered randomized experiment with 1,475 participants assigned to 281 live groups completing a hidden profile task—selecting an optimal city for a hypothetical sporting event—under one of four facilitation conditions: no facilitation, a one-time message prompting information sharing, a human facilitator, or an LLM (GPT-4o) facilitator. We find that LLM facilitation increased information shared within a discussion by raising the minimum level of engagement with the task among group members, and that these gains came at limited cost in terms of participants’ attitudes towards the task, their group, or their facilitator. Whether by human or AI, there was no significant effect of facilitation on the final decision outcome, suggesting that even substantial but partial increases in information sharing were insufficient to overcome the hidden profile effect studied. To support the design and evaluation of LLM-mediated group decision-making systems, we release our data and our experimental platform, the Group-AI Interaction Laboratory (GRAIL), as an open-source tool.
تصمیم‌گیری گروهی اغلب به دلیل به اشتراک‌گذاری نامتوازن اطلاعات، از کیفیت تصمیم آسیب می‌بیند. در حالی که مدل‌های زبانی بزرگ (LLMs) به طور گسترده به عنوان ابزار کمکی برای افراد مورد مطالعه قرار گرفته‌اند، ظرفیت آن‌ها برای حمایت از گروه‌های کاربران، به ویژه به عنوان تسهیل‌گر، نسبتاً کمتر مورد بررسی قرار گرفته است. در این پژوهش، یک آزمایش تصادفی پیش‌ثبت‌شده با ۱۴۷۵ شرکت‌کننده که به ۲۸۱ گروه زنده تقسیم شده‌اند و یک وظیفه پروفایل پنهان—انتخاب شهر بهینه برای یک رویداد ورزشی فرضی—را تحت یکی از چهار وضعیت تسهیل‌گری انجام داده‌اند، ارائه می‌شود: بدون تسهیل‌گری، پیام یک‌باره برای تشویق به اشتراک‌گذاری اطلاعات، تسهیل‌گر انسانی، یا تسهیل‌گر مدل زبانی بزرگ (GPT-4o). یافته‌ها نشان می‌دهد که تسهیل‌گری توسط مدل زبانی بزرگ با افزایش حداقل سطح مشارکت اعضای گروه در وظیفه، میزان اطلاعات به اشتراک‌گذاشته‌شده در بحث را افزایش داده است و این دستاوردها با هزینه اندکی در نگرش شرکت‌کنندگان نسبت به وظیفه، گروه یا تسهیل‌گر همراه بوده است. چه توسط انسان و چه توسط هوش مصنوعی، تسهیل‌گری تأثیر معناداری بر نتیجه نهایی تصمیم نداشته است که نشان می‌دهد حتی افزایش قابل توجه اما جزئی در به اشتراک‌گذاری اطلاعات برای غلبه بر اثر پروفایل پنهان کافی نبوده است. به منظور حمایت از طراحی و ارزیابی سامانه‌های تصمیم‌گیری گروهی مبتنی بر مدل‌های زبانی بزرگ، داده‌ها و بستر آزمایشی خود، آزمایشگاه تعامل گروه-هوش مصنوعی (GRAIL)، را به عنوان ابزاری متن‌باز منتشر می‌کنیم.
Mental health is a growing global concern, prompting interest in AI-driven solutions to expand access to psychosocial support. Peer support , grounded in lived experience, offers a valuable complement to professional care. However, variability in training, effectiveness, and definitions raises concerns about quality, consistency, and safety. Large Language Models (LLMs) present new opportunities to enhance peer support interactions, particularly in real-time, text-based interactions. We present and evaluate an AI-supported system with an LLM-simulated distressed client ( SimClient ), context-sensitive LLM-generated suggestions ( Suggestions ), and real-time emotion visualisations. 2 mixed-methods studies with 12 peer supporters and 6 mental health professionals (i.e., experts) examined the system’s effectiveness and implications for practice. Both groups recognised its potential to enhance training and improve interaction quality. However, we found a key tension emerged: while peer supporters engaged meaningfully, experts consistently flagged critical issues in peer supporter responses, such as missed distress cues and premature advice-giving. This misalignment highlights potential limitations in current peer support training, especially in emotionally charged contexts where safety and fidelity to best practices are essential. Our findings underscore the need for standardised, psychologically grounded training, especially as peer support scales globally. They also demonstrate how LLM-supported systems can scaffold this development–if designed with care and guided by expert oversight. This work contributes to emerging conversations on responsible AI integration in mental health and the evolving role of LLMs in augmenting peer-delivered care.
سلامت روان به عنوان یک نگرانی جهانی رو به رشد، موجب افزایش علاقه به راه‌حل‌های مبتنی بر هوش مصنوعی برای گسترش دسترسی به حمایت‌های روانی‌اجتماعی شده‌است. همیاری، که مبتنی بر تجربه زیسته است، مکمل ارزشمندی برای مراقبت حرفه‌ای به‌شمار می‌رود. با این حال، تنوع در آموزش، اثربخشی و تعاریف، نگرانی‌هایی را در خصوص کیفیت، یکنواختی و ایمنی ایجاد می‌کند. مدل‌های زبانی بزرگ (LLM) فرصت‌های جدیدی را برای ارتقای تعاملات همیاری، به‌ویژه در تعاملات متنی و بلادرنگ، فراهم می‌کنند. ما یک سامانه پشتیبانی‌شده با هوش مصنوعی را معرفی و ارزیابی می‌کنیم که شامل یک مراجع مضطرب شبیه‌سازی‌شده با LLM (SimClient)، پیشنهادهای تولیدشده توسط LLM متناسب با زمینه (Suggestions) و بصری‌سازی بلادرنگ هیجانات است. دو مطالعه آمیخته با مشارکت ۱۲ همیار و ۶ متخصص سلامت روان (یعنی کارشناسان) اثربخشی سامانه و پیامدهای آن برای عمل را بررسی کردند. هر دو گروه به پتانسیل سامانه برای ارتقای آموزش و بهبود کیفیت تعامل اذعان داشتند. با این حال، یک تنش کلیدی آشکار شد: در حالی که همیاران به‌طور معناداری مشارکت داشتند، کارشناسان به‌طور پیوسته مسائل انتقادی را در پاسخ‌های همیاران شناسایی کردند، مانند نادیده‌گرفتن نشانه‌های اضطراب و ارائه زودهنگام توصیه. این ناهماهنگی، محدودیت‌های احتمالی آموزش فعلی همیاران را، به‌ویژه در زمینه‌های هیجانی که ایمنی و پایبندی به بهترین شیوه‌ها ضروری است، برجسته می‌کند. یافته‌های ما بر ضرورت آموزش استاندارد و مبتنی بر اصول روان‌شناختی، به‌ویژه با گسترش جهانی همیاری، تأکید دارد. همچنین نشان می‌دهد که سامانه‌های پشتیبانی‌شده با LLM می‌توانند این توسعه را تسهیل کنند—مشروط بر آنکه با دقت طراحی و با نظارت کارشناسان هدایت شوند. این پژوهش به بحث‌های نوظهور درباره ادغام مسئولانه هوش مصنوعی در سلامت روان و نقش در حال تحول LLMها در تقویت مراقبت‌های ارائه‌شده توسط همیاران، کمک می‌کند.
This study examines how parents of LGBTQ+ individuals in South Korea navigate the emotional rupture fueled by fear, isolation, and disorientation after learning their children’s queer identity, encounter queer-related (mis)information as a way of coping with this emotional toll, and come to listen to queer realities relationally. Through this process, we highlight how parents reconstruct their identities as supportive parents, which reshapes their informating practices, making them more critical in assessing queer-related (mis)information, developing strategies to protect themselves from harmful narratives, and actively challenging misinformation to support others navigating similar experiences. This work contributes to CSCW by (1) foregrounding parents of LGBTQ+ individuals, an underrepresented yet critical stakeholder group in Queer HCI; (2) demonstrating how identity reconfiguration following a trauma-healing process could transform informating practices; and (3) arguing that addressing misinformation requires attention beyond individual fact-based discerning to account for its relational, cultural, and emotional dimensions. Further, we invite CSCW scholars to reconsider the balance between abstracting and humanizing information, explore future design possibilities for parents of LGBTQ+ children, and reflect on the role of researchers as participants in collective research communities fueled by care.
این مطالعه بررسی می‌کند که والدین افراد LGBTQ+ در کره جنوبی چگونه با گسست عاطفی ناشی از ترس، انزوا و سردرگمی پس از آگاهی از هویت کوییر فرزندان خود مواجه می‌شوند، چگونه با (اطلاعات/اطلاعات نادرست) مرتبط با کوییر به عنوان راهکاری برای مقابله با این فشار عاطفی روبه‌رو می‌شوند و چگونه به صورت رابطه‌ای به واقعیت‌های کوییر گوش می‌سپارند. در این فرایند، نشان داده می‌شود که والدین چگونه هویت خود را به عنوان والدین حمایت‌گر بازسازی می‌کنند و این امر شیوه‌های اطلاع‌رسانی آن‌ها را بازشکل می‌دهد؛ به گونه‌ای که آن‌ها در ارزیابی (اطلاعات/اطلاعات نادرست) مرتبط با کوییر انتقادی‌تر عمل می‌کنند، راهبردهایی برای محافظت از خود در برابر روایت‌های آسیب‌زا توسعه می‌دهند و به طور فعال با اطلاعات نادرست مقابله می‌کنند تا از دیگرانی که تجربه‌های مشابهی دارند حمایت نمایند. این پژوهش به حوزه CSCW از طریق (۱) برجسته‌سازی والدین افراد LGBTQ+ به عنوان گروه ذی‌نفعی که کمتر مورد توجه قرار گرفته اما بسیار مهم در Queer HCI است؛ (۲) نشان دادن اینکه بازپیکربندی هویت پس از فرایند تروما و التیام چگونه می‌تواند شیوه‌های اطلاع‌رسانی را دگرگون سازد؛ و (۳) استدلال بر اینکه مقابله با اطلاعات نادرست نیازمند توجهی فراتر از تشخیص فردی مبتنی بر واقعیت بوده و باید ابعاد رابطه‌ای، فرهنگی و عاطفی آن نیز مدنظر قرار گیرد، کمک می‌کند. افزون بر این، از پژوهشگران CSCW دعوت می‌شود تا توازن میان انتزاعی‌سازی و انسانی‌سازی اطلاعات را بازاندیشی کنند، امکانات طراحی آینده برای والدین دارای فرزندان LGBTQ+ را بررسی نمایند و درباره نقش پژوهشگران به عنوان مشارکت‌کنندگان در جوامع پژوهشی جمعی مبتنی بر مراقبت تأمل کنند.
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.
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
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.
Play-based parent-child interaction offers preschoolers rich opportunities for everyday foreign language learning, yet many parents struggle to turn open-ended play into effective English-as-a-Foreign-Language (EFL) learning experiences at home. To explore how AI might support this process, we conducted formative studies through interviews and a Wizard-of-Oz study. We identified four key challenges: content selection, language expression, balancing instruction and play, and problem solving. To address these challenges, we present PAPEL, a parent–AI collaborative system that grounds suggestions in the ongoing play scene and organizes support into four core modules: content generation, language adaptation, balance assessment, and extended response. In a counterbalanced within-subjects study with 16 parent–child dyads, PAPEL was associated with more integrated parent utterances that combined playful and instructional content, as well as more parent–child conversational turns, than the lightweight chatbot baseline used in our study.
تعامل والد-کودک مبتنی بر بازی، فرصت‌های غنی‌ای برای یادگیری زبان خارجی در زندگی روزمره کودکان پیش‌دبستانی فراهم می‌کند، اما بسیاری از والدین در تبدیل بازی‌های باز به تجربیات مؤثر یادگیری زبان انگلیسی به‌عنوان زبان خارجی (EFL) در خانه با دشواری مواجه هستند. به‌منظور بررسی نقش هوش مصنوعی در حمایت از این فرایند، مطالعات شکل‌دهنده‌ای از طریق مصاحبه‌ها و مطالعهٔ ویزارد آو آز انجام دادیم. چهار چالش کلیدی شناسایی شد: انتخاب محتوا، بیان زبانی، ایجاد تعادل میان آموزش و بازی، و حل مسئله. برای پاسخ به این چالش‌ها، سامانهٔ PAPEL را معرفی می‌کنیم که یک سامانهٔ مشارکتی والد-هوش مصنوعی است و پیشنهادها را بر اساس صحنهٔ جاری بازی ارائه می‌دهد و حمایت را در قالب چهار ماژول اصلی سازمان‌دهی می‌کند: تولید محتوا، سازگاری زبانی، ارزیابی تعادل، و پاسخ‌دهی گسترده. در یک مطالعهٔ درون‌گروهی متقابل با ۱۶ زوج والد-کودک، استفاده از PAPEL با اظهارات والدین یکپارچه‌تر که محتوای بازیگوشانه و آموزشی را ترکیب می‌کردند و همچنین تعداد بیشتری از نوبت‌های مکالمهٔ والد-کودک نسبت به چت‌بات سبک‌وزن مبنا در پژوهش ما همراه بود.
