Group decision-making

Developing civic skills and dispositions in elementary school is essential to preparing students to participate, collaborate, and act responsibly in a democratic society. However, students’ involvement in expressing opinions, participating in discussions, making collective decisions, and fulfilling responsibilities requires further improvement. This study aimed to improve students’ civic skills and civic disposition through the Project Citizen learning model in Pancasila Education for Grade V-B students at SDN 165/IV Kota Jambi. The study employed classroom action research based on the Kemmis and McTaggart model and was conducted in three cycles, each comprising planning, action, observation, and reflection. The participants were 18 students. Data were collected through observation, interviews, and documentation and analyzed using qualitative and quantitative approaches. Preliminary calculations indicated that the percentage of civic skills increased from 59.03% in the pre-cycle to 90.89% in Cycle III. Meanwhile, civic disposition increased from 59.72% to 91.76%. These findings indicate that implementing Project Citizen has the potential to improve students’ civic skills and dispositions through discussion, collaboration, expressing opinions, and collective decision-making. Therefore, this model may serve as an alternative approach to developing civic competencies among elementary school students. ABSTRAK Pengembangan keterampilan dan sikap kewarganegaraan sejak sekolah dasar penting untuk membentuk peserta didik yang mampu berpartisipasi, bekerja sama, dan bertanggung jawab dalam kehidupan demokratis. Namun, keterlibatan peserta didik dalam menyampaikan pendapat, berdiskusi, mengambil keputusan bersama, dan melaksanakan tanggung jawab masih perlu ditingkatkan. Penelitian ini bertujuan untuk meningkatkan civic skills dan civic disposition melalui model pembelajaran Project Citizen pada mata pelajaran Pendidikan Pancasila di kelas VB SDN 165/IV Kota Jambi. Penelitian menggunakan metode penelitian tindakan kelas dengan model Kemmis dan McTaggart yang dilaksanakan dalam tiga siklus, meliputi perencanaan, tindakan, observasi, dan refleksi. Subjek penelitian berjumlah 18 peserta didik. Data dikumpulkan melalui observasi, wawancara, dan dokumentasi, kemudian dianalisis secara kualitatif dan kuantitatif. Hasil perhitungan sementara menunjukkan bahwa persentase civic skills meningkat dari 59,03% pada prasiklus menjadi 90,89% pada Siklus III. Sementara itu, civic disposition meningkat dari 59,72% menjadi 91,76%. Hasil ini menunjukkan bahwa penerapan Project Citizen berpotensi meningkatkan keterampilan dan sikap kewarganegaraan melalui diskusi, kerja sama, penyampaian pendapat, dan pengambilan keputusan bersama. Dengan demikian, model ini dapat menjadi alternatif pembelajaran untuk mengembangkan kompetensi kewarganegaraan peserta didik sekolah dasar.

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.

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.