被算法安排得明明白白_風聞

編者按

       軟件算法正在改變人們在越來越多的領域工作的方式，並在很大程度上進行着人員的管理。在這些工作設置中，通過算法和跟蹤數據分配、優化和評估人們的工作。

        在Uber和Lyft這兩種新型拼車服務的背景下，本文探討了這種算法驅動、數據驅動的管理對員工和工作實踐的影響。

這是社論前沿第S1465次推送

微信號：shelunqianyan

軟件算法越來越多地分配、優化和評估不同人羣的工作，從地鐵工程師、倉庫工人、星巴克咖啡師和UPS快遞員等傳統員工，到優步、TaskRabbit和亞馬遜mTurk等平台上的新眾包員工。員工是如何應對這些算法扮演的角色，就像人類管理者過去所扮演的角色一樣嗎?

本文探討了算法管理在Uber和Lyft等新型拼車服務中的影響。算法管理是支持這些服務的核心創新之一。獨立的、分散的司機和他們自己的車在幾秒或幾分鐘內通過算法與乘客匹配，而且票價會根據乘客需求激增的地方而動態變化，這一切都是通過他們手機上的應用程序實現的。司機的表現是通過乘客對其服務質量的評分和司機與算法分配的合作程度來評估的。算法管理使得每個城市的少數人力管理人員便可監督全球範圍內成百上千的司機。司機與公司代表幾乎沒有直接接觸，但可以通過在線論壇相互交流，以獲得有關拼車系統的知識。員工是否與算法分配的工作合作?人們在多大程度上受到算法優化的激勵或打擊?算法、數據驅動的評估有多有效?員工對此有何看法?

優步和Lyft是目前最大的點對點拼車公司。Uber和Lyft分別成立於2009年和2012年，在37個國家的100多個城市開展業務。Lyft試圖創造一種社會文化，鼓勵乘客坐在前排，友好地和司機“碰一下”。優步創造了一個更專業的司機環境，與司機的社交體驗不再受到壓力。任何年滿21歲的人，只要持有有效的駕駛執照和狀況良好的私家車，都可以申請成為一名司機。公司會對申請人進行背景審查，新司機會接受簡短的視頻在線培訓。一旦被接受，新司機將成為“獨立的承包商”，而不是僱員，並完全控制開車的地點、時間和頻率。

本文對Uber和Lyft的算法管理進行了定性研究。為了瞭解司機的經驗和觀點，作者採訪了21名司機，通過採訪12名乘客，分析了128名司機在網上論壇上發表的帖子，以及來自兩家公司的132篇官方博客帖子和交流材料。

       本文描述了當算法分配工作、提供信息支持和評估工作績效時，司機是如何做出反應的，以及司機如何利用在線論壇在社會上理解系統的算法特性。

       司機們表示，在拼車平台工作的一個主要優勢是，該系統在何時何地工作方面提供的靈活性。以及簽約所需的低承諾水平。有些人是全職開車，但也有很多人是出於興趣、好奇或兼職開車。很多司機在自己的日常生活中使用拼車應用來賺取額外的收入，比如在每天上下班時打開司機應用，或者在等待乘車請求時做家務。除了拼車工作帶來的經濟靈活性外，我們採訪的許多司機提到了拼車的社會動機。例如，有幾位司機認為，與陌生人見面和交談的樂趣，以及幫助社區的願望，比他們賺取額外收入的動機更大，或與之相當。

      本文在結論部分討論如何使用研究的發現來改進算法和數據驅動管理的設計。

     優步和Lyft的乘客分配算法會在幾秒鐘內自動向司機分發無數的乘車請求。司機迅速而頻繁地接受任務，確保了服務的效率，最大限度地提高了乘客的乘坐效率。本研究發現表明，在算法工作分配中，不僅是分配的來源，還有分配是如何提交和管理的，都影響員工與任務的合作。選擇哪些信息顯示在屏幕上，接受搭車的時間限制較短，以及接受率共同加強了駕駛員與我們研究任務的合作。

       雖然該公司解釋説，他們的任務是基於接近度，但除了乘客和司機之間的距離之外，算法還考慮了其他各種因素。這有時會導致乘客沒有被分配給最近的司機。此外，該研究強調了透明度的新含義，這在以前的智能系統研究中相對較少受到關注:算法分配的透明性如何幫助人們創建更好的工作策略和工作區。

       供需控制算法最初是為了解決涉及非人類實體的數學優化問題而設計的。然而，在Uber和Lyft，它們被用來激勵和控制人類行為。這導致了一些問題，因為供求控制算法沒有考慮司機的工作速度。與之前對一個試圖鼓勵可持續行為的智能代理的研究一致，該算法未能考慮人們對峯時價格的不公平感受，並且忽略了司機的社會和利他動機。這突出了使算法管理適應的重要性:a)人類工作的速度和方式，b)不同類型的動機而不僅僅是經濟動機，c)人們對算法做出的決策的情感。此外，一些司機不相信收費高的區域，因為他們更相信自己的經驗。實時計算飆升價格區域的透明度可以提高員工對算法信息的信任。

       本研究表明，社會感知是另一個重要的活動，需要更好地理解和支持智能系統的成功採用。駕駛員論壇上的社會意義表達活動遵循了“分散的社會意義表達”的形式，其中有許多活躍的貢獻者，但沒有中央權威人物將不同的想法和敍述合成為一個連貫的故事。在沒有正確或錯誤答案的情況下，這種意義表達對於討論評級改進策略是有效的，並且工人的經驗、學習和即興策略起到了關鍵作用。另一方面，碎片化的社會意義表達在只有權威人物擁有正確信息的主題上存在不足。這突出了設計結構化的在線社會感知算法特性的機會，在這些算法特性中，個體可以建立在彼此的知識之上。

       和其他研究一樣，本研究也有一些侷限性。研究結果來自對一小部分司機、乘客的採訪和檔案數據分析。不能採訪開發商或公司的官方代表，因為這違反了公司的政策。作者希望本研究可以得到未來研究使用不同的研究方法，如人種學、調查或實驗的補充。並且本研究是在專車共享的特定環境下進行的(按需的、獨立的承包商工作)，因此需要在不同的組織環境下進行進一步的工作，例如全職或異地僱員。

       越來越多的軟件算法分配、優化和評估工作。在本文中作者探討了這種算法驅動的管理在Uber和Lyft等新型拼車服務中的影響。本研究的定性研究結果強調了在設計以人為中心的算法工作分配、信息和評估方面的機遇和挑戰，以及圍繞算法系統支持社會意義表達的重要性。討論了其對人機交互、CSCW和智能系統研究的意義。作者希望這項研究能夠對未來的工作有所啓發，使我們能夠以一種有效的、令人滿意的、有意義的方式支持人類工人與智能機器一起工作。