FairFare：一个众包网约车数据以赋能劳工组织者的工具

网约车工作者由于零工工作平台依赖不透明的AI和算法系统而面临不可预测的工作条件。为应对这些挑战，我们发现劳工组织者需要数据来帮助他们倡导立法，以提高这些平台的透明度和问责性。为满足这一需求，我们与一家科罗拉多州的网约车工会合作开发了FairFare，一个众包和分析工作者数据以估算平台保留的乘客价格百分比（即take rate）的工具。我们与合作伙伴组织一起部署了FairFare，在18个月内从45名司机那里收集了76,000多趟行程的数据。在评估访谈中，组织者报告称FairFare影响了科罗拉多州参议院法案24-75的法案措辞和通过，该法案呼吁提高平台运营的透明度和数据披露，并营造全国性的叙事。最后，我们反思了将定量数据转化为政策结果的复杂性、社区审计的本质以及未来透明度工具的设计启示。