社区型社会服务组织中知识管理的系统综述
《Proceedings of the ACM on Human-Computer Interaction》:A Systematic Review of Knowledge Management in Community-based Social Service Organizations
【字体:
大
中
小
】
时间:2026年09月24日
来源:Proceedings of the ACM on Human-Computer Interaction
编辑推荐:
## 摘要
本文采用Evans等人[34]提出的知识管理循环(KMC)模型作为分析框架,对社区社会服务机构(CSSOs)中的知识管理挑战与设计启示进行了系统文献综述。通过分析2007年至2025年间的25篇人机交互(HCI)和计算机支持的协作工作与社交计算(CSCW)文章,
## 摘要
本文采用Evans等人[34]提出的知识管理循环(KMC)模型作为分析框架,对社区社会服务机构(CSSOs)中的知识管理挑战与设计启示进行了系统文献综述。通过分析2007年至2025年间的25篇人机交互(HCI)和计算机支持的协作工作与社交计算(CSCW)文章,本研究识别了知识管理循环各阶段——识别/创建、存储、共享、使用、学习和改进——的知识管理挑战及其对组织效能的连锁影响。关键挑战包括:强制性数据实践与组织目标之间的错位、捕捉隐性知识和关系知识的困难、逻辑性/纵向性/地点性数据碎片化,以及组织孤岛、将数据转化为可操作洞察的困难等系统性问题。本文综合了可解决这些相互关联挑战的设计启示,包括使命一致的知识管理系统、有效的隐性知识捕捉与共享、集中式数据存储库、跨组织知识流动机制以及一线工作人员的自主权支持。此外,本文提出了人机协作框架,倡导将人工智能视为协作伙伴而非自动化工具,强调其在CSSOs中伦理且有效地增强知识管理实践的潜力。本研究综合了过去的相关研究,并为在高利害社会服务情境中伦理地整合人工智能提出了研究议程,旨在增强而非取代人类判断与专业经验。
---
## AI生成摘要(实验性)
本摘要由自动化工具生成,未经论文作者撰写或审核。其目的是支持文献发现、帮助读者评估相关性,并协助相邻研究领域的读者理解本文内容。本摘要旨在补充作者提供的摘要,作者摘要仍为本论文的主要摘要。完整论文仍为权威版本。
---
## 1 引言
社会服务的可及性对弱势群体(包括家庭虐待受害者、新近失业者、刑满释放人员等)实现自给自足并成功重返社会至关重要[46]。鉴于需要某项服务的个体往往同时需要其他服务[3],社区社会服务机构必须将客户与合适的服务提供商连接起来,并发挥其以客户为中心、响应迅速且贴近本地需求的服务优势[9]。CSSOs并非一个具有统一约束条件的单一部门。组织规模、使命授权、资金与报告环境以及目标的差异,从根本上塑造了不同的数据工作形式。为使分析保持聚焦,本文将CSSOs定义为民本导向、扎根社区的机构,其主要工作涉及为本地社区成员提供、协调或维持社会服务可及性(例如:接待与个案管理、服务导航与转介、资源分配如食物与住房,以及维持护理连续性所需的文档与信息工作)。因此,本文的综合分析与启示针对服务提供情境。
CSSOs中的技术应用已在人机交互(HCI)和计算机支持的协作工作与社交计算(CSCW)研究中被探讨,揭示了在组织内部及跨组织边界收集、存储和共享关键使命信息的持久性、系统性障碍[17, 63, 74, 77, 88]。反复出现的挑战包括:跨断开系统的"数据碎片化"、"组织孤岛"、"员工流动导致的知识流失"以及"外部强加的数据要求将数据工作偏离组织目标"。
这些问题与大营利组织中常见的知识管理问题相似,通常被框架为知识管理问题[91]。知识管理被定义为知识处理的系统化方法,涉及知识的识别/创建、存储、共享、使用、学习和改进[34],以提升组织绩效与效率[26, 91]。营利组织通常通过采用社会技术系统来解决知识管理挑战,支持各阶段的工作(尽管不一定仅限于单一阶段):信息识别与创建(例如组织实践与流程的编纂)[64]、信息组织(例如文档管理系统)[94]、信息共享(例如非正式网络、群组软件)[4],以及从过往经验中学习改进(例如培训模块)[26]。
相比之下,CSSOs文献通常将障碍框架为数据管理问题[16, 88]、工作流效率低下[63, 67]或资源限制[59],很少采用综合的知识管理视角。这有可能掩盖这些问题如何在知识生命周期的不同阶段叠加放大。通过知识管理视角重构这些问题,可以揭示其跨阶段的相互依赖性,例如知识存储的缺陷如何影响下游使用或学习,并提供结构化手段来优化CSSOs知识资产的使用。然而,目前仍缺乏系统性的综合分析来映射CSSOs(以高流动率、资源稀缺和高利害结果为特征)中知识管理失效如何在整体知识生命周期中展开[37, 75, 79]。
本文旨在填补这一空白,通过系统综合HCI和CSCW文献中讨论的CSSOs知识管理相关挑战与设计启示。采用Evans等人[34]提出的知识管理循环作为分析视角,我们将这些挑战与设计启示映射到KMC各阶段,并追踪其跨阶段的连锁影响。我们将指导性问题设定为:
**RQ1**:在CSSOs中,知识管理循环各阶段识别出了哪些知识管理挑战?它们如何影响后续阶段?
**RQ2**:知识管理循环各阶段提出了哪些知识管理设计启示?它们如何影响后续阶段?
为回答这些问题,我们在ACM数字图书馆(最全面的HCI和计算研究存储库[8])中进行了系统文献综述,分析了2007年3月至2025年1月间的25篇出版物,重点关注讨论CSSOs中数据工作与技术应用的研究。我们识别了反复出现的知识管理挑战与设计启示模式,按KMC阶段组织,揭示其级联相互关系。
我们的分析反映出近期研究趋势,即将人工智能作为解决这些知识管理挑战的潜在途径,并实现所讨论的设计启示。然而,社会服务领域的许多人工智能研究往往聚焦狭窄,主要集中在资源配置的决策支持工具上(例如为无家可归者安排住房[19, 44, 85]),而非服务工作者在日常实践中面临的相互关联的知识管理挑战[7]。解决这些复杂的、基于实践的知识管理问题需要超越简单自动化的整体方法,将人工智能视为支持人类判断的伙伴而非替代品。
基于我们的综合分析,我们提出**人机协作**作为概念框架,用于伦理且有效地将人工智能整合到社会服务中,以解决我们综述中发现的相互关联的知识管理挑战并落实设计启示。人机协作超越了将人工智能仅视为自动化工具的视角;相反,它将人工智能定位为与人类相互依赖、协同工作的合作者,共同实现共享目标,协同结合人工智能的分析优势与人类的专家知识和情境判断[58]。该框架在医疗[14]、军事[25]和游戏[48, 69, 95]等领域已显示出潜力,但在社会服务领域仍待探索。这种视角在社会服务中至关重要,因为伦理考量和人类生活的复杂现实要求技术能够支持而非取代人文关怀和专业实践[16, 85, 87]。本文试图通过论证人机协作如何成为解决CSSOs高利害、以人为本环境中多方面知识管理挑战的伦理且有效途径来填补这一空白。
本研究为HCI和CSCW社区提供了两项关键贡献。首先,我们的系统文献综述首次提供了CSSOs特定的、与KMC对齐的知识管理挑战与设计启示综合分析。该综合分析揭示了某一阶段的问题如何级联影响其他阶段,强调了将知识管理视为相互关联过程的紧迫性。所识别的设计启示为更有针对性的知识管理系统设计提供了方向。其次,我们将人机协作定位为支持CSSOs知识管理的概念框架。我们阐述了其核心构建要素——共享心理模型与信任[6, 39]、能动性与控制[5]、适应性与相互学习[12, 40, 62]——如何指导在高利害、以人为本的社会服务工作中伦理且有效地整合人工智能,增强而非取代人类从业者。这些贡献共同为未来研究和社会服务情境中的知识管理系统设计提供了可操作的议程。
---
## 2 背景与相关工作
本节首先介绍Evans等人[34]提出的KMC模型,作为我们系统文献综述的分析视角。然后讨论CSCW中的一些概念,为组织知识实践提供基于实践的视角。由于本文本身是一篇系统文献综述,对相关前人工作的全面分析将在第4节和第5节中呈现。
### 2.1 知识管理循环
理解知识管理的复杂性对于提高CSSOs的有效性至关重要。为提供结构化的分析方法,我们采用Evans等人[34]提出的KMC作为指导框架。KMC提供了知识管理过程的整体视图,建立在基础知识管理模型(例如[22, 26, 57, 60, 91])之上,包含六个阶段:识别和/或创建、存储、共享、使用、学习和改进,如图1所示。通过考虑这些阶段各自的特点,我们可以更好地理解它们在有效知识管理中的作用,并将这些见解应用于社会服务情境。下文提供了各阶段的详细描述,最终将用于指导我们的CSSOs情境分析。
**图1. Evans等人[34]知识管理循环模型**
一个六阶段循环流程图,从"识别"到"改进"。
#### 2.1.1 知识识别和/或创建
KMC的这一初始阶段为有效的知识管理奠定基础。其核心目标是识别和定位相关知识资产,或在内部不可用时创建或获取该资产。该阶段回答了"什么"知识存在以及"是否"它对组织需求有价值且相关的问题[91]。在识别阶段,当知识查询被发起时,请求者尝试从存储库中调取知识,如果知识已被编纂。如果知识是隐性的,请求者必须使用其他手段获取,如访谈、参加会议或头脑风暴、通过实践学习等。
如果搜索未找到相关知识资产,或现有资产仅部分满足需求,则触发创建阶段。创建可以通过原型设计、工作流映射或在组织外部寻找信息来实现。此阶段应包括分析和评估新知识,以确保质量、相关性和价值——如同识别阶段。一旦知识被识别或创建,它将被存储,如下一阶段所述。
#### 2.1.2 知识存储
本阶段专注于将识别或创建的知识纳入组织的记忆系统。可以处理不同形式的知识,包括编纂知识、封装知识和以分类法形式存储的隐性知识。存储必须结构化,确保知识资产可以被高效地操作、检索和共享。常见的结构化存储活动包括:元标记、注释、分类、归档、链接资产以及优化搜索和检索机制。
#### 2.1.3 知识共享
本阶段专注于及时传播知识,可以是主动的(例如立即发布更新)或被动反应式的(例如基于即时需求)。建立专业网络,如实践社区,可以促进协作与共享。通过辅导和指导以及故事讲述或叙事可以鼓励隐性知识的共享[66, 83]。
#### 2.1.4 知识使用
这是知识潜在价值得以实现的阶段,将知识转化为具体的行动以解决问题、为决策提供信息和提高效率。正确且高效地应用知识涉及对知识的重新情境化,即将一般文档转化为解决特定问题所需的特定形式[26]。
#### 2.1.5 知识学习
本阶段利用之前已共享和使用的知识,将其转化为经验和见解。
它作为一个反思性平台,在此评估知识资产的影响力和价值,并将其作为潜在的知识精炼或新创造的基础。此阶段涉及将新知识与现有理解进行整合、建立联系并加以内化。知识资产的评估基于2.1.1中讨论的分析与评估活动。如果某项知识资产被认为具有价值,它将进入后续的改进阶段以进行进一步精炼或更好的编码化。如果某项资产被认为不足或不完整,流程将返回到识别/创造阶段,以解决所发现的知识缺口。这种利用知识、反思其价值与适用性、挑战现有规则并可能创造新知识资产的迭代循环,体现了双重循环学习的概念[57, 73]。它使组织不仅能够纠正错误,还能质疑和修改底层的规范与假设。支持此阶段的常见活动包括基准比较、分析最佳实践和经验教训,以及开展知识缺口分析。
2.1.6 知识改进
改进阶段根据学习阶段获得的见解,对知识资产进行补充或更新,确保其在组织内持续的相关性和价值。知识资产被重新打包,以确保其价值能够被有效利用于未来。此阶段也是一个决策点,知识资产要么被归档并共享以备未来潜在使用,要么在不再相关或不再准确时被退役。此阶段确保知识资产不是静态的,而是贯穿于其整个生命周期被积极管理、更新和甄选,从而维持组织知识库的活力与相关性。
知识管理(KM)在盈利组织中已被广泛探索,主要作为实现竞争优势和盈利能力的一种策略[61]。相反,知识管理在非营利组织中的理解与应用仍然有限[41],而知识工作(例如,在多个领域和来源间导航信息[20])对其运营至关重要。与以利润驱动的组织不同,非营利组织利用知识管理来改善其社会服务的质量[52],凸显了知识管理目标的一种转变。
2.2 协作式计算机支持工作的组织知识视角
CSSO服务具有高度的关系性,往往与情感、无形和个人因素交织在一起[52],这凸显了以人为中心的知识管理方法的必要性[56]。这些方面意味着,将盈利部门的知识管理最佳实践直接移植到非营利情境中是不适当的;相反,需要仔细考虑CSSO不同的运营目标和现实情况[56]。为了更深入地了解这些以人为本的知识管理需求,下文回顾了来自计算机支持协作工作的相关先前提文献。
三十多年来,计算机支持协作工作领域的学者一直批评纯粹技术或管理取向(以物为中心)的知识管理观点,转而强调一种基于工作的社会情境的"基于实践"(以人为本)视角[2]。这种方法对于理解支持复杂的分布式协作的挑战至关重要,在这种协作中,工作被多个跨越专业和组织边界的行动者之间的相互依赖性所特征化。此类协作往往面临利益相关者群体或场所之间的目标和价值观紧张关系[35, 86],以及组织工作和沟通方面的挑战[13, 43]。
为了管理这些复杂性,协作者必须进行Strauss[80]所称的阐述性工作,即协调和对齐分布式任务所需的一组活动。尽管阐述性工作通常是隐形的、幕后工作[76],但它是合作过程中不可或缺的"间接成本",对于使协作努力在实践中发挥作用至关重要[72]。理解阐述性工作对于指导系统设计很有价值[15, 81];否则,所生成的技术支持很可能只解决了工作的理想化视图,而非实际实践中的混乱现实[36]。
为了支持阐述性工作,共同信息空间(CIS)被提出作为设计计算机支持协作工作系统的概念框架[10, 72]。CIS不仅仅是一个简单数据存储库。正如Schmidt和Bannon[72]所指出的,"一个共同的数据库并不构成一个[CIS]",因为这种观点忽视了使信息变得有意义并在个人工作实践和整体合作的背景下达成共同理解所必需的活动性和持续性的解释工作。虽然需要某种形式的"封闭"以使信息能够以最小的解释工作成本在组织边界间传递从而保证效率[10],但CIS不应是静态存储库。它必须是一个动态的社会产物,其中意义被积极且持续地协商[72]。
阐述性工作的特征和CIS的设计因组织情境而异;CSSO以其运营现实独特地塑造着它们。在这些环境中,阐述性工作因高度依赖志愿者队伍而加剧,导致高人员流动率和知识流失[49, 52],并因影响弱势群体的决策所背负的道德重量而加剧。同样,功能性CIS的构建也严重受到碎片化[63, 74, 77, 88]、外部强制的数据系统,以及保护敏感客户数据的关键需求[16]的阻碍。
然而,仍然缺乏一种整合性的理解,能够为有针对性的系统设计和未来研究方向提供指导。现有的相关文献,无论是在人机交互领域还是非人机交互领域,都是个案研究,限制了对CSSO中知识管理实践的全面洞察。本文通过系统文献综述来弥补这一空白,将反复出现的知识管理挑战和相应的设计启示映射到知识生命周期的各阶段上。
3 方法
我们的研究旨在通过系统地综述现有文献,增强对CSSO中知识管理相关挑战和设计启示的概念性理解。具体而言,我们旨在通过Evans等人[34]的KMC模型分析视角,综合人机交互和计算机支持协作工作领域内多样的研究脉络。为了实现这一目标,我们采用了广泛理论化综述[51],因为我们打算将多样的实证见解整合到一个连贯的概念框架中。
我们遵循了扎根理论文献综述(GTLR)方法,该方法"通过在文献综述中聚焦于现象,以严格的概念为中心的方法来帮助构建理论"[93]。采用这种方法使我们能够归纳性地阐述新兴的知识管理相关概念,并系统地将其映射到KMC阶段上,创建了一个全面且基于实证的CSSO知识管理需求和机遇框架。我们遵循了GTLR方法的五个阶段——(1) 定义,(2) 搜索,(3) 筛选,(4) 分析,以及(5) 呈现。本节中我们描述了前四个阶段。最后呈现阶段的结果在第4节和第5节中讨论,我们在那里详细阐述了文献综述的结果。
定义。我们首先定义了综述范围和选择相关文献的纳入与排除标准。与人机交互研究领域的先前系统综述一致(例如[18, 24, 29, 30, 71]),我们转向了ACM数字图书馆,它被认为是计算与信息技术领域最全面的文献记录源和全文文章来源[8]。虽然先前的综述以ACM数字图书馆作为主要数据库,但大多数是针对特定子领域进行搜索的。为了专门针对人机交互和计算机支持协作工作研究,我们将搜索结果限制为SIGCHI赞助的出版物[18]。根据我们的研究问题,我们定义了纳入标准,选取那些在社区性、社会组织运营情境中明确呈现数据工作实践和技术使用的文章。
搜索。我们最初的搜索词集包括"数据管理"、"数据实践"、"社区性组织"和"社区组织"。第一作者曾与CSSO进行过实证研究,通过阅读文章引言部分从已知文献中提取关于CSSO运营中技术使用的术语或短语,以迭代优化和扩展搜索词。我们最终的搜索查询结构,作为ACM最终搜索的种子,如下所示:
("数据基础设施" OR "技术基础设施" OR "数字基础设施" OR "信息基础设施" OR "数据管理" OR "信息管理" OR "信息系统" OR "数据实践" OR "数据工作") AND ("社会服务" OR "非营利" OR "人类服务" OR "社区服务" OR "社区性组织" OR "社区组织")
我们的搜索产生了初始样本,即96篇发表在SIGCHI会议上的文章。
筛选。在初步检索后,我们筛选了摘要和标题以识别符合我们纳入标准的文章。对于非强同行评审或未反映研究成果的出版类型(例如博士研讨会或工作坊论文),我们将其排除在外。随后我们进行了全文筛选,应用上述纳入标准。如果文章超出我们的情境范围,则被排除;例如,关注于帮助需要支持的个体寻找社会服务提供者的技术、为护理工作设计的机器人系统、利用社交媒体为事业倡导,或者要么关注政府机构要么关注基于在线的而非社区性的组织。我们还排除了当焦点组织以倡导或活动主义为优先时,例如公共游说、政策改变或社会运动组织,而非社会服务的持续提供与协调(如研究所表述的组织使命、核心活动和成果所示)的论文。
初步筛选确定了15篇相关出版物,我们通过前向和后向滚雪球抽样[92]进行了扩展。我们进行了后向引文搜索,以识别由初始15篇文章引用的相关文献。我们查阅了它们的参考文献部分,检查是否有标题、出版场所或作者与我们的综述范围相关。对于前向引文搜索,我们使用了Google Scholar中的"被引XXX次"功能(类似于[54])。这导致我们的样本中增加了10篇SIGCHI会议文章,总共25篇(见表1)。在这25篇论文中,11篇(44%)发表于最近五年(2021-2025年)。在整个样本中,大多数发表于CSCW(N=13,52%)和CHI(N=8,32%)。
分析。我们的分析过程是迭代的,结合了归纳编码和向KMC的演绎映射。对于每篇纳入的论文,我们将关于知识管理挑战和设计启示所报告的发现和讨论要点视为分析材料。遵循迭代编码过程[90],第一作者仔细阅读了所有文章。这种对文献的浸入式阅读驱动了初始的归纳开放式编码,为描述知识工作断裂和设计启示的段落分配描述性代码。在此阶段,摘录和初始代码被记录在Miro板上,以便于团队成员进行共享审阅和反馈。我们迭代优化代码,合并重叠的代码并在出现新的细微差别时拆分过于宽泛的代码。
在轴心编码阶段,初始代码被聚类为更高层次的主题。然后我们进行了一次演绎编码遍历,使用KMC阶段作为分析视角来系统地组织主题,以应对我们的研究问题。指导演绎编码的问题包括:该摘录主要涉及哪个KMC阶段?该摘录是否描述了一个阶段中的问题如何传播到另一个阶段?我们通过询问所描述的知识活动来操作化这一点,例如,产生或捕获知识、传播知识、在决策中应用、反思成果或更新实践。当摘录涉及多个阶段时,我们将主要阶段编码为挑战/启示的所在点,并记录任何次要阶段作为关联结果。在整个每周会议中,我们迭代地审阅、讨论和优化这些主题,讨论模糊案例并优化主题定义和阶段映射,直到我们达到稳定的解释。知识管理挑战的主题和代码在第4节和表2中阐述,而设计启示的主题和代码则在第5节和表3中呈现。
表1.
年份、发表会议、领域、规模、劳动力、资金环境、地点
[59] 2007 CHI MIT 社区非营利组织(如食品银行) 员工+志愿者 - 美国
[49] 2008 CSCW 2个无家可归者外展中心 11名员工+志愿者;7名员工+4名实习生+志愿者 使用Pathways系统的政府资金及报告要求 美国
[50] 2010 CHI 多个无家可归者中心 员工+志愿者 使用无家可归者管理信息系统(HMIS)的强制报告 美国
[78] 2010 CHI 儿童性贩运预防及受害者支持网络 1-15名员工+志愿者 灵活;避免过度正式化 不适用
[79] 2010 CSCW 17家人贩受害者服务机构 3-39名员工+志愿者 不同的资金约束 美国
[88] 2011 CHI 7家混合非营利组织(如医疗、社会服务、公共福利) 员工+志愿者 混合,部分使用信息系统进行捐赠者互动 美国
[77] 2012 CSCW 100+儿童性贩运预防及受害者支持网络 混合 低预算 美国
[31] 2013 UbiComp 5个食品支持组织 员工+志愿者 资助方要求的影响测量统计数据 美国
[33] 2016 CSCW 5个经济适用房项目、5个社区发展非营利组织 员工 面向资助方和利益相关者的数据叙事 美国
[87] 2016 GROUP 面向低收入群体的社会服务组织 员工+外部专家 资助方要求提供影响证据 美国
[17] 2017 CHI 19个多领域使命驱动型组织 员工+外部专家+志愿者 根据不同资助方系统强制收集数据 不适用
[89] 2017 CSCW 8个校园食品储藏室 员工+志愿者 捐赠者强制要求的指标 美国
[63] 2019 CSCW 动物收容所 员工+志愿者 报告以展示其影响 美国
[44] 2019 CSCW 无家可归者服务 员工 使用HMIS的强制指标 美国
[67] 2021 CSCW 食品银行、Hoffice 员工+志愿者;志愿者 企业资助、资源受限 丹麦、瑞典
[74] 2022 DIS 移民福利支持 志愿者 强制报告以获取资金 澳大利亚
[55] 2023 CHI 紧急住房庇护所 员工 用于循证决策的客户端记录 加拿大
[82] 2023 CHI 移民/难民福利支持 员工+志愿者 强制数据要求 美国
[19] 2023 CSCW 无家可归者服务 员工+志愿者 通常由政府(住房与城市发展部HUD)定义的强制指标 美国
[16] 2023 CSCW 移民食品援助 员工+实习生+志愿者 用于审计和资助方的强制指标/报告 美国
[38] 2024 CHI 无家可归者案件管理 30名案件工作者 基于HMIS的强制指标 美国
[53] 2024 CSCW 14个跨领域社区服务 员工+志愿者+合作伙伴 来自资助方的报告压力 印度、瑞士、智利、肯尼亚等
[85] 2024 CSCW 无家可归者服务网络 员工 基于标准化工具的强制指标 美国
[1] 2024 CSCW 7个残障服务 员工 强制/合规倾向,与政府项目挂钩 美国
[7] 2025 GROUP 4个面向低收入群体的社会服务组织 员工+志愿者 混合 美国
图1:各来源的发表年份与会议,以及所研究组织的规模、劳动力、资金环境和地点
图2:CSSOs(基于社区的社会服务组织)中知识管理挑战(C)与设计启示(D),映射至Evans知识管理循环模型的各阶段
一张将知识管理挑战与设计启示映射至Evans KMC模型六个阶段的示意图,适用于CSSOs。
4 基于社区的社会服务组织面临的知识管理挑战
本节介绍了CSSOs在知识管理循环(KMC)六个阶段中遇到的相互关联的挑战(总结于表2)。这些挑战源于社会服务工作的独特性质,其特征包括情境敏感性、资源约束以及外部施加的数据和系统要求。一个阶段的挑战会级联至后续阶段,凸显了CSSOs有效知识管理策略的复杂性和重要性,如图2所示。
表2:CSSOs面临的知识管理挑战的主题与编码摘要
KMC阶段 | 主题 | 编码 | 挑战
知识创建/识别阶段挑战
CKCI1:数据实践与组织目标之间的错位
- 外部资助方制定以量化指标为重点的数据议程
- 强制性的数据工作成为额外负担
- 有意决定不收集某些敏感数据
CKCI2:难以表征复杂工作和情境
- 难以捕捉社会服务工作的复杂性和细微差别
- 隐性知识编码化困难
- 社会服务工作在系统中不可见
CKCI3:逻辑性数据碎片化
- 不一致、无结构的数据导致不完整/有歧义记录
- 术语差异和歧义
CKCI4:纵向数据碎片化
- 难以保持数据更新
- 跨系统数据冲突
知识存储阶段挑战
CKST1:位置性数据碎片化
- 组织内部数据分散在互不连接的系统
- 跨组织数据孤岛
- 组织约束持续导致碎片化
知识分享阶段挑战
CKSH1:定位专业知识困难
- 难以捕捉隐性知识
- 易受专业知识差距和知识流失影响
- 依赖不可持续的关系网络
CKSH2:在孤岛中运作
- 缺乏跨组织意识
- 难以了解其他组织的活动
- 分享资源和需求面临挑战与风险
知识使用阶段挑战
CKU1:难以将数据转化为可操作洞察
- 数据质量差和上下文不足削弱分析
- 系统性碎片化和孤岛阻碍协同行动
- 组织产能约束限制数据利用
知识学习阶段挑战
CKL1:难以从过往经验中学习
- 强制系统无法捕捉最佳实践
- 隐性知识难以用于培训员工
- 组织孤岛限制集体学习
知识改进阶段挑战
CKI1:质疑知识时的惯性与阻力
- 外部数据强制要求阻碍批判性反思
- 不加批判地采用数据系统延续危害
- 预测模型过度简化和不透明
表2:CSSOs面临的知识管理挑战主题与编码摘要
4.1 知识创建/识别阶段挑战
此阶段涉及在组织内识别、浮现或开发知识资产。在CSSOs中,这一初始阶段常常因强制性数据收集实践与组织使命之间的错位而受阻,导致所收集的数据不一定符合运营需求。社会服务提供的情境性和情感细腻性进一步增加了表征复杂的、情境敏感信息(对日常工作至关重要)的难度。识别有用信息还受到逻辑性和纵向性数据碎片化的阻碍;不一致的记录产生不完整或有歧义的数据,而过时、不准确的数据则削弱了所创建知识资产的实用性。
4.1.1 CKCI1:数据实践与组织目标之间的错位
如表1所述,CSSOs通常在资助方和政府定义的责任制度下运作,该制度规定了应收集和存储哪些信息以及哪些指标可作为绩效或影响证据[16, 17, 19, 31, 38, 49, 67, 74, 79, 82, 87, 89]。例如,捐赠者通常要求去重后的客户端人数以衡量项目影响,但非营利组织更注重总体援助而非服务的独立个体数量,因为它们使用多个项目[31]。外部强制的数据工作会给工作人员增加大量不可见的劳动。例如,政府资助的无家可归者服务中心通常被强制使用用于全州问责制的系统,如无家可归者管理信息系统(HMIS)和Pathways,同时还要维护额外的内部工具进行协调,产生并行记录和冗余[49]。为收集所需数据,工作人员还必须将混乱的现实转化为僵化的字段。例如,标准化的客户端评估问题如"你最常在哪里睡觉?"迫使工作人员将客户不断变化的现实塞入单一可选类别,剥离必要的上下文[85]。
因此,知识创建往往趋向于外部可读性而非运营需求或有效服务交付[16, 17, 19, 38, 50, 87, 89]。外部定义的数据制度往往优先考虑量化指标,与关系型和情境型服务模式不匹配,缺乏完全应对情况所需的情感和个体细微差别,不反映客户的复杂现实[19, 38, 44, 49, 53, 87]。例如,为实现住房资格的算法优先排序,标准化努力使脆弱性变得可比较,覆盖了前线工作者用来解读客户生活的上下文知识和自由裁量判断[44]。强制性的量化报告还迫使工作人员将关系型活动(如案件管理、护理协调)转化为数字交付物,过度简化工作并有时损害社区关系[82]。因此,由外部需求而非运营需求塑造的创建知识削弱了后续知识管理阶段的基础。
最后,强制性文档反映权力不平等并创造伦理张力[17, 79, 82, 89]。这造成了报告要求与保护客户和维持信任的伦理义务之间的张力[85]。一些组织采用"关怀数据实践",选择如果资助方强制要求收集敏感数据(如公民身份状态)可能危及客户安全或阻止其寻求帮助,则不收集这些数据[16]。
4.1.2 CKCI2:难以表征复杂工作和情境
CSSOs常常难以捕捉其工作的复杂、细腻和情境依赖性,几乎没有实践来捕捉无形和隐性知识[59]。这一挑战主要在知识创建/识别阶段出现,因为社会服务任务的本质抵制被简化为简化的文档记录。它因现有偏重量化指标的文档方法(CKCI1)而加剧。过度依赖数字指标无法反映社会服务工作的深度和复杂性,损害了下游知识使用的有效性和准确性。
社会工作的核心方面之一是情感和关系劳动,如与客户建立信任[1, 38, 44, 67]。由于这种身体化知识的无形性和情境性,捕捉它具有挑战性,导致客户互动中的关键洞察未被捕捉或未被充分利用。此外,社会工作者进行大量协调活动,管理跨组织依赖关系以获取资源并维持联系[50, 74, 78, 79]。然而,这项工作的关键方面,如资源分配流程,往往仍然不可见[38, 82],造成组织理解的空白。例如,在儿童性贩运预防和支持的跨组织生态系统中,信息流和转介通常依赖于个人关系和联系,而这些在正式数据库或目录中仅部分体现[79]。这种不充分的表征减少了对其贡献的认可[38, 85],损害了士气。
4.1.3 CKCI3:逻辑性数据碎片化
该主题涉及结构、含义或一致性上碎片化的数据和信息[17]。这些问题主要在知识创建/识别阶段出现,不同的人、角色和利益相关者生成数据,导致收集的数据集无法系统地相互补充[17]。例如,当强制性的客户脆弱性评估问卷包含不清楚的术语(如"法律事务")时,工作人员在实践中对其进行了解释[85]。这些解释可能因员工不同而存在差异,产生不一致。另一方面,记录在无家可归者服务案件管理中的叙述性案例笔记在完整性和有用性方面也可能因培训、经验和工作量而异。例如,Masrani等人[55]和Gondimalla等人[38]报告说,案例笔记中的信息取决于个别工作人员的记忆或对重要性的判断。个别工作人员在案例笔记中也以不同方式使用术语和缩写,导致不同的解释(例如以不同名称称呼同一组织)[38]。
逻辑性碎片化也可能出现在不同利益相关者需要同一现实的"不同单位"的服务生态系统中。例如,在校园食品储藏室中,同样的分配工作可以根据要满足哪个利益相关者而被表示为不同的"货币"(如物品数量、重量、价格、积分),使得跨数据集的对账往往是政治性的[89]。
4.1.4 CKCI4:纵向数据碎片化
纵向数据碎片化指的是随时间推移的连续性中断,即记录未更新、含义跨报告周期发生变化,或随着组织优先事项和外部要求的变化而漂移,如CKCI1所述。CSSOs通常在维持服务信息和资格信息更新以及定位当前数据方面面临挑战。保持自身服务信息当前有效需要后勤努力,需要跟踪实物(如宣传册、传单)[1]和数字信息来源,当CSSOs因技术困难难以更新其网站时尤其如此[59]。这导致关于服务的广泛不一致或冲突的知识。Dombrowski等人[31]描绘了食品支持组织不得不跟上不断变化的资源可用性、资格规则、合作伙伴组织的时间和地点的情况。纵向碎片化也出现在内部客户历史记录中。在无家可归者服务中,员工可能无法始终将案例笔记完全更新,这破坏了连续性并使后续决策依赖于过时或不完整的记录[44]。当文档延迟或不均匀更新时,工作人员以反复验证来补偿[1],这也限制了CSSOs跟踪干预措施或个体变化的能力[17],损害了知识使用(CKU1:难以将数据转化为可操作洞察)。
4.2 知识存储阶段挑战
此阶段涉及将知识资产整合到组织存储库中,确保未来可访问性。然而,在CSSOs中,数据往往碎片化在多个互不连接的系统中,而跨组织数据仍未整合。这种位置性碎片化阻碍了信息的及时检索和有效使用。
4.2.1 CKST1:位置性数据碎片化
位置性数据碎片化发生在CSSOs协调所需的信息存储在多个互不连接的系统中时,包括强制数据库、本地电子表格、纸质文件、电子邮件线程或个人设备,导致客户、服务和运营数据分散在各处[63, 74, 77, 88]。这种知识存储挑战使数据检索和聚合变得复杂[17, 74, 88];即使信息存在,也无法在一个地方找到。不连接的存储还导致数据不一致(CKCI3)和不准确性(CKCI4),需要耗时的手动信息转移[17]并导致版本控制问题[63, 88]。
这种碎片化不仅是技术性的,还受到组织强制和基础设施的塑造(CKCI1)。如表1所示,无家可归者服务组织通常需要HMIS来满足政府报告要求。当从HMIS生成所需报告困难时,员工可能将其数据导出到外部数据库中组装报告,创建同一数据的并行副本[50]。
位置性碎片化也受到现实因素的塑造。大多数CSSOs面临运营约束,如有限的时间和资源以及缺乏技术专业知识,这阻碍了对集成数据系统的投资[17, 88]。由于人力、时间和财务资源的有限可用性,信息管理对CSSOs而言优先级较低,而高员工流失率导致不同的数据库所有者[88]。
位置性碎片化也跨越组织边界延伸[17, 50],CSSOs通常将数据存储在孤立的、通常是强制性的系统中,这些系统限制跨组织的知识分享[17, 49, 50]。即使像HMIS这样的系统在名义上设计用于跨组织数据交换,它实际上用于问责,而协调知识则记录在另外的本地工具中[50]。
4.3 知识分享阶段挑战
此阶段涉及有效地传播已存储的知识。在个人层面,CSSOs往往难以识别和联系相关专家,限制了知识分享。
在组织层面,跨组织意识不足和运营壁垒阻碍了有效的知识交流,使CSSO不了解其他实体的角色、资源和能力,从而阻碍了将客户与适当支持相连接的努力。
**4.3.1 CKSH1:专长定位的挑战。** 在CSSO生态系统中,专长是两类知识的混合:(1)实践知识,即人们所知道的内容,例如解读资格规则、化解危机或导航本地资源;以及(2)关系知识,即人们所认识的人,例如知道该联系合作组织中的谁以及如何联系他们。在CSSO中,定位此类专长颇具挑战,尤其是在员工高流动率和高度依赖志愿者的情况下。
首先,服务工作严重依赖难以捕捉和正式记录的隐性知识(CKCI4),使得系统性地记录个人特定技能和专长变得困难。此外,经验丰富的员工通常不愿将复杂任务委派给经验较浅的员工。这使得疑难案例和决策权集中在少数员工手中,这些员工随后成为瓶颈并承受过重负担[74]。Le Dantec和Edwards[49]同样强调了志愿者劳动力的流动如何提高保存某些职位所需知识的组织成本。
第二个障碍是,跨组织专长通常通过个人网络而非组织系统来维持。Stoll等人[79]表明,跨组织协调通常始于个人的联系人列表和关系。员工不得不手动追踪该联系谁、最佳渠道以及联系时间,而当关键人员离职时,这些联系往往会瓦解[79]。一家食品援助组织依赖一名员工与其他非营利组织的个人关系,将客户和食品资源导向正确位置[31]。相比之下,Stoll等人[77]指出,许多反性贩卖组织在没有能连接他们的人的情况下,并不了解其他组织的存在和活动。
**4.3.2 CKSH2:在信息孤岛中运营:意识与临时信息共享的挑战。** 服务工作者经常面临信息共享和跨组织协调的障碍。一个关键障碍是缺乏"存在意识",即对其他组织存在、角色和能力的基本了解[79]。然而,有效的服务提供通常需要应对复杂、情境依赖的需求,这需要跨不同组织的协作[1, 7, 31, 77, 79]。缺乏这种意识,CSSO就会在孤岛上运营,最终阻碍知识的使用。
这一挑战被多种因素加剧,例如CKST1:地理位置数据碎片化。例如,在没有中央信息中心支持跨组织信息共享的情况下,一家无家可归者服务提供者的员工依靠电话来识别有可用资源的组织[49],这种方式无法有效扩展,也难以保持更新。其他因素包括CKCI4:纵向数据碎片化,因为过时的其他服务提供者数据会损害准确的跨组织意识[79];以及CKSH1:专长定位的挑战,当熟悉的联系人不可用时[79]。
除了基本的联系细节等意识之外,服务工作者还希望了解谁在做什么[77]。例如,无家可归者支持提供者重视HMIS上详细的客户服务历史记录,以便了解什么措施有效,并让客户免于反复讲述他们的故事[50]。然而,系统能表示的内容与工作所需了解的内容之间的差距,可能导致客户轨迹在不同组织间只能部分可见[19]。例如,尽管Pathways在社会服务组织中被使用,但客户接受的援助历史或其背景仍然无法访问[49]。
资源可用性和紧急需求的临时共享至关重要,但仍难以实现。虽然服务工作者渴望能在系统中查看最新的资源可用性或需求[49, 78],但CSSO必须在这些工具中保持对可见性的控制权。尽管HMIS有一个功能允许组织共享其提供的服务或资源可用性,但缺乏对可见性的访问控制,导致客户蜂拥而至,造成过度转介、漫长等待和客户不满[50]。该功能随后从系统中被移除。相反,公开组织需求可能会导致无法管理的援助涌入[31]。换言之,从组织角度看,"更多共享"并不总是可取的;可见性可能造成运营风险。
**4.4 知识使用中的挑战**
此阶段涉及应用知识来支持决策和日常运营。然而,早期阶段的各种挑战往往阻碍CSSO将知识资产转化为可操作的见解,限制其改进服务交付的能力。
**4.4.1 CKU1:将数据转化为可操作见解的困难。** 许多CSSO难以将数据转化为可操作的见解[17, 38],原因包括系统性、基础设施性和技能相关因素。首先,上游问题,即逻辑碎片化和纵向衰减(CKCI3和CKCI4),提高了对记录是否可信的不确定性。在无家可归者服务提供者中,不完整或过时的客户案例记录会影响客户优先级排序和后续跟进,因为员工无法可靠地重建所发生的情况或客户当前需求[44]。类似地,数据不一致或冲突使跨案例比较客户需求成为不可能[38]。这些问题严重阻碍了客户服务交付、报告和跨组织协作。
即使数据集相对完整和一致,当它们缺乏解释数字含义所需的情境细节时(CKCI1),推导出可操作的见解仍然具有挑战性。一些组织故意限制收集或共享某些客户信息(例如公民身份),以防止监控风险[16, 50, 74];这是一种在伦理上必要的做法,但也可能限制后续分析可以安全推断的内容。同时,标准化的定量指标往往忽视了客户需求的现实情境和复杂性,降低了其运营价值[38, 87]。
此外,CKST1加剧了这些挑战,因为从分散在不相连系统中的数据中生成可操作的见解通常需要手动组装,这限制了CSSO综合跨项目、客户案例和资源信息的能力。例如,在无家可归者基础设施中,组织可能使用强制的HMIS以满足合规要求,同时在实践中维持单独的服务协调工具,使得在没有重新录入工作和数据库协调的情况下难以产生统一视图[49, 50]。CKSH2:在信息孤岛中运营加剧了这一问题。除了与其他组织协作需要基本的存在意识[77]外,Stoll等人[79]强调,例如为人口贩卖受害者提供的服务网络因具体情况而异,使得在没有整合、可共享的知识库的情况下,协调行动更加困难。
最后,将数据转化为行动的能力受到人员配置、资源和技术能力的影响[49]。在资源匮乏的组织中,有限的时间和解析专业知识使得为外部利益相关者准备的报告难以重新用于内部实践[17]。结果,CSSO通常不得不借助外部承包商进行数据分析或技术项目,但这些承包商通常与组织使命脱节[17],或者当承包商离开时项目往往终止[59]。即使分析工具可用,服务工作者也常发现它们不适合自己的需求[33]。例如,尽管一家社会服务机构引入了先进的商业智能系统,但服务工作者缺乏脚本或数据素养技能来充分利用它,最终只能将数据导出到Excel中[87]。
**4.5 知识学习中的挑战**
此阶段涉及通过利用知识资产来回顾过去的实践并吸取有价值经验。然而,早期知识管理阶段的挑战往往损害了知识资产的有用性、完整性、完备性和范围,使CSSO难以从中得出有意义的见解并从过往经验中吸取教训。
**4.5.1 CKL1:从过往经验中学习的困难。** 知识学习,即从过往经验中吸取教训或最佳实践的能力,在CSSO中特别具有挑战性,因为组织记忆要么由人员承载,要么是为问责而非反思而优化的。首先,在志愿者主导或高流动率的环境中,学习往往通过人员而非记录传播。此外,许多社会工作属于隐性知识,通过身临其境的实践发展,因此不仅难以记录(CKCI2),也难以转让给他人。例如,在志愿者运营的移民福利支持中,新人通过资深员工的故事和非正式指导获得激励,但将这些经验转化为可转移的实践很困难,尤其是在专长集中在少数可信赖人员手中时(CKSH1)[74]。
在合规驱动的环境中,学习受到数据基础设施设计所保留内容的限制(CKCI2)。即使存在商业智能工具,它们也支持汇总监控而非学习特定案例所需的背景深入分析[87]。资助者通常优先考虑的监测和评估制度强调短期、可计量的产出,而非对什么措施有效及原因的深入、纵向理解,从而限制了组织从自身实践中学习的能力[17]。正如这里所暗示的,当记录不一致(CKCI3)或随时间衰减(CKCI4)时,学习也会受阻,使得难以理解轨迹和跨案例比较结果。
此外,CKSH2:在信息孤岛中运营阻碍了跨越组织边界的学习经验分享和最佳实践共享[33, 77]。CKSH2源于CKST1:地理位置数据碎片化和CKSH1:专长定位的挑战,展示了知识管理挑战的连锁效应。因此,解决从历史知识中学习的障碍不仅需要技术修复,还需要重新思考何种类型的知识受到重视、如何捕捉这些知识,以及如何将经验洞察在组织内和组织间浮现和共享。
**4.6 知识改进中的挑战**
此阶段涉及完善和更新知识资产,确保其持续的相关性和效用。然而,遵守外部强制规定的僵化指标和不透明预测模型的压力往往限制了批判性反思和修订现有实践的机会。
**4.6.1 CKI1:质疑知识时的惯性和阻力。** 改进组织知识需要对什么被计量、类别如何定义、数据系统服务于谁的目标进行质疑。在许多CSSO中,由于外部定义的、强制性的数据收集(CKCI1)并非中立,这种反思在结构上极具挑战。例如,员工被推动优先考虑法规而非客户需求,例为不立即将受害者送往最近的庇护所以满足管辖权协议,这使得质疑既定但有害的工作流程变得风险重重[79]。校园食品杂货柜的资助者用具体指标衡量成功,例如服务人数或分配的食品重量。尽管这些杂货柜的使命声明更倾向于改善营养价值或客户福祉,重塑成功衡量的内容颇具挑战性,因为它可能威胁资金或合法性[89]。这些类别和指标体现了那些"塑造我们看到世界的方式以及……我们在世界中行动的方式"的内容[89]。如果不予质疑,它们有可能强化偏见,延续系统性伤害[85]。
主动利用数据,尤其是预测分析的努力,引入了额外的张力。预测模型有可能过度简化复杂的客户情况,并在缺乏批判性人工监督的情况下部署时可能造成意外伤害[44, 85, 87]。例如,在许多无家可归者系统中,定量表示客户脆弱性的分数决定住房分配。Bopp等人[17]指出,此类数字分数忽视了必要的反思,即分数较低的人实际上可能同样脆弱,或者分数较高的人是因为与系统的负面互动(例如在监狱中)而得到奖励。进一步复杂化的是,无家可归者服务工作者常常难以理解和解释系统为何优先将某些客户排在其他客户前面进行住房分配,因为许多自动化或推荐系统仍是不透明的[44]。
**5 面向社区社会服务组织的知识管理设计启示**
本节呈现文献中识别出的设计启示(在表3中总结),以解决上述相互关联的知识管理挑战。CSSO有效的知识管理解决方案需要与组织使命相一致、数据处理具有灵活性、支持隐性知识共享和反思性学习,并赋权一线员工的自由裁量权。
这些启示强调了知识管理(KM)各阶段之间的相互关联性(如图2所示)。
**表3:KMC阶段主题与编码**
| 知识管理阶段 | 主题 | 编码 | 设计启示 |
|---|---|---|---|
| **知识创建/识别** | | | |
| | 将知识管理系统与组织目标对齐 | DKCI1 | • 整合定性数据以获得价值观一致的分析见解 • 灵活应对不断变化的强制性数据要求 • 支持关怀型数据实践 |
| | 捕捉隐性知识 | DKCI2 | • 捕获经验性知识 • 尊重工作可见性的边界 |
| | 平衡数据创建中的标准化与灵活性 | DKCI3 | • 标准化数据格式以确保一致性和完整性 • 避免过度僵化的标准化 |
| | 支持纵向、准确的数据收集 | DKCI4 | • 激励及时的数据收集 • 支持关联记录之间的同步 |
| **知识存储** | | | |
| | 集中化的组织内、组织间知识库 | DKST1 | • 连接碎片化的组织内、组织间知识库 • 确保与现有系统的互操作性 |
| **知识共享** | | | |
| | 定位专业知识 | DKSH1 | • 捕获隐性专业知识和技能 • 捕获关系网络 |
| | 支持跨组织知识流动 | DKSH2 | • 增强组织间意识 • 创建超越静态目录的互动机制 • 在隐私控制下共享客户服务历史记录 • 受控交换资源可用性和需求信息 |
| **知识使用** | | | |
| | 提供可操作的见解 | DKU1 | • 提供个性化分析见解 • 透明的跨组织协调建议 |
| **知识学习** | | | |
| | 支持从过往经验中学习 | DKL1 | • 促进结合定性见解的数据驱动反思 • 通过跨组织最佳实践和见解的交换促进集体学习 |
| **知识改进** | | | |
| | 重视知识解读中的裁量权和质疑 | DKI1 | • 认可和赋权一线人员行使裁量权 |
**CSSOs知识管理设计启示的主题与编码总结**
## 5.1 知识创建/识别的设计启示
解决本阶段面临的挑战,需要将数据创建与组织使命和日常运营需求相协调。系统应能够容纳外部强制性的定量指标和丰富的定性信息,捕捉社会服务工作情境敏感和细微的方面。此外,实施标准化但可适应且可持续的数据录入,有助于减轻逻辑性和纵向数据碎片化问题,从而增强其未来的可用性。
### 5.1.1 DKCI1:将知识管理系统与组织目标对齐
为应对CKCI1:数据实践与组织目标之间的错位问题,知识管理系统的设计应同时支持外部可见的责任报告和一线工作者在实践中依赖的情境化、关怀导向的推理。社会服务工作者持续强调叙事细节在解释和使用数据中的价值[16, 17, 38, 87]。在人道服务领域,工作者们希望系统能将定量摘要与定性材料相连接,例如:对非结构化案例笔记的结构化访问、可搜索的叙事上下文,以及将聚合指标与具体客户故事关联起来的界面[38, 87]。例如,Bopp和Voida[19]提出了一种针对无家可归者案件管理的可视化方法,该方法不仅提供聚合分析见解,还反映每个人的生活经历,展示客户的引用、录音和传记段落,提供对其人际关系、想法和情感的深入了解。
对齐还要求容纳许多CSSOs必须在多种指标体系中运作的现实。例如,校园食物救济站需要记录物品数量、重量、积分和货币价值,以满足不同利益相关者的需求[89]。对于这类场景,设计对齐意味着支持多指标核算——维护货币之间的映射关系、记录指标的产出原因和面向对象,并启用灵活的报告视图,而无需强制将所有指标统一为单一架构[31, 89]。由于问责要求会不断演变,系统必须设计为能够适应变化而不产生偏差。CKCI1讨论了工作者将数据从强制系统中导出到其他易用软件,从而创建平行数据集的问题。这指向了支持数据架构共同治理的设计——让工作者参与定义架构、轻量级架构演进,以及跨必需系统的互操作性,以防止产生另一层碎片化[19, 38, 50]。最后,对齐必须支持当前的"关怀型数据实践"(CKCI1)——工作者避免记录可能危及客户安全的细节[16],将不收集信息视为一种合法的关怀实践。
### 5.1.2 DKCI2:捕捉隐性知识
正如CKCI2:难以表征复杂工作和情境所讨论的那样,呈现那些构成社会工作大部分内容的经验性和情境性知识具有挑战性。知识管理系统应帮助工作者以外化可操作的实践知识的方式呈现,从而支持入职培训和同伴学习。一个具体的设计方向来自无家可归者服务非营利组织——由于人员流动率高且培训不均,难以维持一致的实践方式,他们希望能够支持情境化学习,将不断演进的最佳实践传承下去,使其能够在不同代际的员工和志愿者中持久延续[49]。然而,他们警告不要使用一刀切的系统来取代工作者的裁量权,而应倡导搭建学习支架。志愿者主导的移民支持工作者也希望敏感案例的处理方式能够被学习[74]。参与者强调,虽然记录流程可以为初级志愿者提供参考,但文档应与密切指导(如搭档制)相结合,因为关键技能具有关系性和情境性。
与此同时,捕捉隐性知识需要围绕可见性设定边界。例如,Rossitto等人[67]指出,过度使志愿者工作可见——例如使用积分显示谁贡献更多——可能会干扰互助关系。另一方面,在使用自动化决策工具进行住房分配的无家可归者服务中心,工作者经常行使裁量权来弥合僵化的数据系统和客户细腻现实之间的差距[85]。使这些实践可见可能会导致管理层监控。
### 5.1.3 DKCI3:平衡数据创建中的标准化与灵活性
为应对CKCI3:逻辑数据碎片化问题,语料库中反复出现对标准化的需求,这在信息需要在班次之间和组织之间传递的场景中最为强烈。例如,社会服务工作者认为将社区组织(如医疗和住房服务机构)的数据汇总起来以创建统一的成果和成本视图具有价值(例如,单个无家可归者给社会带来的成本)[19]。为应对案例笔记质量参差不齐以及新员工不了解应包含哪些信息以有效实现护理延续的问题,无家可归者服务提供者倡导使用标准模板[38]。
然而,僵化的标准化值得警惕;不灵活的结构可能会将客户互动从关系建立转向文档记录[38, 89]。与其将结构与灵活性视为二元对立,知识管理系统应支持分层文档化。例如,Gondimalla等人[38]提出使用自然语言处理(NLP)从自由格式的案例笔记中提取所需的结构化属性,这样可以在不强制工作者使用规定模板的情况下产生一致的输出。
### 5.1.4 DKCI4:支持纵向、准确的数据收集
解决CKCI4:纵向数据碎片化需要设计将连续性视为一个持续性的实践问题,而不仅仅是存储问题。当工作者认为数据任务仅服务于外部报告需求而非改善日常工作实践时,这会阻碍及时的数据录入[38]。知识管理系统可以通过让工作者明确了解数据的下游使用来应对这一问题[38],例如展示所记录的数据工作如何有助于案件规划、随访或项目决策。
第二个纵向挑战是许多CSSOs在多个部分重叠的知识库中维护记录(CKST1)。因此,语料库推动跨关联记录同步[88],允许在一处进行的编辑自动传播到关联记录中。此外,知识管理系统应适应社会服务工作不断演变的本质,容纳不断变化的实践、组织环境和要求,正如前几小节所强调的那样。
## 5.2 知识存储的设计启示
为应对位置数据碎片化问题,需要集中化、一体化的知识库来促进组织内和组织间知识的整合与高效检索。这些知识库应能与各种现有系统实现互操作。
### 5.2.1 DKST1:组织内和组织间的集中化知识库
针对CKST1:位置数据碎片化问题,多项研究强调了连接组织内和组织间碎片化知识库的必要性,特别是在客户经常辗转多个服务机构以及员工必须汇总客户历史以协调护理的场景中[49, 50, 87]。类似的压力也出现在记录分散在电子表格、纸质文件和临时数字工具中的场景中,这使得汇总和交接成本高昂[17, 63, 74, 88]。正如CKST1中所讨论的,此类用于有效知识存储的集中化数据库还可以帮助解决CKCI3:逻辑碎片化和CKCI4:纵向碎片化问题,从而影响知识识别并促进共享。
然而,集中化知识库应被设计为互操作枢纽而非替代平台。首先,CSSOs经常依赖工具拼凑来满足特定需求[17, 88]。其次,外部利益相关者通常强制要求使用特定系统(CKCI1)。这些现实意味着集中化知识库应能够摄取和协调来自已在使用的各类应用的信息。这与在其他组织中倡导基于API的集成相呼应[63]。
## 5.3 知识共享的设计启示
应对CSSOs中的知识共享挑战涉及开发支持个人和组织层面有效知识交换的系统。为支持个人层面的知识共享,系统应捕捉社会服务工作中固有的隐性知识和个人网络。在组织层面,设计应支持动态的实时互动,同时实现安全的、细粒度控制的共享,以在跨组织协调与隐私和运营需求之间取得平衡。
### 5.3.1 DKSH1:定位专业知识
正如CKSH1所强调的,虽然定位专业知识可以促进知识共享,但在CSSOs中实施却面临挑战,因为难以同时捕捉"人们知道什么"(例如隐性知识)和"人们认识谁"(例如关系)。为捕捉"人们知道什么",系统必须容纳社会服务专业知识的情境性和隐性特征。设计功能应与DKCI2:捕捉隐性知识相一致,但不应取代促进此类共享的非正式互动和个人联系[74]。在数据驱动的知识管理环境中,暴露生产力差距可以帮助组织发现哪里需要辅导或培训资源[87],但这必须精心设计以避免将工作流捕捉转变为惩罚性监控[67]。
同样重要的是捕捉"人们认识谁",因为跨组织关系往往是非正式的,并在人员离开时容易丢失(CKSH1)。然而,仅有联系人列表无法维持这些联系,跨组织协调依赖于通过反复互动建立的信任[79]。这凸显了系统需要支持建立和维护超越静态目录的跨组织关系,这一主题将在下一小节进一步探讨。
### 5.3.2 DKSH2:支持跨组织知识流动
CKSH2:各自为政运作突出了CSSOs之间有限的相互了解如何阻碍跨组织知识共享。Stoll等人[77]描述了通过包含组织简介、联系方式和能力的网站来解决这一问题的努力。虽然这些使生态系统更具可导航性,但语料库强调关系建立和信任至关重要,仅靠联系人列表无法恢复[79, 82]。
文献建议使用更多互动机制来支持本地社区组织内部和跨组织的轻量级、持续性沟通,例如动态消息流和消息系统,以支持非正式更新和关系建立,这些关系可以发展为后续的协作[7, 31, 78]。
跨组织知识流动的另一种形式是共享客户服务历史记录。当将客户转介给外部服务机构以满足不同需求时,食品援助提供者会与他们分享案例笔记摘要以协调护理[16]。在无家可归者服务场景中,服务人员同样强调需要了解在整个服务生态系统中客户已经发生过什么,以避免重复接收并采用已被证明有效的策略来定制下一步行动[19, 50]。然而,跨组织边界共享客户级别数据引发了隐私问题,需要强大的同意机制和细粒度的隐私控制[19, 49]。
除客户历史记录外,CSSOs对共享资源可用性和需求表现出浓厚兴趣[7, 31, 78]。系统应支持上下文广播(例如资源时效性或紧急程度)和细粒度的可见性控制,使CSSOs能够在具体资源层级上定制谁可以看到什么[31]。
## 5.4 知识使用的设计启示
为改善CSSOs中的知识使用,设计应将现有知识资产转化为可操作的见解,以指导决策和日常运营。系统应帮助工作者解读与其职责相关的信息,同时促进跨组织边界的协同行动。
### 5.4.1 DKU1:提供可操作的见解
CSSOs始终寻求可操作的见解以实现其使命。然而,正如CKU1:难以将数据转化为可操作见解所提到的,知识创建与识别、存储和共享中存在的挑战阻碍了这些见解的获取。解决上述各阶段的设计启示有所帮助,但也必须了解社会服务工作者所期望的见解类型。
首先,系统应容纳组织角色的不同信息需求[38, 88]。Erete等人[33]提出了一个动态个性化的数据门户,根据组织的概况和需求推荐数据集、分析方法和可视化格式。其次,一种反复出现的可操作见解是支持跨组织协调的见解[50, 78, 79, 87]。例如,在非营利网络中,参与者希望获得支持来识别可以共同发起项目或申请拨款的机会[78]。人道服务中一个常见的协调负担是转介。工作者必须识别合适的服务、确认可用性和资格,并在不确定性下决定推荐什么。系统应帮助为客户识别合适的资源和项目[31, 38],参考DKSH2:支持跨组织知识流动中讨论的跨组织资源和服务信息。
此类推荐系统还必须提供解释,以帮助用户判断适配性、建立适当的信任,并向服务对象传达决策 [44]。
5.5 知识学习的设计启示
基于知识使用,在CSSO(协作社会服务机构)中实现有效的知识学习,需要能够促进反思性实践的系统,以便从过往经验中提炼教训并呈现最佳实践。这些系统应鼓励不仅在单个组织内部进行学习,还要跨越组织边界。
5.5.1 DKL1:支持从过往经验中学习
从过往经验中学习涉及揭示规律模式,同时保留解读这些模式所需的定性背景。例如,为支持无家可归服务提供者的反思,Karusala等人 [44] 建议突出服务对象轨迹中的趋势和异常(如服务对象的情况恶化或改善及其原因),并将这些模式与实践中可操作的变化联系起来。鉴于社会服务领域对隐性知识的重度依赖,反思应当整合定性要素,而非将其视为可选的附加内容。
此外,语料库还指向组织间的最佳实践和经验教训交流,以促进集体学习,帮助组织从更广泛的经验中受益,尤其是在服务相互依赖的生态系统中 [78]。组织间知识学习系统应与集中化知识库(DKST1)和轻量级消息工具(DKSH2)集成,以实现CSSO之间持续的经验教训交流。
5.6 知识改进的设计启示
在CSSO中实现有效的知识改进,需要支持一线人员在解释和提炼知识资产方面的裁量权和质疑空间的设计。允许工作人员挑战和调整僵硬的算法推荐,确保知识实践与社会服务工作的情境化现实保持一致。
5.6.1 DKI1:重视知识解释中的裁量权与质疑
CKI1描述了在挑战既有实践和强制性系统时常见的抵抗和惰性。在采用算法优先级排序和官僚化格式的住房分配中,工作人员通过"中介化"的裁量实践来应对这些张力,即解释、质疑或调整僵硬的算法输出,以更好地反映服务对象的现实处境 [85]。相关地,当AI推荐的数据标签被引入日常工作流程时,工作人员担心过度依赖AI对案例笔记生成的可能不准确的数据标签 [38]。
因此,KM(知识管理)系统应将一线裁量权视为一种资源,并提供结构化的质疑路径。例如,在算法优先级排序场景下,工作人员使用了如标记系统来申诉自动化决策 [85],或进行服务对象重新评估以确保服务对象视角得到呈现 [44]。KM系统应赋权工作人员利用实时情境知识覆盖数据驱动的推荐,支持合乎伦理的决策制定,使技术方案更好地与一线现实对齐。
6 讨论
我们的系统性文献综述揭示了协作社会服务工作中反复出现的断裂,根源在于脆弱的共享信息空间(CIS)以及为将分散的工作维系在一起而所需的广泛协调工作,这些协调工作跨越了角色、工具和组织边界。重要的是,通过KMC(知识管理循环)的视角审视这些问题,能够揭示这些问题如何随着知识在知识生命周期中流动或无法流动而跨阶段传播,以及协作工作在哪里断裂。采用这一视角有助于揭示为什么局部修复(例如一个先进的分析系统)往往失败,因为它仅仅治标不治本——只处理下游KM阶段的症状,而保留了解决问题根源的上游条件,导致连锁反应持续发生。图2展示了这些跨阶段的相互依赖关系。下文,我们重点阐述三个跨阶段模式,以说明这些级联效应。
首先,当知识创建主要受外部强制性的报告制度塑造时(CKCI1),这种上游条件会产生为合规而优化的数据,这些数据可能与社会服务的情境化需求和现实不对齐。这破坏了CIS:共享工件(如案例笔记、登记表)在意义上并不共通,因为强制性数据制度编码了外部逻辑,CSSO工作人员必须对其进行重新诠释(如翻译评估问题中的"法律事项"含义 [85])、变通处理(如因官方系统缺少必要字段而单独维护笔记 [87]),或予以抵制(如拒绝录入移民身份以防止监控危害 [16])。由于这种协调工作发生在官方系统之外,在下游阶段,CSSO难以重建发生了什么事、为何出现某些结果以及实践中应做什么改变,从而制约了组织学习。KMC视角揭示,解决无法有意义地评估服务有效性这一问题(知识学习中可见的症状),需要对齐上游数据收集协议(知识创建中的上游修复),而非仅仅引入高级分析系统。
其次,逻辑、纵向和空间碎片化(CKCI3、CKST1)贯穿整个语料库,但KMC突出了其对知识分享和使用的连锁影响。这种碎片化迫使工作人员进行隐形的协调工作,包括调和冲突的记录、核实并重新录入数据、拼接不完整的历史,以维持一个功能性的CIS。这种个体的、非正式的协调工作无法跨越组织边界扩展,限制了组织间的协作(CKSH2)。在此,KMC视角解释了为何仅引入沟通渠道无法修复组织孤岛(知识分享中可见的症状):在不解决数据碎片化(知识创建中的上游修复)的情况下,下游的分享仍然协调成本高昂且容易出错。
最后,虽然对社会服务工作中身体化专业知识的依赖是其固有特征,但KMC映射阐明了其下游代价。当专业知识未被编码化时(CKCI1),直接影响表现为分享瓶颈(如不知道谁能提供何种帮助;CKSH1)和知识使用中断(如服务不连续)。随着时间的推移,这些条件制约了学习和改进。经验教训无法被聚合或反思以促进双环学习 [57, 73],从而修改既有实践(CKI1)。这表明,缓解因人员流动导致的知识流失(知识分享中可见的症状),仅靠离职面谈等短期方案是不够的,它需要支持捕获和外化情境化专业知识的机制(知识创建中的上游修复)。
尽管这些KM断裂需要多重干预,但我们综合得出的若干设计启示暗示需要复杂的计算支持,超越静态知识库,例如提供个性化、情境化的洞察(DKU1)[33]、附带清晰解释的行动建议(DKU1)[44],以及跨碎片化工具的可互操作知识库(DKST1)。我们语料库中的近期工作越来越多地将AI视为一种潜在的技术赋能者。这些包括识别服务对象成功的趋势因素 [44](DKL1)、用自然语言处理综合非结构化案例笔记 [38](DKCI3),以及(半)自动化以简化日常工作流程 [7],CSSO日益被驱动探索AI创新以保持技术领先 [53]。
这一趋势的意义并非因为AI是唯一的答案,而是因为AI能力越来越多地被嵌入到日常生产力工具中,例如集成到主流邮件、文档和电子表格中的AI助手,降低了CSSO进行试验的门槛。然而,我们的KMC分析警示,AI干预不应作为孤立的"点解决方案",仅解决直接症状而留下相互关联的上游成因未获解决。例如,一个识别服务对象成功因素但不解决上游使命偏离风险的AI系统,可能会优化强制性指标而非实际的照护结果。正如第4.6.1节所指出的,简单地应用AI而不考虑CSSO独特的社会技术语境,有可能延续危害。
6.1 构想人机协作生态系统
认识到AI是诸多可能路径之一,我们提议将现有人机协作框架作为概念模型,指导将AI合乎伦理且有效地整合到CSSO中。我们提出这一框架是因为其核心原则——共享心智模型(SMM)和信任 [6]、能动性与控制 [65]、适应性与相互学习 [12, 40, 62]——能够应对我们综述中识别的CIS断裂和协调工作负担问题。
首先,为构建真正的CIS而非仅仅是共享仓库 [72],该框架强调培养SMM。AI队友可以帮助综合碎片化信息以促进集体诠释和意义建构,超越静态数据迈向共享理解。其次,为支持协调工作的混乱现实,该框架优先保障人类能动性和控制。AI队友可以处理琐碎任务(如标记不一致),同时赋权CSSO工作人员以管理其工作中细微和伦理层面所需的裁量权。第三,与CIS作为动态社会产物的观点一致 [10, 72],该框架建立在适应性和相互学习之上。AI被定位为不断演进的伙伴,从人类反馈中学习 [12, 40, 62],确保其适应CSSO不断变化的需求。
通过人机协作的视角审视AI整合,可以探索技术如何增强而非取代人类能力,保留社会工作以人为本的理念。过去的CSCW文献中关于高风险公共部门领域的研究也呼应了这一观点。它们认为,在这些复杂的决策环境中存在固有的不确定性,算法系统应当增强人类的裁量权和专业知识;取代这些人类专业知识可能导致不充分且不可靠的结果 [68]。人机协作框架还允许重新想象支撑有效社会服务的协作网络为一个团队结构,其中不仅CSSO工作人员和专门的AI代理被视为队友,不同的CSSO(如无家可归者收容所、食物银行)也可以被视为队友。所有成员共同贡献各自独特的优势,以实现一个共同的整体目标——应对社区层面的问题。
虽然人机协作为克服KM挑战提供了一条有前景的途径,但提出此类高科技干预需要正视CSSO的物质现实。我们认为,人机协作不应被视为仅由CSSO承担的重负,而应作为由锚定机构(包括地方政府机构和大学)支持的本地社区协作生态系统。可行性可以通过地方政府机构出资并标准化共享数字基础设施以确保安全性和互操作性来实现,而大学可以担任技术合作伙伴,负责数据治理、隐私协议(如IRB监督)和系统维护。通过将基础设施和培训的繁重工作转移给这些资源丰富的合作伙伴,CSSO可以专注于协作,提升其服务交付能力。
以下各小节讨论人机协作框架核心概念的应用,作为CSCW研究者的设计空间,指导在CSSO中合乎伦理且有效地整合KM解决方案,增强社会服务语境中的协作、响应性和以人为本。
6.1.1 共享心智模型:协作团队合作的基础
在人机协作中取得成功的关键因素之一是培养SMM [6]。在一个团队中,成员将心智努力集中于任务工作(如策略、约束)和团队协作(如角色、互动动态)[23, 70]。一旦建立,SMM的维持主要受信任支配 [6]。
组织内共享心智模型。在单个组织内部,SMM必须在工作人员与AI队友之间发展。这包括(1)人类形成对AI能做什么和不能做什么、它如何产生输出以及何时可能不可靠的准确理解 [6, 95];以及(2)AI系统表征组织目标和流程情境 [65, 95]。
通过第5节审视的设计启示,AI可以通过帮助团队聚合和修复碎片化工件来促进组织内SMM。例如,而非要求工作人员从分散的笔记和数据库中手动拼凑服务对象轨迹,AI队友可以从开放式文本笔记中生成结构化、标注来源的摘要,突出关键事件和缺失或冲突的信息(DKCI3)。通过揭示不一致性并保留数据来源,AI使工作人员能够协商意义,支持CIS所需的协调工作。AI还可以通过分析内部集中化知识库(DKST1)的贡献模式来支持组织可持续性,AI可以识别知识瓶颈服务人员,并在专业知识因人员流失而丧失前推荐知识向其他成员转移(DKSH1)。
组织间共享心智模型。在组织边界间培养SMM对于解决运营孤岛至关重要。正如CKSH2(孤岛中运营)所述,有效的组织间SMM不仅需要基本地了解合作伙伴组织,还需要对每个组织的角色、能力和约束有功能性理解。一种实用方法是支持跨提供商(DKST1)连接实体(如项目、资格约束、资源、转介路径)的共享服务地图,以更好地促进跨机构知识流动并提供可操作的洞察(DKSH2)。例如,AI可以识别跨越多个组织以应对需要同时支持的复杂服务对象案例的全方位服务路径,揭示经常共同转介的组织聚类,呈现资源可用性的变化/需求,并维护最新的服务地图。
然而,组织间SMM与治理密不可分。成功的协作要求确保用户对与谁分享什么信息保持细粒度控制(例如,防止资源涌入 [31] 或过度转介 [50];CKSH2),以及在何种同意条件下进行分享,尤其是当信息包含敏感的服务对象历史时。
设计不应追求全面可见性,而应致力于实现有针对性的共享理解,同时尊重隐私和组织自主权。此外,维持组织间协作依赖于人类参与者之间持续的沟通和关系建设,这有助于在组织边界之间培养信任和一致性[6]。例如,DKSH2中描述的轻量级沟通工具可以促进持续的人际互动,这对于维持组织间共享心智模型至关重要。
信任校准。信任与共享心智模型紧密耦合,以形成准确的心智模型并在AI中建立适当的信任水平[6, 39, 84]。团队需要校准何时依赖AI输出、何时进行验证以及如何解读不确定性。这涉及缓解过度依赖(如DKI1中指出的),例如不加批判地接受可能有缺陷的AI建议,从而带来自动化偏差的风险,以及不足依赖,例如全面拒绝有价值的AI辅助,这可能是由于对现有实践变化的抵制而产生的[59]。在CSSO中,防止过度依赖尤为重要,因为错误可能导致客户损害。AI代理应为其建议、决策和行动提供清晰准确的解释[11],这也是社会工作者明确希望的[44],如DKU1中所讨论的。其他对抗过度依赖的策略包括:披露系统对其输出的置信度[45]、标注数据的新鲜度,以及整合认知强制功能,在根据AI输出采取行动之前促进更具深思熟虑的思考[21]。例如,一个界面可以要求在继续执行推荐操作之前审查AI输出的来源。相反,为了解决不足依赖问题,清晰传达通过采用AI获得的积极影响和效率提升(例如,采用AI前后冲突数据的百分比)可以鼓励其使用,这一点将在6.1.3节中进一步讨论。
6.1.2 能动性与控制权
有效的人-AI团队协作的另一个基本要素是能动性,即每个团队成员独立行动的能力,以及控制权,即人类引导、监控、影响和覆盖AI行动的能力[5, 65, 84]。在高风险的社会服务中,在AI自主性和人类监督之间建立适当的平衡对于创建合乎伦理且与专业责任一致的知识管理系统至关重要[74]。
对于高效的知识管理,AI自主性可能适用于范围明确、风险较低的任务,例如综合资金报告所需的数据(DKCI1)、提醒社工案件笔记中缺失的关键信息(DKCI3)、识别冲突或过时条目(DKCI4),或监控某些服务或资源需求的季节性或周期性激增(DKU1)。在这些领域允许AI自主性可以提高效率,使工作人员能够专注于复杂的案件分析或客户互动[32, 42]。
然而,许多具有重大影响的决策,例如对客户有重大后果的任务,需要对"生活现实"的语境化理解以及人类工作者的伦理判断。对于这些领域,知识管理系统应嵌入结构化的申诉和覆盖路径,赋予工作人员行使自由裁量权的权力(DKI1)。在算法优先级排序情境中,工作人员曾使用申诉或标记机制来挑战自动化结果[85],并通过重新评估来覆盖AI操作[44]。将此扩展到AI赋能的知识管理意味着设计自由裁量表述机制,允许工作人员通过直接反馈(纠正、质疑或覆盖)来优化AI建议或操作,基于其专业知识、语境知识或伦理判断。
6.1.3 适应性与相互学习
人-AI团队协作还需要适应性和相互学习,即人类和AI成员持续从互动中学习并优化其行为[12, 40, 62]。CSSO环境由于政策变化、资金环境和社区需求的变化而快速演变,要求人类和AI系统反复调整。这与KMC的学习和改进阶段紧密契合,支持共享知识和流程的持续优化[34]。
AI对工作流演变的适应性。为了支持实践中的知识管理,AI系统应具备适应性,提供个性化的支持,以适应每位工作人员独特的工作流程、即时任务和专业知识(DKU1)。这需要系统基于显式反馈(例如,纠正、澄清请求)和隐式信号(例如,自由裁量覆盖)的学习来动态优化推荐,检测AI输出与社工预期或工作流之间的差异,并相应地调整未来行为[6]。
技术适应性同样至关重要,因为CSSO面临不断演变的数据架构和资助方差异化的数据要求(CKCI1)。因此,系统设计应使底层表示能够随需求变化而演变[88],并能够容纳新数据规范的添加[19]。互操作性同样重要(DKST1)。鉴于CSSO经常依赖一系列工具的拼凑,当AI赋能的知识管理与现有技术生态系统集成时,其可行性最高。除了Munch[63]呼吁的基于API的集成外,利用浏览器扩展或开放标准(如Model Context Protocol,即MCP)的方法可以捕获CSSO中常用各种应用中的知识,在降低采用成本的同时支持知识流动的连续性。
人类适应性与相互学习。相互学习也依赖于CSSO工作人员采用和调整其实践以应对基于AI的知识管理。然而,这种能力往往受到组织物质现实的限制。但是,可行性约束不应导致完全放弃AI工具,而应指导合理范围的干预措施。首先,采用取决于感知易用性和有用性[27]。鉴于人员流动率高且培训时间有限,CSSO强烈希望有"即取即用"的系统[88]。许多CSSO依赖电子表格和小型数据库。因此,早期基于AI的知识管理更可能成功的方式是增强这些熟悉的工具(例如,嵌入文档、电子邮件和电子表格的AI助手),而不是要求进行全面迁移。为增加感知有用性,系统可以展示AI在日常实践和客户成果中带来的效益。例如,系统可以显示比较冲突数据条目百分比的指标,或可视化引入知识管理系统前后转介结果随时间的变化。
其次,持续采用需要持续维护。维持社区项目涉及关系、经济和技术方面[47]。借鉴两个多年的社区项目,Kotturi等人[47]提出,关系可持续性需要在项目领导者离开时转移信任的机制,这可能涉及结构化的交接和持续的学术-CSSO合作伙伴关系(例如,公民数据实验室)。对于经济可持续性,作者建议让CSSO合作伙伴作为学术论文的共同作者,或设计AI系统帮助CSSO收集数据以申请独立资助。对于技术可持续性,他们建议研究人员在整个项目中采用并排模式,与CSSO工作人员一起工作以教授维护知识,并提供更新的资源,如操作视频教程。
为确保AI集成带来积极的适应而非抵制或额外负担,参与式设计方法对于获得社区认同至关重要。让CSSO工作人员参与迭代式协同设计有助于使AI工具与其专业价值观、伦理承诺和现有工作流保持一致[7, 53]。这种方法降低了部署另一个不匹配系统的风险(CKCI1),并培养所有权感[59]。
最后,长期影响将取决于系统在实践中如何被运用。技术的影响不是预先确定的;技术塑造人类行为和工作实践,同时人类的适应又重新定义了技术的影响[28]。随着时间的推移,基于AI的知识管理工具可能以微妙的方式重塑记录实践。例如,工作人员可能会有策略地修改其沟通方式,例如使用特定的代码或标签(#gender、#assessment、#alcoholabuse),以标记他们希望AI捕获的内容,参与一个不断优化CIS的相互学习过程。
6.2 局限性与未来工作
我们的系统性文献综述存在若干局限。首先,与之前的早期阶段综述类似(例如[29, 30, 71]),我们完全依赖于ACM数字图书馆。尽管存在此局限性,但我们认为所选论文提供了关于聚焦CSSO知识管理实践的HCI研究的全面(尽管不穷尽)代表性,足以识别关键的知识管理挑战及相应的设计启示。未来研究可以扩展搜索范围,超越ACM数字图书馆,以获得更广泛的洞察。
其次,我们的搜索查询优先考虑了"非营利"和"社区组织"等术语,而省略了"第三部门",后者在其他地理研究背景中更为常见。反映这一搜索策略,我们最终语料库中的大多数研究是在美国进行的。尽管我们的前向和后向滚雪球抽样策略通过发现其他地理区域的相关研究(包括丹麦、瑞典、印度和澳大利亚)帮助弥补了这一差距,但这种术语排除可能导致更广泛地理背景下的研究代表性不足。
此外,我们的综述仅限于英文发表的论文,可能排除了其他语言发表的研究中的相关发现。鉴于CSSO中知识管理实践固有的语境性,未来综述可以考虑纳入非英文出版物,以提供更全面的全球代表性视角。
最后,我们提出人-AI团队协作作为一种合乎伦理且有效的方法来解决本次综述中识别的知识管理挑战和设计启示。尽管这一框架在理论上具有前景,并为未来研究方向提供了指导,但它仍然停留在概念层面,尚未在实际的CSSO环境中实施和评估。未来研究需要评估在人-AI团队协作框架应用于CSSO知识管理的真实世界环境中时的实际可行性、有效性和伦理影响。
7 结论
在本文中,我们对HCI和CSCW文献中关于CSSO内部知识管理挑战与机遇进行了系统综述。利用Evans等人[34]的KMC作为分析框架,我们系统地映射了反复出现的挑战并提出了设计启示,将其对应到知识生命周期的各个阶段,突出了知识管理某一阶段的故障如何级联影响其他阶段。为有效且合乎伦理地解决这些知识管理挑战,我们提出采用人-AI团队协作框架。该框架强调个人社工、组织与AI系统之间的协作团队关系,通过培养共享心智模型、促进能动性和控制权以及鼓励相互适应性来实现。
尽管本综述提供了整合性的概念基础并识别了若干未来研究方向,但要充分实现AI支持的知识管理在CSSO中的潜力,仍有大量工作有待完成。我们呼吁关注探索这些机遇,贡献于合乎伦理、有效且以人为本的知识管理解决方案。这些努力不仅支持社工,最终也使他们服务的个体受益,确保AI进步惠及那些通常被排除在外的社区。
致谢
本研究由国家科学基金会资助,拨款编号为CNS-2331007。