"We're not all construction workers": Algorithmic Compression of Latinidad on TikTok

拉丁裔在美国的移民人口是一个快速增长且复杂的人口群体，在社会技术系统中面临交叉伤害和边缘化，目前在CSCW研究中未得到充分关注。虽然该领域了解到算法和数字内容对边缘化人群的体验是不同的，但需要更多的研究来了解拉丁裔如何体验社交媒体，特别是视觉媒体。在本文中，我们关注拉丁裔如何体验视频分享平台TikTok的算法系统。通过对19名拉丁裔TikTok用户和59名调查参与者进行双语访谈和视觉引导研究，我们探讨拉丁裔个体如何体验TikTok及其拉丁裔内容。我们发现拉丁裔TikTok用户积极利用平台的特点来创建积极和肯定的身份内容，但由于平台特点的影响，这些内容被负面内容（如暴力、刻板印象、语言假设）所打断，这对拉丁裔移民用户产生了独特的影响。我们讨论了这些对拉丁裔身份和代表性的影响，并引入了“算法身份压缩”的概念，即社会技术系统通过简化、扁平化和混淆交叉身份，导致通过这些系统和设计者认为不必要的关键文化数据的丢失而产生压缩。本研究探讨了拉丁裔个体在社会技术系统中尤其容易受到这种影响，例如TikTok等。

研究拉丁裔在TikTok平台上的体验，探讨算法系统对拉丁裔身份和代表性的影响

介绍算法身份压缩的概念，探讨拉丁裔在社会技术系统中的脆弱性

通过双语采访和视觉启发式研究，探讨拉丁裔用户如何体验TikTok平台和拉丁裔内容，发现算法系统对拉丁裔用户的负面影响，介绍算法身份压缩的概念，提出对拉丁裔身份和代表性的影响

最近的相关研究包括“算法歧视”、“社会媒体和身份认同”等