MétaCan
Menu
Retour à la cohorte
Enregistrement W2800396553 · doi:10.1136/oemed-2018-icohabstracts.1407

285 The sharing economy: hazards of being an uber driver

2018· article· en· W2800396553 sur OpenAlexaffabout
Ellen MacEachen, E Reid Musson, Emma Bartel, Jonathan S. A. Carriere, SB Meyer, Sharanya Varatharajan, Agnieszka Kosny, Philip Bigelow, Ron Saunders

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueTransportation and Mobility Innovations
Établissements canadiensInstitute for Work & HealthUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésIncentiveBusinessWork (physics)Focus groupOrder (exchange)FinanceTransport engineeringComputer securityMarketingComputer scienceEngineeringEconomics

Résumé

récupéré en direct d'OpenAlex

<h3>Introduction</h3> Uber ride-sharing is an important sharing economy challenge. The taxi industry is notoriously dangerous; even regulated and licensed professional drivers face a homicide rate higher than police officers and first responders. Uber drivers lack special licenses, organised workplaces and other usual safety structures. However, Uber touts different safety features, including feedback and ratings. Our study is focused on understanding the day-to-day work conditions and risks of Uber drivers. <h3>Method</h3> We conducted a critical interpretive study of ride sharing with Uber drivers, passengers and management, taxi managers and related policy makers in Ontario, Canada. Data include interviews and focus groups with 50 drivers, passengers, taxi and Uber managers and key informants. These were recorded verbatim, coded and analysed using strategies of coding, indexing and charting in a framework analysis. <h3>Results</h3> Uber drivers face unique risks relating to insurance coverage, the driver rating system, financial incentives, and asymmetric information. Drivers were not disclosing their ride sharing activity to their personal auto insurers in order to avoid premium hikes, thereby risking fraud charges and insurance cancellation. The Uber driver rating system prompted drivers to tolerate difficult and hazardous rides to avoid the risk of low ratings by passengers. Drivers received incentives to drive even when they were trying to sign off. Finally, passenger destination was blinded to the driver, creating asymmetric information conditions that limited driver choice of ride destination and duration. <h3>Conclusion</h3> Many of the driver risks related to drivers’ own precarious economic situations and need for income together with pressures from the Uber app to engage in unsafe working conditions. Although Uber drivers are touted as only ‘sharing’ a ride and as their ‘own boss’, in practice their driving activities were strongly governed by the Uber app

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,863
Score d'incertitude au seuil0,724

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,012
Tête enseignante GPT0,234
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetTransportation and Mobility InnovationsTravaux en français237 207