285 The sharing economy: hazards of being an uber driver
Notice bibliographique
Résumé
Introduction 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. Method 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. Results 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. Conclusion 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,006 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».