Becoming Your Own Device: Self-Tracking Challenges In The Workplace
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Workplaces have long sought to improve employee productivity and performance by monitoring and tracking a variety of indicators. Increasingly, these efforts target the health and wellbeing of the employee – recognizing that a healthy and active worker is a productive one. Influenced by managerial trends in personalized and participatory medicine (Swan 2012), some workplaces have begun to pilot their own programs, utilizing fitness wearables and personal analytics to reduce sedentary lifestyles. These programs typically take the form of gamified self-tracking challenges combining cooperation, competition, and fundraising to incentivize participants to get moving. While seemingly providing new arrows in the bio-political quiver – that is, tools to keep employees disciplined yet active, healthy yet profitable (Lupton 2012) – there is also a certain degree of acceptance and participation. Although participants are shaped by self-tracking technologies, “they also, in turn, shape them by their own ideas and practices” (Ruckenstein 2014: 70). In this paper, we argue that instead of viewing self-tracking challenges solely through discourses of power or empowerment, the more pressing question concerns “how our relationship to our tracking activities takes shape within a constellation of habits, cultural norms, material conditions, ideological constraints” (Van Den Eede 2015: 157). We confront these tensions through an empiric case study of self-tracking challenges for staff and faculty at two Canadian universities. By cutting through the hype, this paper uncovers how self-trackers are becoming (and not just left to) their own devices.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle