Making Lemonade: Dealing with Analytics Surveillance in the Workplace
Notice bibliographique
Résumé
In this paper we focus on how organizational practices are generated because of the introduction of analytics-based technologies aimed at monitoring employees’ performance. We use longitudinal data collected from June 2017 to December 2019 at a healthcare network in the Greater Boston Area. The related literature often points to negative aspects of workplace surveillance through these systems; what is more, it is not clear why some organizations can benefit from process improvement through analytics while other cannot. These mixed findings and a gray area around reasons underpinning the successful deployment of these systems motivate our study. We found that a mixture of top-down and bottom-up practices, in the long- term, promote collective actions of supporting the effective use of analytics. Top-down practices (management) focus on the reorganization of structures and formal processes; bottom-up practices (employees) concern cross-community bonding, creative workarounds to improve current practices and the attempt to transfer these (improved) practices to different contexts where the same analytics standards “rule.” We theorize on how these practices need to be interwoven to be successful, and we highlight that this takes time. We therefore contribute to (and question the pessimism of) related literature by showcasing the bright side of analytics at work, happening over time.
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 | 0,028 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,010 |
| Communication savante | 0,013 | 0,018 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».