Taking Time into Account: Understanding Microworkers’ Continued Participation in Microtasks
Notice bibliographique
Résumé
Microtask crowdsourcing platforms foster digital assembly lines where microtasks are performed by on-demand microworkers. The sustainability of microtask crowdsourcing platforms and the timely completion of microtask batches hinge on microworkers’ continued participation, but our understanding of microworkers’ continuance remains unclear. Drawing on the theory of the allocation of time and the research on work motivational orientations, we hypothesize that three motivational orientations (i.e., compensation, enjoyment, and microtime structure) are positively associated with microworkers’ perceived relative advantage of microworking, which in turn enhances microworkers’ intent to continue microworking. The relationships between the three motivational orientations and relative advantage are moderated by microworkers’ perceived situational boredom and microwork status (i.e., ad hoc, part-time, and full-time). An online survey on Amazon’s Mechanical Turk provides empirical evidence for the predictive powers, which are contingent on situational boredom, of the three motivational orientations on relative advantage, suggesting that fine-grained microtasks cater to the inherent desire to structure time at a microlevel. We further found that the relationships between motivational orientations and relative advantage differ across ad hoc, part-time, and full-time microworkers. Our study sheds light on theorizing users’ participation by incorporating the time lens and distinguishing heterogeneous effects across temporal contexts and user types. Our findings also provide important practical implications for the design and organization of microwork as well as the governance of the crowdsourcing platform.
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 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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».