Algorithmic control and gig workers: a legitimacy perspective of Uber drivers
Notice bibliographique
Résumé
Organisations increasingly rely on algorithms to exert automated managerial control over workers, referred to as algorithmic control (AC). The use of AC is already commonplace with platform-based work in the gig economy, where independent workers are paid for completing a given task (or “gig”). The combination of independent work alongside intensive managerial monitoring and guidance via AC raises questions about how gig workers perceive AC practices and judge their legitimacy, which could help explain critical worker behaviours such as turnover and non-compliance. Based on a three-dimensional conceptualisation of micro-level legitimacy tailored to the gig work context (autonomy, fairness, and privacy), we develop a research model that links workers’ perceptions of two predominant forms of AC (gatekeeping and guiding) to their legitimacy judgements and behavioural reactions. Using survey data from 621 Uber drivers, we find empirical support for the central role of micro-level legitimacy judgements in mediating the relationships between gig workers’ perceptions of different AC forms and their continuance intention and workaround use. Contrasting prior work, our study results show that workers do not perceive AC as a universally “bad thing” and that guiding AC is in fact positively related to micro-level legitimacy judgements. Theoretical and practical implications are discussed.
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 | 0,008 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».