Internet Platform Employment in China : Legal Challenges and Implications for Gig Workers through the Lens of Court Decisions
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
Research Objective and Questions We aimed to examine court rulings on disputes between network platforms and labour providers in order to understand the nature of the employment relations and the broader consequences for society as a whole. We addressed two questions : Methodology We primarily used secondary data, namely 102 publicly available Court decisions from 2014 to 2019. The case decision reports were downloaded from the Supreme People’s Court “Network of Court Decision Papers.” Results Disputes occurred mainly in cities that have the most developed platforms and an independent worker model of employment. They mainly involved network platforms that provide such services as driving, food delivery and courier services. All of the disputes involved road accidents, and over half occurred in Beijing and Shanghai—two leading cities in China that have dense populations. Dispute cases rose sharply, peaked in 2017, started to drop in 2018 and fell even more in 2019. The disputes seem to have educated people on both sides, with the result that more precautions are being taken. Contributions Our study makes three contributions. First, we identified three types of platform employment in China, the motives of the platforms in their choice of labour utilization and the legal implications in terms of labour and third-party protection. Second, we examined the attitude and role of the courts in judging disputes between network platforms and labour providers within legal constraints. Third, we propose that socialization of contract service should be central to platform employment.
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 | 0,000 | 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 | 0,001 |
| 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 découle