Perceived COVID‐19 health and job risks faced by digital platform drivers and measures in place to protect them: A qualitative study
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
INTRODUCTION: As they deliver food, packages, and people across cities, digital platform drivers (gig workers) are in a key position to become infected with COVID-19 and transmit it to many others. The aim of this study is to identify perceived COVID-19 exposure and job risks faced by workers and document the measures in place to protect their health, and how workers responded to these measures. METHODS: In 2020-2021, in-depth interviews were conducted in Ontario, Canada, with 33 digital platform drivers and managers across nine platforms that delivered food, packages, or people. Interviews focused on perceived COVID-19 risks and mitigation strategies. Audio recordings were transcribed verbatim and uploaded to NVivo software for coding by varied dual pairs of researchers. A Stakeholder Advisory Committee played an instrumental role in the study. RESULTS: As self-employed workers were without the protection of employment and occupational health standards, platform workers absorbed most of the occupational risks related to COVID-19. Despite safety measures (e.g., contactless delivery) and financial support for COVID-19 illnesses introduced by platform companies, perceived COVID-19 risks remained high because of platform-related work pressures, including rating systems. We identify five key COVID-19 related risks faced by the digital platform drivers. CONCLUSION: We situate platform drivers within the broad context of precarious employment and recommend organizational- and government-level interventions to prevent digital platform worker COVID-19 risks and to assist workers ill with COVID-19. Measures to protect the health of platform workers would benefit public health aims by reducing transmission by drivers to families, customers, and consequently, the greater population.
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 | 0,003 | 0,001 |
| 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 | 0,000 | 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