“Make our communities better through data”: The moral economy of smart city labor
Notice bibliographique
Résumé
Smart cities are now an established context in which data and digital technologies shape urban politics. Despite increased scholarly focus on algorithmic governance, smart cities and their data production still heavily rely on human labor, raising questions about how that labor is recruited and the implications of different recruitment strategies. In this paper, we illuminate the relations and practices mobilized to recruit the labor required to produce, analyze, and enact data that (re)produce smart cities. We argue that smart cities recruit such digital labor by producing and circulating moral values and sentiments to claim that such participation is a social good. In this article we draw on a 6-year ongoing project in Calgary, Canada to explore how these “moral economies” underwrite smart city ecosystems. We explore three projects related to data and digital labor in the Calgary smart city: a wearable technology collaborative project, a civic hacking group, and the community social media platform Nextdoor. We suggest that moral economies of smart cities signal a new juncture between urban planning and profiting from data, with the potential for creating new socio-political risks. These moral economies signal a shift toward a “new spirit of capitalism” in which labor is managed through indirect persuasion rather than direct compulsion and mandate.
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 | 0,014 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,017 | 0,057 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,001 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».