MétaCan
Menu
Retour à la cohorte
Enregistrement W4306910320 · doi:10.1177/10482911221133796

Laws, Policies, and Collective Agreements Protecting Low-wage and Digital Platform Workers During the COVID-19 Pandemic

2022· article· en· W4306910320 sur OpenAlexafffund
Ellen MacEachen, Angelique de Rijk, Johnny Dyreborg, Jean‐Baptiste Fassier, Michael Fletcher, Pamela Hopwood, Meri Koivusalo, Shannon E. Majowicz, Samantha B. Meyer, Christian Ståhl, Felix Welti

Notice bibliographique

RevueNEW SOLUTIONS A Journal of Environmental and Occupational Health Policy · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueEmployment and Welfare Studies
Établissements canadiensUniversité de SherbrookeUniversity of Waterloo
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésCoronavirus disease 2019 (COVID-19)Pandemic2019-20 coronavirus outbreakSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Low wageBusinessWageComputer securityInternet privacyVirologyEconomicsLabour economicsComputer scienceMedicine

Résumé

récupéré en direct d'OpenAlex

In the context of the COVID-19 pandemic, this commentary describes and compares shifting employment and occupational health social protections of low-wage workers, including self-employed digital platform workers. Through a focus on eight advanced economy countries, this paper identifies how employment misclassification and definitions of employees were handled in law and policy. Debates about minimum wage and occupational health and safety standards as they relate to worker well-being are considered. Finally, we discuss promising changes introduced during the COVID-19 pandemic that protect the health of low-wage and self-employed workers. Overall, we describe an ongoing "haves" and a "have not" divide, with on the one extreme, traditional job arrangements with good work-and-health social protections and, on the other extreme, low-wage and self-employed digital platform workers who are mostly left out of schemes. However, during the pandemic small and often temporary gains occurred and 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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0080,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,101
Tête enseignante GPT0,410
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNEW SOLUTIONS A Journal of Environmental and Occupational Health PolicyMême sujetEmployment and Welfare StudiesTravaux en français237 207