Workplace Surveillance in Canada: A survey on the adoption and use of employee monitoring applications
Notice bibliographique
Résumé
Employee monitoring apps (i.e., 'bossware') have become increasingly affordable and accessible on the open market. Apps such as Interguard and Teramind provide companies with a powerful degree of surveillance about workers, including keystroke logging, location and browser monitoring, and even webcam usage. However, as homes have become offices, and laptops and smartphones are used for business, school, and entertainment, the increasing surveillance of 'remote work' blurs the boundaries between work and personal spaces. Drawing from an interdisciplinary study on the proliferation of employee monitoring applications (EMAs) in a nascent era of 'remote work', this paper presents findings from a survey examining Canadian companies' adoption of EMAs. The findings identify the most prevalent economic sectors that 'bossware' is currently being used within, the rationalities that underpin the ongoing use of EMAs in Canada (such as COVID-19, 'productivity/efficiency', 'cybersecurity', and 'health/wellness'), and the features of the most sought after 'bossware' apps for Canadian companies (such as time tracking, website tracking, and keystroke logging). We conclude with an analysis of how dominant surveillance discourses drive the adoption of monitoring practices, including how they inform the anticipated benefits of surveillance for the management of remote work and digital labour.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,011 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».