Game Design for a Fiverr: Precarity, Regionality, and Platform-Mediation in the Gig Economy
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
In this article, we investigate users who sell complete design services (i.e., ostensibly creating a full, original game for a client) on the gig economy platform Fiverr. By studying the platform’s affordances and analyzing user profiles, we construct two central arguments: First, we contend that gig economy platforms facilitate, shape, and moderate labor in ways that vary from more commonly discussed models of game design. Second, we push back against Fiverr’s claims of a boundaryless workforce by analyzing local conditions that concentrate labor in particular jurisdictions. After briefly reviewing the history of gig labor, we use the walkthrough method to analyze Fiverr: reviewing registration processes, protocols between buyers and sellers, and platform governance structures. We then survey fifty seller listings to determine what services are available, how much they cost, and how they are clustered geographically. Next, we address the prevalence of Pakistani users among our sample of sellers by scrutinizing global wage inequities and regional initiatives that may push workers toward the gig economy. To close, we reflect on Fiverr’s place in the game design ecosystem, investigate how gig economy labor is framed in educational institutions, and touch upon our research limitations. While gig economy platforms are often critiqued for labor exploitation or mocked for providing poor-quality services, these are both oversimplifications of complex economic, institutional, and policy assemblages. Ideally, this article will serve as a first step in better understanding game development on gig economy platforms and their power to reshape geographies of game development.
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 | 0,001 | 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 | 0,001 | 0,005 |
| Science ouverte | 0,001 | 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