Pressure and praise as an action research methodology: The case of Fairwork
Notice bibliographique
Résumé
In platform-mediated sectors such as ride-hailing, delivery, care work and cloudwork, gig workers often lack essential employment protections such as minimum wage and social security. Misclassification of workers, opaque algorithms, exploitation of legal loopholes and lobbying by platforms against protective legislation further exacerbates inequalities and discrimination. The Fairwork project at the University of Oxford and WZB Berlin, in collaboration with a global network of partners, aims to improve conditions in the platform economy through action research. Using a principles-based framework, the project evaluates and scores platforms against universal standards of fairness – fair pay, fair conditions, fair contracts, fair management and fair representation. The action-research methodology combines data triangulation and stakeholder engagement to ensure platform evaluations are objective and impartial, while seeking to hold platforms accountable and advocating for better labour standards in the gig economy. This article explores Fairwork as an action research methodology that has established positive feedback loops, driving platforms towards pro-worker policy changes. We hope this discussion encourages other politically engaged social scientists to adopt action research approaches in their own work.
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 | 0,162 | 0,146 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,029 | 0,132 |
| Communication savante | 0,022 | 0,028 |
| Science ouverte | 0,005 | 0,028 |
| Intégrité de la recherche | 0,017 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».