Identity Alignment and the Sociotechnical Reconfigurations of Emotional Labor in Transnational Gig-education Platforms
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
Abstract Teaching has often been characterized as a “labor of love.” Despite their passion, teachers often find themselves underpaid and unrecognized, leading them to engage in taxing emotional labor. Emotional labor in traditional educational settings is not new. However, teaching as online gig work has become increasingly data-driven and transnational. With the burgeoning popularity of online educational industries in China, U.S. teachers are entering the transitional gig economy to teach students, parents, and educational standards in cross-cultural contexts. Based on 24 semi-structured interviews with U.S. teachers who worked on Chinese gig-education platforms, this paper documents their challenges and how such platforms reconfigure their emotional labor, enabling them to reaffirm their identities as teachers and caregivers and rekindle the passion that gave their lives purpose and meaning. However, these platforms, underpinned by Chinese cultural values and data-driven technologies (e.g., datafication, algorithms, and surveillance) — which we dub transnational emotional computing — demand emergent forms of emotional labor with which participants must contend. This work contributes to a human-centered conceptualization of identity alignment and carries theoretical and design implications for the future of transnational gig platforms, especially for cross-cultural digital knowledge labor.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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