Identity Alignment and the Sociotechnical Reconfigurations of Emotional Labor in Transnational Gig-education Platforms
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.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,012 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,011 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».