How can working conditions for online crowdworkers be improved? Institutional experiments for cross-jurisdictional polycentric work
Notice bibliographique
Résumé
This article articulates the theory and design of the Crowdsourcing Wage Pledge, an action research initiative exploring how academic users of paid crowdsourcing can contribute to improving the working conditions of online crowdworkers. ‘Crowdwork’ describes remote information work comprising short tasks – for example, surveys, transcription, translation, data cleaning – organized through online platforms (for example, Amazon Mechanical Turk, Clickworker, Scale API) and typically remunerated under a self-employed piecework model. The digital labour platforms mediating this work are important in a growing range of sectors, having become, for example, key nodes in the global supply chains for artificial intelligence products, including self-driving cars and chatbots (for example, ChatGPT). Academics also use crowdsourcing – social scientists, for example, to recruit study participants, and computer scientists to outsource data-cleaning work. While crowdwork creates new income opportunities with, sometimes, greater time flexibility and lower barriers to entry than traditional employment, crowdworkers typically earn less than traditional employees doing similar work, often below minimum wage, and face other decent work deficits, including arbitrary nonpayment and termination and misclassification. While some jurisdictions are developing laws to address these challenges, these typically focus on in-person platform work (for example, delivery). Crowdwork, however, is often cross-jurisdictional and therefore presents challenges for national regulation. The Crowdsourcing Wage Pledge is a voluntary regulatory initiative aiming to recruit academic users of crowdsourcing into adopting best practices identified by previous research. It is informed both by past practical efforts to improve crowdwork working conditions and by theory from political science, human-computer interaction, and industrial relations.
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 | 0,023 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,003 |
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 ».