Directors’ Duties and the Collective Governance of Algorithmic Management Systems
Notice bibliographique
Résumé
While algorithmic management has improved corporate performance, it poses potential harm to workers and may jeopardize the long-term sustainability of companies, warranting regulatory intervention. Ex-ante human rights impact assessment of algorithmic management systems (AMS) is critical and has been widely adopted. The impact of AMS on multiple stakeholders, the shared ownership of workplace data, and the need to enhance AMS assessments’ quality and legitimacy may justify the adoption of a collective or multi-stakeholder governance of algorithm assessment. However, many jurisdictions have not embraced this approach. In countries with a shareholder primacy tradition, governance structures for ex-ante AMS assessments often exclude workers from having a voice in the assessment process. Even in jurisdictions adhering to stakeholder-oriented corporate governance models where worker participation in AMS governance is permitted, corporate resistance can significantly hinder such involvement. This paper argues that consideration should be given to expanding directors’ duties, requiring them to collaborate with the AMS assessment process and its collective governance, including facilitating workers’ involvement. Directors’ collaborative duties may help remove significant barriers by obligating them to disclose, coordinate, negotiate, and rectify workplace algorithms to serve the interests of companies and multiple stakeholders, including safeguarding workers’ human rights. The effectiveness of this multi-stakeholder governance of AMS assessments requires directors’ collaborative duties, which can help build efficient, equitable, and sustainable AMS.
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 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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».