What is known about the health of location-based and online web-based digital labour platform workers? A scoping review of the literature
Notice bibliographique
Résumé
BACKGROUND: Digital labour platforms are transforming work organization, offering new opportunities but also raising concerns about precarious conditions and health risks. Despite increasing attention to platform work, limited research has examined its direct impact on workers' physical, mental, and social well-being. OBJECTIVES: The objective of this scoping review is to examine current empirical studies investigating the health effects of working via digital labour platforms, aiming to (i) summarize the existing evidence, (ii) pinpoint knowledge gaps, and (iii) identify areas for methodological enhancements. METHODS: We search for peer-reviewed studies published until December 2024 from Web of Science and PubMed, alongside grey literature. Inclusion criteria covered papers with original data, using qualitative, quantitative, or mixed methods, resulting in 40 included studies. A pre-established theoretical framework guided result reporting, emphasizing three characteristics affecting worker health: (i) business practices, (ii) employment conditions, and (iii) work environment hazards. RESULTS: In summary, literature shows a link between digital platform work and poor health. The current evidence, mainly focused on mental health and location-based platform workers, highlights factors contributing to poor physical and mental health, including low-quality employment conditions and psychosocial work environment hazards. Limited evidence suggests a correlation between business practices-algorithmic management and rating systems-and poor mental health. Knowledge gaps include the health impact of web-based platforms, especially medical consultation ones and location-based domestic and care services platforms, and less-explored outcomes like musculoskeletal pain and occupational injuries. Methodological limitations, such as low sample size and lack of control groups, were noted. CONCLUSIONS: This review identifies methodological improvements and knowledge gaps, guiding future research to comprehend the impact of digital platform work on health. As legislation evolves to enhance platform workers' job conditions, researching their health is crucial for offering practical recommendations and shaping evidence-based policies.
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 | 0,012 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,023 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».