Between Proactive and Reactive Coping: How Food Delivery Workers Cope With Algorithmic Management Threats
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
This study explores how gig workers in the food delivery sector cope with algorithmic management threats. Algorithmic management involves using learning algorithms to manage and control workers in online labour platforms. Although it offers opportunities for platforms, algorithmic management may present threats for workers including anxiety, burnout, and isolation. While focusing on resistance in the context of algoactivism, limited attention has been paid to how workers perceive algorithmic management threats and the emotion-focused and problem-focused coping behaviours they employ to cope with them. Using Q-methodology, the research identified four types of workers displaying unique coping strategies: the Empowered Collectivist fosters resilience through collective meaning-making and emotional support; the Savvy Opportunist leverages technical literacy; the Isolated Denier struggles with opacity and isolation; and the Anxious Conspiracist is marked by over-adapting and conspiracy theorizing. Building on this typology, the study proposes a dynamic coping model in which proactive coping strategies can support a virtuous cycle of positive reappraisal, increased agency, and resilience.In contrast, reactive coping strategies may contribute to a vicious cycle of negative reappraisal, emotional exhaustion, and disengagement. The study refines coping theory in technology mediated work, contributing to a nuanced understanding of algoactivism and redefining worker agency under algorithmic management.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| 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