AI-Driven Sentiment Analysis Technologies at Work: Theorising Algorithmic Emotional Labour
Notice bibliographique
Résumé
The introduction of AI-based monitoring systems in organisations is not only reshaping the employee-customer relationship, but also changing the way colleagues interact with each other. Specifically, in response to facial, voice and/or text-based emotion recognition systems, employees must perform additional emotional labour to ensure that they are perceived as positive, high-performing individuals. Based on workshops in which individuals could safely experiment with such systems, and on follow-up interviews (group and individual), we theorise a new form of emotional labour, which we call Algorithmic Emotional Labour (AEL). We define AEL as a set of practices triggered by the need to decipher the algorithm’s evaluative criteria and to ‘speak’ the algorithm’s language. These practices amount to a ‘double’ form of emotional labour, directed at interlocutors and at the algorithm itself. While AEL builds on the foundational concepts of emotional labour, such as the management of emotions to present a desired emotional state in response to specific display rules, we show that these rules are now shaped by the requirements of the algorithm, rather than solely by social or organisational norms. This introduces additional layers of regulation, strategies, and effort by individuals who must continually regulate their emotional expression in ways that respond to the unpredictable criteria set by algorithms and compensate for their limitations, such as their inability to understand nuanced or context-specific emotional cues.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».