Unboxing the Black Box: Qualitative Tricks of the Trade for Studying Data-Intensive Work
Notice bibliographique
Résumé
As digital data has become integral to organizational life, data-intensive work emerges as a hybrid practice, blending visible actions with less apparent, trace-based processes embedded in digital infrastructures. This transformation is reshaping established professions, such as journalism and healthcare, while institutionalizing new roles like prompt engineers, data scientists, and business intelligence analysts across industries. These developments challenge organizational and management scholars to rethink how to unbox the black box and examine the interplay between infrastructures, worker practices, and the broader organizational and societal contexts in which they operate. This symposium seeks to address these challenges by convening a panel of leading experts whose research intersects with data-intensive knowledge work and qualitative methodologies. The discussion will explore how emerging digital practices complicate traditional methods, the skills researchers must develop to capture contemporary work's fluid and interconnected nature, and the ethical considerations raised by black-boxed systems. By drawing on their own experiences and examining diverse empirical contexts, this session aims to illuminate new phenomena in data-intensive labor while advancing methodological innovation. The symposium will provide attendees with practical insights into evolving research strategies and propose methodological vantage points to sustain scholarly inquiry into the future of work in the digital age.
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 | 0,125 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,017 | 0,053 |
| Communication savante | 0,019 | 0,020 |
| Science ouverte | 0,005 | 0,017 |
| Intégrité de la recherche | 0,004 | 0,009 |
| 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 ».