Metadiscourse and the Gamification of Ride-hailing in the Platform Economy
Notice bibliographique
Résumé
The advent of the sharing, gig or platform economy, in particular the spread of ride-hailing firms such as Uber and Lyft, has given rise to new forms of digital communication. According to the drivers, the use of sign-up bonuses, ratings, promotions, competitions and non-monetary rewards is intended to provide incentives to work longer and longer hours while Uber and Lyft (the main rival to Uber in the US and Canada) progressively cut pay rates, with the online discourse intended to manage relations with the drivers primarily for the benefit of the platform. The result is what has been characterised as the “gamification” of ride-hailing, with the terminology of hiring, employment contracts and wages being displaced by the discourse of video game techniques, graphics and non-cash rewards. Research into metadiscourse has so far focused predominantly on academic discourse, whereas the present study, based on insights provided by Mauranen (1993), Hyland (2005, 2017), Ädel (2006) and Ädel and Mauranen (2010) is intended to examine the ride-hailing discourse in terms of the use of metadiscourse devices such as hedges, boosters, attitude markers, engagement markers and self-mention, casting light on their pragmatic functions. Although in methodological terms exchanges between the platform and the drivers constitute an occluded genre, not in the public domain, some insights into this discourse can be obtained indirectly from driver critiques of working conditions.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».