When Your Boss is an Algorithm: Preserving Canadian Employment Standards in the Digital Economy
Notice bibliographique
Résumé
The platform or ‘‘gig” economy is a rapidly growing economy in Canada. Between 2005 and 2016, the share of gig workers among all workers in Canada rose from 5.5% to 8.2%. These include independent contractors, select freelancers and platform workers. In 2018, 28% of Canadians aged 18 and older reported making money through online platforms. Research by Payments Canada in 2021 showed gig workers as representing more than one in 10 Canadian adults with more than one in three Canadian businesses employing gig workers. As the share of platform workers in the economy has grown, so has the discussion regarding the employment status of workers, particular in the platform economy.\nAmong other things, platform work has fundamentally altered the system for managing workers, with algorithms replacing human beings in the control and direction of service providers. Algorithmic management of the workforce is considered a defining feature of both web-based and ‘‘location-based” digital labour platforms.\nThis article briefly examines potential challenges created by the platform economy in determining the existence of an employer under employment standards legislation. This article also analyzes existing and prospective legal responses to these challenges, assessing the advantages and limitations of legal regulation of the platform economy in Canada.\n--\nL’e´conomie des plateformes ou « gig » est une e´conomie en croissance rapide au Canada. Entre 2005 et 2016, la part des travailleurs a` la demande parmi tous les travailleurs au Canada est passe´e de 5,5 % a` 8,2 %. Il s’agit notamment d’entrepreneurs inde´pendants, de pigistes se´lectionne´s et de travailleurs de plateformes. En 2018, 28 % des Canadiens aˆge´s de 18 ans et plus ont de´clare´ gagner de l’argent graˆce a` des plateformes en ligne. Une recherche mene´e par Paiements Canada en 2021 a montre´ que les travailleurs a` la demande repre´sentaient plus d’un adulte canadien sur 10, avec plus d’une entreprise canadienne sur trois employant des travailleurs a` la demande. A` mesure que la part des travailleurs de plateforme dans l’e´conomie a augmente´, la discussion concernant le statut d’emploi des travailleurs a augmente´, en particulier dans l’e´conomie de plateforme.\nEntre autres choses, le travail sur plateforme a fondamentalement modifie´ le syste`me de gestion des travailleurs, les algorithmes remplac¸ ant les eˆtres humains dans le controˆle et la direction des fournisseurs de services. La gestion algorithmique de la main-d’œuvre est conside´re´e comme une caracte´ristique de´terminante des plates-formes de travail nume´riques base´es sur le Web et « base´es sur la localisation ».\nCet article examine brie`vement les de´fis potentiels cre´e´s par l’e´conomie de plateforme pour de´terminer l’existence d’un employeur en vertu de la le´gislation sur les normes d’emploi. Cet article analyse e´galement les re´ponses juridiques existantes et prospectives a` ces de´fis, e´valuant les avantages et les limites de la re´glementation juridique de l’e´conomie des plateformes au Canada.
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 | 0,007 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,024 | 0,007 |
| Communication savante | 0,013 | 0,005 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».