Tort Law and the Gig Economy: A Socio-Legal Study of the Perspectives of Service Providers
Notice bibliographique
Résumé
Over the last decade, information technologies have allowed individuals to connect with each other in a way that may not have been possible before. A consequence of this was the rise of a new phenomenon, that has ostensibly disrupted pre-existing notions of employment, often characterised under the umbrella concept of the so-called gig economy. Inevitably, like any enterprise, the gig economy places risk into society. Tort has capacity to distribute liability risks in the context of service provision through its core doctrines, such as vicarious liability, non-delegable duties and direct duties owed to third parties, and employer’s duties owed to employees. However, many of these doctrines rely on the notion of employment to distribute risk. The classification of most service providers in the gig economy as independent contractors could disrupt this long-standing concept, meaning that the liability risks may be borne entirely by the service providers or, in some cases, the victim. This thesis seeks to empirically examine the challenges that the gig economy poses to tort. It will examine the assumptions made by legal doctrine to determine employment and will empirically analyse the social reality of the gig economy. It is argued in this thesis that if the assumptions made by legal doctrine do not match the perspectives of the actors it seeks to represent, tort law is diminished in its capacity to distribute risk. This thesis will identify any discrepancies and challenges and will present suggested legal responses.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».