Phoebe V Moore, Martin Upchurch, et Xanthe Whittaker (dir.), Humans and Machines at Work. Monitoring, Surveillance and Automation in Contemporary Capitalism. Palgrave Macmillan, Cham, 2018
Bibliographic record
Abstract
Publié en 2018, cet ouvrage collectif est le résultat d'un symposium organisé dans le cadre de la International Labour Process Conference en avril 2016 à Berlin.Les dix contributions mettent le lien entre l'introduction de nouvelles technologies de surveillance et de contrôle et les transformations du travail dans le cadre du capitalisme contemporain au centre des recherches.Les études de cas démontrent l'omniprésence des technologies et les conséquences pour les travailleurs et travailleuses dans de différents contextes.Les auteur-e-s provenant d'horizons professionnels variés s'inspirent entre autres des concepts de la sociologie du travail, des 'digital media studies' et des 'critical data studies'.2 Malgré quelques différences en ce qui concerne les approches théoriques ou les méthodes employées, les auteur-e-s conviennent que, contrairement à une idée reçue, les technologies utilisées sur le lieu de travail et au-delà, ainsi que les données qu'elles créent ne sont pas neutres.En rejetant la perspective réductrice selon laquelle les technologies elles-mêmes entraînent de manière autonome des effets soit bénéfiques, soit néfastes, ils affirment que c'est l'usage fait de ces technologies dans le cadre du travail qui doit faire objet d'analyses.Ainsi, les chercheur-e-s s'inspirent de l'aspect sociotechnique de l'école marxiste pour éviter une vision déterministe du 'progrès' technologique.Dans les contributions, on remarque également une volonté de nuancer l'approche foucaldienne à la surveillance, car les lectures déterministes de la théorie de
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.009 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.022 | 0.010 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".