Bibliographic record
Abstract
La possibilité d’une autonomie temporelle permettant d’articuler les temps sociaux est l’un des premiers arguments mis en avant par Uber pour inciter à devenir chauffeur. Cette promesse est aujourd’hui mise à mal par la baisse des rémunérations, qui contraint les travailleurs à accroître leur durée de travail et à privilégier les horaires atypiques. En s’appuyant sur deux enquêtes par entretiens menées entre 2018 et 2019 à Montréal et à Paris auprès de chauffeurs Uber, l’article se propose d’analyser les stratégies d’articulation des temps sociaux qu’ils mettent en place dans ce contexte de pression économique accrue. Il met en lumière deux régimes de temporalité, correspondant à des usages différenciés de l’autonomie associée au statut d’indépendant, qui reposent sur des configurations familiales spécifiques et qui produisent des normes de parentalité divergentes. Pour la majorité des chauffeurs, le choix entre l’argent et le temps se traduit par un investissement intensif au travail, par une dégradation de leur santé et par un accroissement des inégalités de genre au sein de leur couple. Si certains parviennent encore à profiter du statut d’indépendant pour mieux articuler les temps sociaux, il ne s’agit que d’une minorité disposant de ressources spécifiques.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.024 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
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".