La reconfiguration du monde du travail par l’émergence des plateformes de travail numériques : origines, développement et impacts
Bibliographic record
Abstract
L’économie des plateformes numériques, propulsée par l’essor de l’Internet mobile et des technologies innovantes comme l’infonuagique (cloud), les mégadonnées (big data) et l’intelligence artificielle, s’est imposée comme un modèle organisationnel émergent depuis les années 2000. Ces plateformes reconfigurent les dynamiques de travail en servant d’intermédiaire dans la fourniture de services et de biens, tout en remettant en cause les formes traditionnelles d’emploi et de protection sociale. Cet article explore les origines, le développement et les impacts des plateformes numériques sur le travail en s’appuyant sur un examen de la littérature sur le sujet et sur des données empiriques. L’article expose d’abord l’émergence des plateformes numériques, leurs diverses formes et l’ampleur du phénomène du « travail plateformisé ». Il présente ensuite les caractéristiques des travailleurs des plateformes et leurs conditions d’emploi. Enfin, à partir des données d’une enquête auprès de jeunes Québécois qui travaillent sur les plateformes Uber et Uber Eats, il analyse les motifs qui les conduisent à s’engager dans ce type d’emploi. La conclusion soulève les défis de régulation du travail posés par les plateformes numériques.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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".