Les plateformes de travail numériques : polygraphie d’un nouveau modèle organisationnel
Bibliographic record
Abstract
Au cours des dix à quinze dernières années, les plateformes de travail numériques se sont fortement développées dans différents secteurs d'activité, comme le transport de personnes et la livraison de repas, ou sous forme d'une multitude de microtâches réalisées en ligne. Des centaines de milliers de travailleurs et travailleuses se retrouvent actuellement dans cette nouvelle gig economy. Quelle est l'importance des plateformes numériques et quelle est leur signification pour le monde du travail? Menacent-elles de supplanter les relations d'emploi traditionnelles fondées sur des contrats légalement réglementés? Sont-elles compatibles avec les promesses d'autonomie et de liberté qui constituent leur image de marque? Quelle est la situation vécue par les travailleurs et les travailleuses des plateformes? Cet ouvrage tente de répondre à ces interrogations selon une perspective à la fois internationale et multidisciplinaire. Sociologues, économistes et juristes, spécialistes de la question, dressent un portrait saisissant de l'économie des plateformes numériques, analysent les effets de leur développement sur les manières de vivre le travail et soulèvent des nouveaux questionnements et enjeux sociaux pour l'action publique.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.005 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.001 |
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".