Le modèle coopératif à l'épreuve de l'économie de plateforme : de la gestion algorithmique du travail à la précarisation de l'emploi - Une étude de cas au Québec
Bibliographic record
Abstract
Ce mémoire explore le rapport au travail au sein d’une plateforme de transport et de livraison. L’étude du cas de Eva au Québec éclaire les potentiels et limites du coopérativisme de plateforme, mouvement militant/entrepreneurial né de l’évidence des dégâts causés par les plateformes capitalistes telles que Uber. Visant à redonner aux travailleur·euse·s numériques le contrôle de leur outil de travail, ces coopératives doivent croître rapidement (poussées par l’effet réseau) dans un environnement hostile (caractérisé par des financements limités et un marché hyper-concurrentiel). Notre problématique questionne la tension entre les principes du coopérativisme, d’une part, et les réalités du travail d’autre part (organisation du travail, contrôle et rémunération). Basée notamment sur un corpus de 11 entretiens qualitatifs, cette recherche met l’accent sur les freins à l’autonomisation et à la sécurisation des chauffeur·e·s. D’une part, le statut de travailleur·euse autonome les maintient dans une précarité équivalente à celle tristement célèbre chez Uber. D’autre part, l'hybridité du modèle d’Eva (une coopérative locale et une corporation globale) et son modèle de gouvernance sont porteurs de risque quant au contrôle réel exercé par les chauffeur·e·s sur leur outil de travail. Or, c’est bien ce contrôle qui leur offre une voie de sortie de la précarité. Au terme de cette analyse, des pistes de réflexion sont suggérées pour donner à ces formes alternatives visant l’émancipation du travail un réel pouvoir transformateur, au-delà des discours. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : capitalisme algorithmique, économie du partage, économie de plateforme, travail de plateforme, coopératives, précarité, hétéronomie
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".