Les plateformes de travail numériques: Uber et la dérèglementation de l’industrie du taxi au Québec
Bibliographic record
Abstract
L’émergence des plateformes numériques dans plusieurs secteurs de l’économie constitue une tendance importante des dix dernières années. Le présent rapport vise à documenter ce phénomène, en s’appuyant sur d’autres travaux de recherche et sur quelques données empiriques recueillies dans le cadre d’une recherche exploratoire portant sur l’implantation de la compagnie Uber au Québec et la dérèglementation de l’industrie du taxi dans cette province. Le rapport (1) dresse un portrait de l’économie dite « collaborative », (2) expose les contours des plateformes numériques et présente quelques modèles types (3) analyse le fonctionnement et les enjeux soulevés par la plateforme de travail Uber et (4) explore les impacts anticipés de la dérèglementation de l’industrie du taxi dans les régions non métropolitaines du Québec. L’ensemble des constats et des analyses montre que l’adoption des innovations technologiques est un processus effervescent mais inégalitaire, menant à des disparités entre individus, secteurs d’activité et zones géographiques et que la régulation des plateformes numériques représente un défi pour les gouvernements qui met à l’épreuve les normes sociales et les juridictions nationales.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".