La gamification du travail dans l'économie de plateforme : le cas de Uber à Montréal
Bibliographic record
Abstract
La gamification est une technique managériale utilisée par les plateformes numériques de travail. Elle se matérialise sous forme de notes d’évaluation, de points à gagner, de défis à relever. Sous-catégorie de la gestion algorithmique, la gamification cherche principalement à fidéliser les travailleur.ses autonomes sans remettre en question ce statut et permet de mettre en place des incitatifs à la production. Elle est présentée par ses promoteurs comme un outil managérial win-win puisque motivant « en douceur » les travailleur.ses et leur permettant d’augmenter leur rémunération. Grâce à une enquête qualitative composée d’une « netnographie » et d’entretiens semi-dirigés avec des chauffeurs Uber travaillant dans la région du Grand-Montréal, la pratique de la gamification et son degré d’influence sur la motivation des travailleur.ses et leurs conditions de travail sont documentés. Les résultats de l’enquête qualitative montrent que les travailleur.ses sont principalement motivés par les incitatifs accompagnés de gain financier, invalidant l’idée avancée par les discours managériaux selon laquelle la participation au jeu est une motivation en soi. Les résultats mettent également en lumière certains effets pervers comme le constat que la gamification permet de remplacer progressivement des rémunérations stables et prédéfinies par des rémunérations incertaines et personnalisées. L’enquête conclut que la gestion algorithmique « bonifiée » par la gamification ne laisse aucune marge de manoeuvre aux travailleur.ses quant à leur influence sur l’organisation du travail, y compris quand ces derniers mettent en oeuvre des stratégies de résistances dans le but de conquérir un peu d’autonomie. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : gamification, nouvelles techniques managériales, gig economy, plateformes numériques de travail, gestion algorithmique, contrôle du travail, Uber.
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 | 0.001 | 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 | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 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".