Locating Montreal’s Nannies: Micro-work, Work Trajectories and Multiple Work Locations
Bibliographic record
Abstract
La plupart des études d'économie spatiale en milieu urbain conçoivent comme hypothèse de départ que l'activité économique, qui se traduit concrètement par des emplois, peut être localiséegéographiquement. Des recherches récentes en mobilité suggèrent que cette approche doit être revisitée, car les personnes travaillant dans l'économie de la connaissance réalisent une partcroissance de leurs tâches à leur domicile, durant leurs déplacements ou dans des tiers-lieux. Cependant, ce n'est pas uniquement pour ce type de travailleurs que l'emploi ne peut être localiséprécisément. Dans ce projet, je explore la géographie des activités d'un groupe d'assistantes maternelles de Montréal. Au travers d'interviews approfondies, je documente la spatialité deleurs journées de travail, révélant des trajets complexes, généralement circonscrits au sein d'un vaste quartier. Ces trajets semblent s'être complexifiés avec l'avènement des nouvellestechnologies de communication et le gig economy. Mais la garde d'enfants a toujours nécessité des déplacements : l'idée reçue selon laquelle une activité économique se pratiqueobligatoirement dans un lieu de travail ne correspond plus à la réalité de notre société contemporaine, et n'est réellement applicable qu'à un certain type d'activités.
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 | 0.000 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.033 | 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".