Justice et décence dans la transition énergétique : analyse des engagements de RSE d'Uber et de leurs effets sur la rémunération des travailleurs de plateforme
Bibliographic record
Abstract
Ce mémoire de recherche analyse les enjeux d’une transition énergétique dite « juste » dans le contexte de double transition énergétique et numérique en s’intéressant particulièrement aux travailleurs de plateformes numériques. Si la littérature révèle déjà la précarité structurelle des chauffeurs Uber, la question se pose de savoir si la stratégie de décarbonation d’Uber, en incitant à l’adoption de véhicules électriques, accentue cette précarité ou ouvre la voie à une transition plus équitable. En mobilisant les cadres théoriques de la transition juste (TJ) et du travail décent, la recherche examine l’articulation entre les engagements environnementaux d’Uber (au travers de sa responsabilité sociale), les logiques économiques qui les sous-tendent et leurs répercussions concrètes sur la rémunération des chauffeurs autonomes de Montréal. Elle propose une réflexion interdisciplinaire à l’intersection du droit, de l’économie du travail et de la gouvernance d’entreprise, afin de penser les conditions d’une transition énergétique véritablement juste et inclusive.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| 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".