Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

FairFare : un outil de collecte participative de données sur le covoiturage pour renforcer les syndicats

Created by
  • Haebom

Auteur

Dana Calacci, Varun Nagaraj Rao, Samantha Dalal, Catherine Di, Kok-Wei Pua, Andrew Schwartz, Danny Spitzberg, Andrés Monroy- Hernandez.

Contour

Cet article aborde les défis auxquels sont confrontés les travailleurs du secteur du covoiturage en raison de l'environnement de travail imprévisible engendré par la nature des plateformes géantes, qui reposent sur une IA opaque et des systèmes algorithmiques. Nous constatons que les organisations syndicales ont besoin de données pour soutenir leurs efforts de plaidoyer en faveur d'une plus grande transparence et d'une plus grande responsabilité sur les plateformes. Pour répondre à ce besoin, nous avons collaboré avec un syndicat de covoiturage du Colorado pour développer un outil appelé FairFare. FairFare collecte et analyse les données des travailleurs afin d'estimer le taux d'utilisation de la plateforme. Pendant 18 mois, nous avons déployé FairFare, collectant des données sur plus de 76 000 trajets effectués auprès de 45 chauffeurs. Lors d'entretiens d'évaluation, les organisations syndicales ont indiqué que FairFare avait influencé la formulation et l'adoption du projet de loi 24-75 du Sénat du Colorado, qui exige la transparence et la divulgation des données sur les opérations des plateformes, et avait contribué à façonner le discours national. Enfin, nous examinons la complexité de la traduction des données quantitatives en résultats politiques, la nature des audits communautaires et les implications pour la conception de futurs outils de transparence.

Takeaways, Limitations

Takeaways:
Démontre comment les outils basés sur les données peuvent être efficacement exploités dans les mouvements syndicaux pour accroître la transparence et la responsabilité sur les plateformes de covoiturage.
Prouver que les données collectées grâce à des outils comme FairFare peuvent conduire à un réel changement de politique (comme l'a adopté le projet de loi 24-75 du Sénat du Colorado).
Souligne l’importance de la collecte et de l’analyse des données au niveau communautaire.
Fourni par __T46698_____ sur la conception des futurs outils pour la transparence de la plateforme.
Limitations:
Des recherches supplémentaires sont nécessaires sur la complexité de la transformation des données quantitatives en résultats politiques.
Une discussion plus approfondie est nécessaire sur les limites et les moyens d’améliorer l’audit communautaire.
Des recherches supplémentaires sont nécessaires sur l’évolutivité de FairFare et son applicabilité à d’autres régions/plateformes.
👍