Lindsey D. Cameron, Wharton School, University of Pennsylvania，及Institute of Advanced Studies, Princeton的研究者，发表了一篇题为《The making of the “Good Bad” Job: How Algorithmic Management Manufactures Consent Through Constant and Confined Choices》的研究论文，该研究发表于《Administrative Science Quarterly》期刊，文章的DOI为10.1177/00018392241236163。这篇文章针对算法管理（algorithmic management）如何通过一系列有限且持续的选择促进工作场所工人的认同（consent）进行了详细探讨。这种现象被称为“好的坏工作”（Good Bad Job）。本文的主题即围绕这一点，深刻分析了算法管理在当代劳动关系中的作用和影响。

学术背景

近年来，美国利用智能手机应用完成工作的劳动力数量显著增加，催生并定义了新形式的劳动关系——平台经济（on-demand economy）和零工经济（gig work）。平台经济中的工作被算法所管理，员工在智能算法的指导下完成分配的任务，而非传统的由人类经理管理。在这种劳动环境中，算法不仅承担了任务分配、劳动监控等传统的管理职能，还通过对任务报酬的实时调整与行为测评控制了劳动过程。

学者们对此现象提出了诸多批评，如“算法暴政”（algorithmic tyranny）、“无形牢笼”（invisible cage）等，认为其带来的报酬低、工作风险高和社会保障缺失使其成了一种“坏工作”（bad job）。然而，尽管存在传统高质量工作的替代选项，许多人仍在选择并且偏好被算法管理的零工工作。论文的研究目标在于解释这一现象中的矛盾，即工人为何在不稳定和不利的工作条件下仍然表现出参与积极性并认同这一工作关系。

研究工作流程

该研究以网约车行业为目标对象，进行了长达七年的多方法质性研究。研究包括以下环节：

数据收集

1. 参与式观察：研究者自身参与了网约车司机的角色，累计驾驶160小时，涵盖了网约车任务的各类情境，如早晚高峰、机场接送等，从而深入体验算法管理。
2. 访谈：研究者与136位司机进行了访谈，分三轮进行。第一次访谈集中于工作体验的大体描述；第二阶段则是随访，调查工作条件的变化及个人应对机制；第三次访谈深度聚焦于新冠疫情下的司机行为调整。
3. 媒体与档案分析：作者还收集了社会媒体讨论、公司官方材料等以补充并验证访谈和现场观察数据。

数据分析与理论框架

研究通过扎根理论方法（grounded theory）进行了多轮编码，包括以下阶段： - 开放编码：提炼数据中出现的主题，如算法指令与工人反应等。 - 轴心编码：将主题间的关系置于整体分析当中，比如工人与管理系统互动过程中的选择与后果。 - 理论编码：基于现有文献，结合原始数据分析搭建理论框架，特别探讨了“基于选择的认同”（choice-based consent）的概念及形成机制。

样本与算法管理系统

研究者将分析集中于五种算法功能： 1. 匹配算法（Matching Algorithm）：分配乘客到司机；未接受任务会带来惩罚。 2. 工作指令算法（Work Instruction Algorithm）：向司机提供如导航、计时等操作指令。 3. 基于需求的定价算法（Demand-based Pricing Algorithm）：调整任务报酬以吸引司机前往特定区域。 4. 奖励算法（Bonus Algorithm）：通过奖励机制吸引司机接更多单。 5. 评级算法（Ratings Algorithm）：通过客户评分评估司机表现，低评分可能导致账号被永久禁用。

主要研究结果

工人行为及选择机制分析

• 参与战术（Engagement Tactics）：司机根据算法提供的信息主动调整行为，具体分类为：

  • 简单参与：完全遵循算法的诱导，比如赶往收入较高的区域。
  • 复杂参与：不直接听从算法，但使用算法生成的信息指导行动，如规避高竞争区域。 这种战术展现工人以“技能性代理人”（skillful agents）的姿态融入工作，使其对劳动过程产生积极认同。

• 偏离战术（Deviance Tactics）：司机试图绕过算法规则，通过操控输入参数来改变算法处理逻辑，比如：

  • 挑选客户：避免接单评分较低的乘客。
  • 增加收入：人为增加动态涨价区间，干扰定价机制。 偏离战术虽可能被算法识别与惩罚，但司机通常有有效应对的方式。这使得即使偏离，但工人的行为依然提升其作为独立个体的认同感。

认同的生成

研究强调，通过以上两种战术，工人在高度限制的工作条件下仍能作出“选择”，这些选择成为认同生成的基础。尤其是参与和偏离战术，无论类型如何，都强化了司机对平台工作的投入。

撤回认同的可能性

当工人对劳动条件不满时，也会选择退出平台，如停止上线或利用工艺缺陷破坏算法管理体系。这种行为反过来也揭示了算法管理对于工人的某些局限性。

研究的结论和意义

该研究指出，算法管理通过不断的、局部的选择来生成工人的工作认同，并以此覆盖工作环境的结构性问题。这一“基于选择的认同”不仅是学术理论上的重要补充，同时也揭示了“好的坏工作”为何深具吸引力，弥合工人的满意与工作缺陷之间的矛盾。这项研究为未来关于算法管理的工作关系问题提供了全新视角，有助于解释为何平台经济下的不稳定工作仍能吸引大量参与者。

此外，研究对于工作中的“微选择”（micro-choices）及其累积效应有深刻洞见，为社会学、劳动经济学等领域带来了重要的方法论启示。

研究亮点

1. 新颖的研究视角：研究通过“基于选择的认同”挑战了“算法完全操控论”，凸显了工人在算法管理系统中的能动性。
2. 长期且全面的数据收集：覆盖多个北美城市，样本异质性高。
3. 跨领域意义：揭示算法技术在人类劳动组织上的深远影响，同时指出算法治理的潜在伦理困境。

综合而言，这项研究对算法背景下劳动过程的微观运行机制进行了开创性分析，不仅填补了现有文献的空白，也为政策制定者和平台企业提供了重要扩展思路。