Worker Utility as Hysteresis: A Preisach Model of Transaction Acceptance in Gig Labour Markets
Dieses Paper schlägt ein Preisach-Hysteresemodell für die Annahme von Transaktionen durch Gig-Worker vor, das latente Nutzenoberflächen und Preis-zu-Schwellenwert-Kodierungen nutzt, um gleichzeitig die Lohnkosten um 21,3 % zu senken und die Ausfüllraten um 9,7 % zu erhöhen, indem die Richtungsasymmetrie der Präferenzen der Arbeiter ausgenutzt wird.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Kernidee: Arbeitnehmer haben ein „Gedächtnis“, nicht nur ein Preisschild
Stellen Sie sich vor, Sie versuchen, jemanden für einen einzigen Arbeitstag einzustellen. Im alten Denken (dem „Standardmodell“) hat ein Arbeiter ein festes Preisschild im Kopf, wie ein Aufkleber auf einem Glas Honig. Wenn Sie mehr als den Aufkleberpreis bieten, sagen sie „Ja“. Wenn Sie weniger bieten, sagen sie „Nein“. Es ist eine einfache Einbahnstraße.
Dieses Paper argumentiert, dass echte Gig-Worker (wie Lieferfahrer oder Aushilfen im Einzelhandel) nicht so funktionieren. Sie arbeiten eher wie Thermostate mit einem Gedächtnis.
Die Autoren verwenden ein Physikkonzept namens Preisach-Modell (das normalerweise verwendet wird, um zu erklären, wie Magnete sich an ihre vergangenen Magnetfelder erinnern), um zu erklären, wie Arbeiter Entscheidungen treffen. Hier ist das Kernkonzept:
- Der „Ein“-Schalter (Akzeptanzschwelle): Ein Arbeiter wird „Ja“ sagen, wenn die Bezahlung hoch genug ist, um eine hohe Hürde zu überschreiten.
- Der „Aus“-Schalter (Ablehnungsschwelle): Sob es einmal „Ja“ gesagt hat, wird der Arbeiter auch dann weiterhin „Ja“ sagen, wenn Sie die Bezahlung ein wenig senken. Er wird erst „Nein“ sagen, wenn die Bezahlung unter eine niedrigere Hürde fällt.
- Die „Indifferenzzone“: Dies ist die Lücke zwischen der hohen Hürde und der niedrigen Hürde. Wenn die Bezahlung in dieser mittleren Zone liegt, hängt die Entscheidung des Arbeiters vollständig davon ab, was beim letzten Mal passiert ist.
- Wenn er den letzten Job zu diesem Preis akzeptiert hat, wird er diesen wahrscheinlich auch akzeptieren.
- Wenn er den letzten Job zu diesem Preis abgelehnt hat, wird er diesen wahrscheinlich auch ablehnen.
Die Analogie: Stellen Sie sich die Stimmung eines Arbeiters wie eine schwere Tür mit einer Feder vor.
- Um die Tür aufzudrücken (akzeptieren), brauchen Sie einen starken Stoß (hohe Bezahlung).
- Sobald die Tür offen ist, bleibt sie offen, auch wenn Sie nicht mehr so stark drücken.
- Um die Tür zu schließen (ablehnen), müssen Sie sie zurück über einen gewissen Punkt ziehen.
- Wenn Sie einfach nur in der Tür stehen (die mittlere Zone), bleibt die Tür genau dort, wo sie verlassen wurde.
Das Problem mit „Einheitsmodellen“
Die meisten Plattformen versuchen zu erraten, was der „Reservationslohn“ (der Mindestlohn, den ein Arbeiter akzeptieren würde) eines Arbeiters ist. Das Paper sagt, dass dies falsch ist, da die Belegschaft eine Mischung aus verschiedenen Menschen mit unterschiedlichen Hintergründen ist.
- Einige Arbeiter sind im Ruhestand und wollen nur einfache Schichten.
- Einige sind Studenten, die schnell Bargeld benötigen.
- Einige sind Vollzeitbeschäftigte, die etwas dazuverdienen möchten.
Da sie alle unterschiedlich sind, befinden sich ihre „Türen“ in unterschiedlichen Höhen. Wenn Sie die Bezahlung senken, erhalten Sie nicht nur ein paar „Neins“, sondern eine Welle von „Neins“, die viel größer ist als die Welle von „Jas“, die Sie erhalten, wenn Sie die Bezahlung wieder erhöhen. Dies wird als Hysterese (Historienabhängigkeit) bezeichnet.
Die Lösung: Das „Zwei-Köpfe“-Gehirn
Die Forscher konnten nicht in die privaten Gedanken der Arbeiter schauen (deren exakte Preisschilder). Sie sahen nur das Ergebnis: Akzeptiert oder Abgelehnt.
Um dies zu lösen, bauten sie ein Computersystem mit zwei Teilen, wie ein Gehirn mit zwei Köpfen:
- Das Dual-Output-Neuronale-Netzwerk (Der Schätzer):
Stellen Sie sich einen Roboter vor, der sich ein Jobangebot ansieht und versucht, zwei Dinge gleichzeitig zu erraten:- Kopf A: „Wie glücklich wäre ein Arbeiter, wenn er dies akzeptieren würde?“
- Kopf B: „Wie unglücklich wäre ein Arbeiter, wenn er dies ablehnen würde?“
Der Roboter wird darauf trainiert, sicherzustellen, dass für jeden Job, der tatsächlich akzeptiert wurde, der Wert von Kopf A immer höher ist als der Wert von Kopf B. Dies erzeugt eine „Lücke“ zwischen den beiden Werten. Diese Lücke repräsentiert die Indifferenzzone – den Bereich, in dem die Historie des Arbeiters am wichtigsten ist.
- Der XGBoost-Klassifikator (Der Entscheider):
Dieser zweite Teil nimmt die „Lücke“, die der Roboter erstellt hat, und betrachtet die spezifischen Details des Jobs (Preis, Zeit, Ort). Er nutzt diese Informationen, um das Endergebnis vorherzusagen: Wird dieser spezifische Arbeiter Ja oder Nein sagen?
Der magische Trick: Relativer Preis, nicht absoluter Preis
Das Paper fand etwas Überraschendes heraus. Der Computer arbeitete nicht am besten, indem er nur auf den Dollarbetrag schaute (z. B. „20 $/Stunde“). Er arbeitete am besten, wenn er den Preis relativ zum persönlichen Schwellenwert des Arbeiters betrachtete.
Die Metapher: Stellen Sie sich vor, Sie sind ein Wanderer.
- Absolute Sicht: „Ist dieser Hügel 500 Meter hoch?“ (Das sagt Ihnen nicht, ob er schwer zu erklimmen ist).
- Relative Sicht: „Ist dieser Hügel 500 Meter hoch im Vergleich zu meinem aktuellen Energieniveau?“ (Das sagt Ihnen, ob Sie ihn erklimmen können).
Das Modell lernte, dass Arbeiter nicht an der Rohzahl interessiert sind, sondern daran, wie das Angebot mit ihrem persönlichen „Glücks-Basiswert“ vergleichbar ist. Indem man diesen relativen Vergleich in den Computer einspeiste, sprang die Vorhersagegenauigkeit signifikant an.
Die Ergebnisse: Geld sparen bei gleichzeitiger Einstellung von mehr Personal
Als die Forscher dieses Modell auf echte Daten einer polnischen Gig-Plattform anwandten (36.891 Jobs), fanden sie ein „Win-Win“-Szenario, das zuerst unmöglich erschien:
- Das Paradoxon: Das Modell schlug vor, die Löhne für einige Jobs zu senken und für andere zu erhöhen.
- Das Ergebnis:
- Bei 74 % der Jobs zahlte die Plattform tatsächlich zu viel. Die Arbeiter waren mit dem aktuellen Angebot so zufrieden, dass sie es auch akzeptiert hätten, wenn der Lohn um einen Median von 31 % gekürzt worden wäre. Die Plattform sparte hier eine enorme Menge Geld.
- Bei 25 % der Jobs zahlte die Plattform zu wenig. Die Arbeiter waren unentschlossen. Eine kleine Erhöhung (Median 7 %) drückte sie über die Schwelle und verwandelte ein „Nein“ in ein „Ja“. Dies füllte Jobs, die andernfalls leer geblieben wären.
Das Nettoergebnis: Durch die Anwendung dieses „Hysteresie“-Modells konnte die Plattform die Gesamtlöhne um 21 % senken und gleichzeitig 9,7 % mehr Jobs besetzen.
Warum das wichtig ist
Das Paper kommt zu dem Schluss, dass man die Gig-Economy nicht verstehen kann, indem man auf einen einzelnen „Durchschnittsarbeiter“ blickt. Man muss verstehen, dass Arbeiter ein Gedächtnis haben.
- Wenn man die Bezahlung zu stark senkt, verliert man nicht nur ein paar Arbeiter; man drängt die gesamte Gruppe in einen „Ablehnungszustand“, aus dem sie nur schwer wieder herauskommt.
- Wenn man die „Indifferenzzone“ versteht, kann man den idealen Punkt finden, an dem man bei Jobs, die ohnehin schon sicher sind, Geld spart und ein wenig mehr ausgibt, um Jobs freizuschalten, die im Schwebezustand feststecken.
Kurz gesagt: Arbeiter sind nicht nur preisempfindlich, sondern geschichtensensibel. Das Modell, das ihr Gedächtnis respektiert, ist das Gewinner-Modell.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.