Deu no Scandinavian Journal
Fórum AT destaca dois textos. Apresentação do primeiro número do ano e Editorial que destaca o tema da gestão algoritmica e seus impactos na ST.
01. Apresentação do primeiro número de 2026.
Um Feliz Ano Novo da SJWEH para nossos leitores, autores e revisores!
Iniciamos 2026 com um editorial (https://sjweh.us14.list-manage.com/track/click?u=c2f0e31dff8bec89d5e5eaedf&id=93652c2d09&e=c3e54aca04) sobre um tema que esteve muito presente nas discussões de 2025 e certamente continuará em 2026: a gestão algorítmica e seu impacto nos riscos psicossociais no trabalho. A Parceria para Pesquisa Europeia em Segurança e Saúde Ocupacional (PEROSH) realizou recentemente uma revisão bibliográfica sobre o tema, e o editorial de Bowdler, Lahti, Jelenko, Buresti e Valtonen resume os principais resultados e mensagens dessa revisão.
Outro tema importante que permanecerá em pauta por algum tempo é a mudança climática e suas consequências para a segurança e saúde ocupacional. Dois artigos nesta edição abordam esse tema. De Crom et al. (https://www.sjweh.fi/issue/384) desenvolveram uma matriz de exposição ocupacional (JEM) que facilita a atribuição da exposição ao estresse térmico ocupacional em toda a Europa, incorporando variações específicas de cada função, região e ano. Sainiyom et al. (https://doi.org/10.5271/sjweh.4261) testaram um novo colete de resfriamento à base de carbono em simulações de atividades de saúde na Tailândia e observaram que ele mitigou o estresse térmico causado pelo uso de equipamentos de proteção individual médicos.
Dois artigos examinaram comportamentos relacionados à saúde. Thern et al. (https://doi.org/10.5271/sjweh.4257) relataram associações entre os componentes do modelo demanda-controle-apoio e o risco de problemas de saúde relacionados ao álcool em um estudo de registro com trabalhadores suecos, com resultados que diferiram parcialmente entre mulheres e homens. Em outro estudo sueco, Väisänen et al. (https://doi.org/10.5271/sjweh.4256) observaram que avaliações pouco frequentes do perfil de saúde no local de trabalho não estavam associadas a mudanças nos comportamentos relacionados à saúde, enquanto avaliações frequentes podem ter gerado pequenas melhorias.
Por fim, Aegerter et al. (https://doi.org/10.5271/sjweh.4254) relataram, em um ensaio clínico randomizado, que uma intervenção multicomponente reduziu a dor cervical entre trabalhadores de escritório suíços. E Hazak et al. (https://doi.org/10.5271/sjweh.4255) descobriram que predisposições genéticas relacionadas a características do sono estavam associadas à escolaridade, renda e emprego em trabalhos intelectuais na população geral finlandesa.
Aproveite a edição e lembre-se de nos seguir no LinkedIn.
Annina Ropponen e Reiner Rugulies
Editores-chefes
02. Editorial
Original em https://www.sjweh.fi/article/4270
Se preferir leia a versão traduzida Pelo Gemini, em versão pdf, acessando aqui
Editorial: Gestão Algorítmica e Saúde do Trabalhador
Nos últimos anos, os sistemas de gestão algorítmica (ALMA) espalharam-se rapidamente do trabalho em plataformas para setores mais tradicionais, como logística, varejo e saúde (1, 2). Definida como “o uso de sistemas digitais complexos ou IA [inteligência artificial] para gerir trabalhadores” (3) e abrangendo a execução semi ou totalmente automatizada de funções gerenciais, como agendamento, definição de metas e avaliação de desempenho (4), a ALMA está remodelando profundamente a forma como o trabalho é organizado e monitorado. Com base em discussões recentes nesta revista sobre digitalização e saúde ocupacional (ex: 5), este editorial examina como a ALMA está transformando as condições de trabalho e as dinâmicas de poder, e considera suas implicações para a saúde e o bem-estar dos trabalhadores em ambientes de trabalho em mudança.
Uma revisão da literatura até 2022 (6) sintetizou evidências emergentes sobre como a ALMA afeta a qualidade do emprego e a saúde do trabalhador no trabalho em plataformas, destacando riscos psicossociais como carga de trabalho intensificada, horas de trabalho irregulares e imprevisíveis com tempos de espera não remunerados, redução da autonomia de decisão e isolamento social. Em outras palavras, a ALMA pode recalibrar o equilíbrio entre demandas e recursos de trabalho de maneiras que aumentam os riscos psicossociais. Examinados à luz de modelos estabelecidos de risco psicossocial (7) — como o modelo de Demandas-Recursos do Trabalho (8, 9), o modelo de Demanda-Controle-Apoio (10, 11) e o modelo de Desequilíbrio Esforço-Recompensa (12, 13) — esses achados anteriores sugerem que a ALMA pode criar condições que acionam vias de risco clássicas, nas quais as demandas de trabalho excedem os recursos disponíveis, levando ao estresse, burnout e desfechos de saúde relacionados.
No entanto, a ALMA não é inerentemente prejudicial. Um corpo crescente de pesquisas enfatiza que a ALMA não é apenas um sistema técnico, mas um processo sociotécnico moldado por contextos organizacionais e decisões humanas (1, 4, 14). Assim, as implicações da ALMA para o trabalho e os trabalhadores dependem não apenas de características técnicas, mas também, por exemplo, de como e para qual propósito os sistemas são usados. Quando projetados com transparência, justiça e oportunidade de influência humana sobre o sistema (4), os efeitos nocivos da ALMA podem ser mitigados. Alguns pesquisadores até destacaram o efeito dual da ALMA, observando que sistemas algorítmicos podem tanto restringir quanto permitir autonomia e valor aos trabalhadores, dependendo do seu design (15). Contudo, as evidências de resultados positivos permanecem limitadas e amplamente teóricas (4). Embora alguns estudos tenham apontado benefícios potenciais para os trabalhadores, como maior flexibilidade na decisão das horas de trabalho, estes são frequentemente acompanhados por novas formas de controle (16).
Este editorial baseia-se em uma revisão de literatura estruturada (não sistemática) conduzida dentro da rede PEROSH (3), que seguiu um processo de busca sistemática e foi visualizada de acordo com os princípios de relatório PRISMA 2020 (17). A revisão sintetizou descobertas de 39 estudos (publicados entre 2022–2024) sobre as implicações de Segurança e Saúde no Trabalho (SST) da ALMA, abrangendo tanto o trabalho tradicional quanto o de plataforma. Embora o relatório resultante em si não tenha sido revisado por pares, ele se baseia exclusivamente em fontes empíricas de alta qualidade (33 estudos científicos revisados por pares e 6 relatórios de literatura cinzenta) e foi desenvolvido por uma equipe de pesquisadores de várias instituições europeias (3). Com base na revisão, argumentamos que a ALMA não é meramente um aprimoramento digital de práticas gerenciais existentes. Pelo contrário, ela constitui uma nova forma de organização do trabalho que desloca a tomada de decisão gerencial dos humanos para os algoritmos, remodelando assim o ambiente de trabalho psicossocial e redistribuindo poder, controle e responsabilidade. As seções seguintes resumem as principais conclusões de nossa revisão, discutem suas implicações para políticas e práticas e descrevem prioridades de pesquisa para garantir que a ALMA apoie, em vez de minar, a saúde e o bem-estar dos trabalhadores.
Principais conclusões da revisão
A revisão do projeto ALMA-AI indicou que o uso de sistemas ALMA frequentemente leva a demandas de trabalho excessivas, reduzindo simultaneamente os recursos fundamentais necessários para gerenciar essas demandas. Esse desequilíbrio molda as condições de trabalho de maneiras que aumentam as pressões psicossociais e elevam o risco de desfechos negativos de SST. No relatório ALMA-AI, esses padrões foram identificados e posteriormente estruturados em estudos quantitativos e qualitativos, abrangendo o trabalho em plataformas e locais de trabalho tradicionais.
Intensificação das demandas de trabalho Análises quantitativas conduzidas em contextos de trabalho de plataforma mostram consistentemente que os sistemas ALMA geram pressões psicossociais — particularmente de tempo — que elevam significativamente os níveis de estresse relacionado ao trabalho (ex: 18–21). A pressão do tempo como uma demanda de trabalho também foi mencionada em estudos qualitativos que identificaram cargas de trabalho excessivas como uma característica recorrente da ALMA em vários setores de plataforma (ex: 22, 23). Em alguns relatos, os trabalhadores chegaram a descrever como essas demandas elevadas os faziam sentir-se "explorados" (24). Descobertas semelhantes foram destacadas em um relatório da OIT, onde a intensificação do trabalho pareceu estar diretamente ligada ao uso de sistemas de monitoramento (25).
Esgotamento dos recursos de trabalho A revisão mostrou que o impacto negativo da ALMA na SST é frequentemente exacerbado quando esses sistemas minam recursos essenciais do trabalho; um padrão observado particularmente quando a ALMA é usada como mecanismo de controle. Tais efeitos incluem autonomia reduzida (26) e diminuição do apoio social, manifestada, por exemplo, como tempo limitado para interagir com colegas (25). A ALMA frequentemente impõe fluxos de trabalho padronizados, reduzindo as oportunidades de discrição do trabalhador (27). A perda de autonomia é especialmente acentuada quando os algoritmos são percebidos como opacos (26) ou usados para impor tarefas estritamente cronometradas ou monitoradas de perto (28). Alguns dos estudos revisados também relataram que os trabalhadores frequentemente se sentem excluídos dos processos de tomada de decisão em torno da introdução e uso dos sistemas ALMA (ex: 25).
Evidências empíricas de pesquisas em larga escala Além dos estudos revisados por pares, a revisão integrou descobertas de grandes relatórios institucionais baseados em amostras amplas e representativas. O relatório da EU-OSHA (29) baseou-se em dados da pesquisa OSH Pulse, cobrindo 27.250 trabalhadores em toda a UE. Os resultados sugerem que cada aumento de uma unidade na intensidade da ALMA foi associado a um aumento de 21% nos riscos psicossociais e um aumento de 16,5% nos problemas de saúde. Da mesma forma, uma pesquisa da Foundation for European Progressive Studies de 2023 com 5.141 trabalhadores nos países nórdicos (30) descobriu que o uso intensivo da ALMA quase dobrou os níveis de estresse em comparação com locais de trabalho sem ALMA.
Envolvimento do trabalhador e transparência como estratégias de mitigação Outra descoberta importante da revisão foi a relevância de potenciais "moderadores" que podem amortecer os efeitos negativos da ALMA. Duas estratégias surgiram: envolvimento do trabalhador e transparência. Em termos de envolvimento, a representação coletiva dos trabalhadores tem sido eficaz na negociação de limites ao controle algorítmico, protegendo a privacidade e a discrição do trabalhador (31). Abordagens participativas, como o co-design e a negociação coletiva, podem ajudar a garantir a influência do trabalhador na implementação da ALMA, apoiando a autonomia e a confiança (30).
Embora não seja tão impactante quanto o envolvimento direto, a transparência também desempenha um papel fundamental na mitigação dos efeitos negativos da ALMA. Comunicar claramente como os algoritmos funcionam e como as decisões são tomadas pode ajudar a manter a satisfação no trabalho, a motivação e a confiança (30). A transparência também aumenta a percepção de justiça, particularmente em contextos de trabalho de plataforma (21). Essas duas estratégias estão bem estabelecidas na prática de SST e permanecem vitais à medida que os sistemas algorítmicos evoluem.
Implicações metodológicas e de pesquisa
As descobertas da revisão conduzida no projeto ALMA-AI reforçam que os sistemas ALMA frequentemente criam um desequilíbrio entre as demandas de trabalho e os recursos disponíveis, contribuindo significativamente para riscos psicossociais e desfechos negativos de SST. Embora a participação do trabalhador e a transparência possam ajudar a mitigar esses efeitos, a novidade e a complexidade da ALMA exigem pesquisa contínua, regulamentação adaptável e colaboração entre as partes interessadas.
Pesquisas futuras devem focar em estratégias eficazes para proteger a SST sob a gestão da ALMA, com atenção especial a fatores moderadores como participação, transparência e o contexto sociotécnico mais amplo. Estudos longitudinais são particularmente necessários para avaliar os efeitos de longo prazo e capturar os processos de adaptação ao longo do tempo.
Um desafio metodológico fundamental diz respeito à falta de ferramentas padronizadas e validadas para avaliar a intensidade, as funções e os impactos da ALMA, especialmente em locais de trabalho tradicionais. Instrumentos existentes, como o Questionário de Gestão Algorítmica (AMQ) (32), fornecem uma base valiosa para medir a exposição à ALMA e suas implicações de SST. No entanto, ainda falta uma metodologia universalmente aceita para avaliação de risco interno. O AMQ requer validação adicional, tradução e adaptação em diferentes países, setores e tipos de emprego. Alguns itens desenvolvidos para o trabalho em plataforma, como os relacionados à remuneração ou rescisão, podem ser menos relevantes em organizações tradicionais, enquanto novas dimensões, como a alocação algorítmica de tarefas, podem ter relevância psicossocial significativa.
Desenvolver ferramentas de avaliação robustas e sensíveis ao contexto, capazes de capturar a intensidade, funções e usos dos sistemas ALMA e práticas relacionadas, é uma prioridade fundamental de pesquisa. Tais ferramentas apoiariam tanto a compreensão científica quanto o desenvolvimento de políticas, fornecendo uma base mais clara para a regulamentação orientada à prática e avaliação de riscos no local de trabalho. É importante que estudos futuros levem em conta as diferenças entre o trabalho em plataforma e o tradicional, onde os sistemas ALMA estão incorporados em estruturas e práticas gerenciais já existentes (1).
A pesquisa contínua é essencial para refinar e expandir medidas que salvaguardem os direitos e o bem-estar dos trabalhadores em locais de trabalho cada vez mais digitais, garantindo que os sistemas ALMA se alinhem com princípios de saúde, segurança e direitos fundamentais, como privacidade, igualdade e não discriminação.
Implicações para políticas e práticas
As descobertas da revisão ALMA-AI (3), juntamente com pesquisas anteriores (6), demonstram que a ALMA remodela fundamentalmente as relações de poder no trabalho, com o controle deslocando-se cada vez mais dos trabalhadores para os empregadores e operadores de plataforma. De preocupação particular é o risco crescente de perigos psicossociais. Esses riscos muitas vezes permanecem obscurecidos, pois os sistemas ALMA podem ser percebidos como objetivos ou neutros devido à sua lógica técnica. Na prática, porém, esses sistemas são projetados para propósitos organizacionais específicos e refletem os valores e suposições de seus desenvolvedores e implementadores. Os desenvolvedores de software, portanto, representam um grupo adicional de partes interessadas na SST, pois suas escolhas de design podem, consciente ou inconscientemente, embutir lógicas de gestão.
O impacto da ALMA sobre os trabalhadores depende, em última análise, das escolhas gerenciais e do contexto organizacional mais amplo. Em muitos casos, empregadores e operadores de plataforma priorizam a eficiência e o lucro, levando a um controle intensificado sobre as tarefas e condições dos trabalhadores (33, 34). Isso ressalta a necessidade de salvaguardas regulatórias e organizacionais robustas que garantam o cumprimento dos padrões de SST e a proteção da saúde e dos direitos dos trabalhadores.
Um passo significativo nessa direção foi dado com a adoção e futura implementação da Lei de Inteligência Artificial da UE (AI Act). A classificação dos sistemas de IA usados na gestão de trabalhadores como de “alto risco” exige que os empregadores realizem avaliações abrangentes e mitiguem potenciais impactos na SST e nos direitos fundamentais. No entanto, as salvaguardas legais sozinhas não podem abordar as complexas dinâmicas organizacionais e psicossociais documentadas em estudos empíricos (ex: 4). A pesquisa em SST, portanto, continua sendo crucial para informar tanto a regulamentação quanto a prática no local de trabalho.
Do ponto de vista de políticas e práticas, as regulamentações devem exigir avaliações de risco de SST para sistemas ALMA, incluam eles IA ou não. Essas avaliações devem salvaguardar a privacidade, a igualdade e a não discriminação, e garantir o direito dos trabalhadores à informação e à transparência sobre como tais sistemas operam. Evidências da revisão ALMA-AI mostram que a participação do trabalhador e a transparência nos processos algorítmicos são decisivas na mitigação de impactos negativos. Portanto, os empregadores devem adotar processos de design participativo e consulta ao introduzir sistemas ALMA e garantir a responsabilidade na tomada de decisão algorítmica. Os riscos relacionados à ALMA também devem ser incorporados aos sistemas de gestão de riscos ocupacionais e complementados por treinamento em prevenção de riscos psicossociais.
Finalmente, um esforço europeu coordenado envolvendo instituições de SST, pesquisadores, formuladores de políticas e parceiros sociais é essencial para monitorar e gerenciar os riscos psicossociais associados à ALMA. Tal cooperação deve garantir uma supervisão humana significativa, fortalecer a transparência e aumentar a capacidade dos trabalhadores de se engajarem no diálogo sobre o design e a implementação do sistema.
Acknowledgements
The ALMA-AI project is a Partnership for European Research in Occupational Safety and Health (PEROSH) project (perosh.eu/project/alma-ai-project-exploring-the-occupational-health-and-safety-impact-of-algorithmic-management-ai-systems). Members of the project include more than those involved in this article. The project includes colleagues from multiple research organizations: Jorge Martín González (INSST, Spain); Marie Jelenko and Thomas Strobach (AUVA, Austria); Joanna Kamińska, Karolina Pawłowska-Cyprysiak and Katarzyna Hildt-Ciupińska (CIOP-PIB, Poland); Teppo Valtonen and Heidi Lahti (FIOH, Finland); Giuliana Buresti and Fabio Boccuni (INAIL, Italy); Benjamin Paty and Virginie Govaere (INRS, France); Jon Zubizarreta, Paula Lara and Denis Losada (INSST, Spain); Therese Kristine Dalsbø (STAMI, Norway); Elsbeth de Korte and Mairi Bowdler (TNO, The Netherlands).
References
1. Baiocco S, Fernández-Macías E, Rani U, & Pesole A. The algorithmic management of work and its implications in different contexts. Seville: European Commission, Joint Research Centre (JRC); 2022. JRC Working Papers Series on Labor, Education and Technology, No. 2022/02. Available from https://publications.jrc.ec.europa.eu/repository/handle/JRC129749
2. European Agency for Safety and Health at Work (EU-OSHA). Artificial intelligence for worker management: An overview. EU-OSHA; 2022. Available from https://healthy-workplaces.osha.europa.eu/sites/hwc/files/hwc/publication/summary-artificial-inteligence-worker-management_en.pdf
3. Martín González J, Jelenko M, Strobach T, Kamińska J, Pawłowska K, Hildt K, et al. (2025). Algorithmic management and AI-based systems as a new form of work organisation: Psychosocial factors and implications for occupational safety and health. Partnership for European Research in Occupational Safety and Health (PEROSH); 2025. https://doi.org/10.23775/20250616
4. Parent-Rocheleau X, Parker SK. Algorithms as work designers: How algorithmic management influences the design of jobs. Hum Resour Manag Rev. 2022;32:100838. https://doi.org/10.1016/j.hrmr.2021.100838
5. De Moortel D, Turner MC, Arensman E, Nguyen ABVD, Gonzalez V. Improving health-promoting workplaces through interdisciplinary approaches. The example of WISEWORK-C, a cluster of five work and health projects within Horizon-Europe [editorial]. Scand J Work Environ Health. 2025;51:259–264. https://doi.org/10.5271/sjweh.4238
6. Vignola EF, Baron S, Abreu Plasencia E, Hussein M, Cohen N. Workers’ health under algorithmic management: Emerging findings and urgent research questions. Int J Environ Res Public Health. 2023;20:1239. https://doi.org/10.3390/ijerph20021239
7. Boot CR, LaMontagne AD, Madsen IE. Fifty years of research on psychosocial working conditions and health: From promise to practice. Scand J Work Environ Health. 2024;50:395–405. https://doi.org/10.5271/sjweh.4180
8. Bakker AB, Demerouti E. The job demands-resources model: State of the art. J Manag Psychol. 2007;22:309–328. https://doi.org/10.1108/02683940710733115
9. Bakker AB, & Demerouti E. Job demands–resources theory: Taking stock and looking forward. J Occup Health Psychol. 2017;22:273–285. https://doi.org/10.1037/ocp0000056
10. Karasek RA. Job demands, job decision latitude, and mental strain: Implications for job redesign. Adm Sci Q, 1979;24:285–308. https://doi.org/10.2307/2392498
11. Theorell, T. The Demand Control Support Work Stress Model. In: Theorell T, editor. Handbook of Socioeconomic Determinants of Occupational Health. Cham: Springer; 2022. p 339–353. Handbook Series in Occupational Health Sciences. https://doi.org/10.1007/978-3-030-31438-5_13
12. Siegrist J. Adverse health effects of high-effort/low-reward conditions. J Occup Health Psychol. 1996;1:27–41. https://doi.org/10.1037/1076-8998.1.1.27
13. Siegrist J. The effort–reward imbalance model. In: Cooper CL, Quick JC, editors. The handbook of stress and health: A guide to research and practice. John Wiley & Sons; 2017. p 24–35. https://doi.org/10.1002/9781118993811.ch2
14. Cameron L, Lamers L, Leicht-Deobald U, Lutz C, Meijerink J, Möhlmann M. Algorithmic management: Its implications for information systems research. Commun Assoc Inf Syst, 2023;52:556–574. https://doi.org/10.17705/1CAIS.05221
15. Meijerink J, Bondarouk T. The duality of algorithmic management: Toward a research agenda on HRM algorithms, autonomy and value creation. Hum Resour Manag Rev. 2023;33:100876. https://doi.org/10.1016/j.hrmr.2021.100876
16. Rosenblat A, Stark L. (2016). Algorithmic labor and information asymmetries: A case study of Uber’s drivers. Int J Commun. 2016;10:3758–3784.
17. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow, CD, et al. The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. https://doi.org/10.1136/bmj.n71
18. Lu Y, Yang MM, Zhu J, Wang Y. Dark side of algorithmic management on platform worker behaviors: A mixed-method study. Hum Resour Manag. 2024;63:477–498. https://doi.org/10.1002/hrm.22211
19. van Zoonen W, ter Hoeven C, Morgan R. Finding meaning in crowdwork: An analysis of algorithmic management, work characteristics, and meaningfulness. Inf Soc. 2023;39:322–336. https://doi.org/10.1080/01972243.2023.2243262
20. van Zoonen W, Sivunen AE, Treem JW. Algorithmic management of crowdworkers: Implications for workers’ identity, belonging, and meaningfulness of work. Comput Hum Behav. 2024;152:108089. https://doi.org/10.1016/j.chb.2023.108089
21. Semujanga B, Parent-Rocheleau X. Time-based stress and procedural justice: Can transparency mitigate the effects of algorithmic compensation in gig work? Int J Environ Res Public Health. 2024;21:86. https://doi.org/10.3390/ijerph21010086
22. Cañedo M, Allen-Perkins D. Andamiajes y derivas: La mediación algorítmica en la práctica de los riders. EMPIRIA. Revista de Metodología de las Ciencias Sociales. 2023;59:103–130. https://doi.org/10.5944/empiria.59.2023.37940
23. Riesgo V. Entre el control y el consentimiento: De Braverman a Burawoy en el capitalismo de plataforma. Trabajar para Uber en España. RES. Revista Española de Sociología. 2023;32:a175. https://doi.org/10.22325/fes/res.2023.175
24. Zhang A, Boltz A, Wang CW, Lee MK. Algorithmic management reimagined for workers and by workers: Centering worker well-being in gig work. In: Barbosa S, Lampe C, Appert C, et al., editors. Proceedings of the 2022 CHI conference on human factors in computing systems. 2022. p 1–20, no.14. https://doi.org/10.1145/3491102.3501866
25. Rani U, Pesole A, González I. Algorithmic Management practices in regular workplaces: Case studies in logistics and healthcare. Luxembourg: Publications Office of the European Union. JRC136063; 2024. Available from: https://publications.jrc.ec.europa.eu/repository/handle/JRC136063
26. Möhlmannn M, Alves de Lima Salge C, Marabelli M. Algorithm sensemaking: How platform workers make sense of algorithmic management. J Assoc Inf Syst. 2023;24:35–64.
27. Tuomi A, Jianu B, Roelofsen M, Ascenção MP. Riding against the algorithm: algorithmic management in on-demand food delivery. In: Ferrer-Rosell B, Massimo D, Berezina K, editors. Information and Communication Technologies in Tourism 2023, ENTER 2023 eTourism Conference. Cham: Springer; 2023. p 28–39. https://doi.org/10.1007/978-3-031-25752-0_3
28. Gillis D. Risks and opportunities of AI-based worker management systems in an automotive manufacturing plant in Belgium. Case Study. Bilbao: European Agency for Safety and Health at Work; 2024.
29. Pesole A. Surveillance and monitoring of remote workers: Implications for Occupational Safety and Health. Bilbao: European Agency for Safety and Health at Work; 2023.
30. Jensen M, Oosterwijk G, Nørgaard A. Computer in command: Consequences of algorithmic management for workers. Policy study. Foundation for European Progressive Studies; 2024.
31. Doellgast V, Wagner I, O’Brady S. Negotiating limits on algorithmic management in digitalised services: Cases from Germany and Norway. Transfer. 2023;29:105–120. https://doi.org/10.1177/1024258922114304
32. Parent-Rocheleau X, Parker, SK, Bujold A, Gaudet M-C. Creation of the algorithmic management questionnaire: A six-phase scale development process. Hum Resour Manag. 2024;63:25–44. https://doi.org/10.1002/hrm.22185
33. Kellogg KC, Valentine MA, Christin A. Algorithms at work: The new contested terrain of control. Acad Manag Ann. 2020;14:366–410. https://doi.org/10.5465/annals.2018.0174
34. Rosenblat A, Stark L. Algorithmic labor and information asymmetries: A case study of Uber’s drivers. Int J Commun. 2016;10:3758–3784.
This article refers to the following texts of the Journal: 2024;50(6):395-4052025;51(4):259-264
Key terms algorithmic management; editorial; occupational safety and health; psychosocial; psychosocial risk
- Efetue login ou registre-se para postar comentários
