边做边学：理解零工经济工人如何通过推荐算法学习

随着零工经济平台越来越多地依赖算法来管理工人，理解算法推荐如何影响工人行为对于优化平台设计和改善工人福利至关重要。在本文中，我们研究了零工工人与平台算法之间的动态交互，特别关注工人如何随时间学习提高策略和表现。我们使用多种定量方法，包括双向固定效应回归和多项logit模型，分析了零售配送平台上零工工人完成的超过100万笔订单。我们的发现揭示了一条明确的学习曲线：随着经验增加，工人的效率和准时配送表现逐步提高。我们还发现，虽然新手严重依赖算法推荐来选择任务，但更有经验的工人倾向于偏离这些推荐，开发和使用个性化策略。这种转变表明，经验丰富的工人可能认为算法推荐不太有益或与其演变的偏好不一致，突出了自适应推荐系统的必要性。我们的研究强调了设计以人为中心的推荐算法的重要性，这些算法容许工人的学习轨迹、纳入他们的反馈，并提供灵活性以支持个性化策略，最终增强工人和平台的协作动态和成果。