Not logged in.

Quick Search - Contribution

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Uber Drivers, Activists and Investors: Community Detection and Analysis on Twitter
Organization Unit
Authors
  • Tim Strasser
Supervisors
  • Aniko Hannak
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2020
Abstract Text The success of the gig economy has led to workers whose employment status is often defined by short-term commitments. Companies like Uber promote flexible side-job opportunities, but their drivers are frequently underpaid and uninsured. Uber drivers have fewer tools to communicate with each other and are only now seeing political support of organizations. Twitter poses an opportunity for drivers to join forces, communicate effectively, and create a collective identity. In this thesis, I collect and analyze Twitter data related to Uber's IPO and the strikes preceding it. Using a combination of PCA, k-means, and NLP techniques, I characterize different communities. I identify patterns in discussed topics, hashtag usage related to real-life events, and between expressed sentiment and the number of retweets. Discussions of Uber-related cultural conflicts can be observed in high-emotion tweets. The goal of this work is to complement existing branches of sociological, legal, and algorithmic fairness literature.
Zusammenfassung Der Erfolg der Gig-Economy hat zu Arbeitnehmenden geführt, deren Beschäftigungsstatus häufig durch kurzfristige Verpflichtungen definiert ist. Firmen wie Uber werben mit flexiblen Nebenjobs. Fahrer:innen sind aber häufig unterbezahlt und nicht versichert. Arbeiter:innen von Uber und Lyft haben weniger Möglichkeiten, miteinander zu kommunizieren, und erst seit kurzem erhalten sie politische Unterstützung von Organisationen. Twitter bietet Fahrer:innen die Möglichkeit, ihre Kräfte zu bündeln, effektiver zu kommunizieren und eine kollektive Identität zu schaffen. In dieser Arbeit sammle und analysiere ich Twitter-Daten im Zusammenhang mit dem Uber IPO und den vorangegangenen Streiks. Mit einer Kombination aus PCA, K-Means und NLP charakterisiere ich verschiedene Gruppen von Nutzer:innen. In einer weiteren Analyse identifiziere ich Muster in der Verwendung von Hashtags im Zusammenhang mit realen Ereignissen, diskutierten Themen und zwischen ausgedrücktem Sentiment und der Anzahl der Retweets. Eine Diskussion über Uber-bezogene kulturelle Konflikte kann in Tweets mit hohen emotionalem Score beobachtet werden. Ziel dieser Arbeit ist es, bestehende Literatur im Bereich Soziologie, Recht und algorithmische Fairness zu ergänzen.
PDF File Download
Export BibTeX