Efficiency and Performance of Work Teams in Collaborative Online Learning
Notice bibliographique
Résumé
Online learning, or e-learning, can be an interesting way of encouraging employees to collaborate in performing their work (Fichter, 2002). For example, it can help employees to learn quickly and efficiently, without the inconvenience of absence from the workplace. It can take place at the location desired by the employee, for example, at the office or at home, when the employee wants and needs it, and at a suitable pace (Mingasson, 2002). Employees can, therefore, control their learning progress without having to travel to a classroom. Some find online learning less intimidating and less risky than classroom-based courses given by trainers (Fichter, 2002). If online learning is to be effective, however, employees need a high local network capacity, an Internet connection, and a computer support system to ensure that both hardware and software function properly (Muianga, 2005). The purpose of the research described in this article is to examine the impact of interaction efficiency on the ability of teams to work together and on their learning performance. The article begins by examining the main variables of e-learning use, and goes on to propose a model of work team efficiency and performance in collaborative online learning. It also presents the study’s methodological considerations. Pilot projects were carried out in two universities in Québec, Canada. Virtual teams of five students were formed, and an academic task was handed in to the professors in charge of the projects. The students then completed a questionnaire. The article analyses the benefits of using new technology in university-level courses, and proposes avenues for future research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».