Partager les connaissances malgré la distance : quel est l’effet de l’usage des technologies collaboratives?
Notice bibliographique
Résumé
La pandémie de COVID-19 aura sans conteste bouleversé le monde du travail. Le déploiement massif du télétravail induit par cette crise sanitaire a nécessité d’importants ajustements sur les plans de la communication et de l’organisation du travail. Ainsi, les technologies collaboratives, comme la vidéoconférence et les outils de partage et de création de documents et de contenu, se sont imposées comme de nouveaux outils de travail quotidiens pour plusieurs. La rapidité de leur déploiement et de leur démocratisation suscite plusieurs enjeux quant aux conséquences de leur utilisation, notamment sur le plan du partage des connaissances. Cette étude vise à examiner l’effet de l’usage des technologies collaboratives sur les comportements de partage des connaissances dans un contexte inédit, celui d’un télétravail forcé par une pandémie mondiale. Pour ce faire, elle prend appui sur le modèle d’acceptation de la technologie (technology acceptance model [TAM]). Les résultats s’appuient sur une collecte de données menée auprès de 728 télétravailleurs québécois de divers secteurs d’activité à l’hiver 2021. Les résultats confirment les hypothèses du modèle théorique d’acceptation de la technologie : la facilité d’utilisation et l’utilité perçues des technologies collaboratives favorisent leur utilisation. Aussi, les résultats montrent l’effet positif de l’utilisation des technologies collaboratives sur les comportements de partage des connaissances à distance. Ces résultats sont discutés à la lumière de leurs contributions théoriques et pratiques. Des pistes d’études futures sont proposées.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».