The future of collaborative technology within Scrum/Agile practices
Notice bibliographique
Résumé
The pandemic has caused a paradigm shift. The frameworks for how we decide what is worth preserving and reframing are on display through the adoption of collaborative technology. This literature review and evidence-based study of collaborative technology investigates the features of the technology used during COVID-19 and how those features have enabled organizations to discard/forget and preserve/remember aspects of office procedures, hierarchies, and accountability in Scrum/Agile organizational cultures. We conducted a comparative review of the most popular collaborative tools and supportive features using industry reports on collaborative technology and Scrum/Agile adoption, Google Trends, and the Factiva database to understand the levels of growth in uptake and whether usage will continue after the pandemic. Our findings suggest that technologies are being used to preserve some of the foundations of the Scrum Organizational Culture like “teamwork,” “transparency,” “honesty,” and “communication.” There is also a push to develop real-time flexible spaces for chat, notes, and meetings. A problem with collaborative tool use is that it can be difficult to maintain informal talk and the culture of knowledge sharing that develops as a result within organizations. The interest in transparency might indicate that companies might be moving away from “waterfall” methods of information dissemination and toward more collaborative features when it comes to the day-to-day task management of employees. Agile working cultures and Scrum are predominantly practiced in industries like tech or product development, so our findings only reflect the technology that is likely used in these spaces.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».