TO WHAT EXTENT DOES THE USE OF PROJECT MANAGEMENT–ORIENTED DIGITAL COLLABORATION TOOLS AFFECT DELIVERY TIMELINES IN REMOTE TECH TEAMS?
Notice bibliographique
Résumé
This study explores the impact of project management–oriented digital collaboration tools—specifically Asana, Trello, and Jira—on project delivery timelines in remote technology teams, with a particular focus on mid-sized firms (50–500 employees). Leveraging an exploratory sequential mixed-methods approach grounded in a pragmatic paradigm, the research integrates qualitative thematic analysis of secondary case studies with quantitative survey data from remote team professionals. Drawing on the Technology Acceptance Model (TAM) and the Task-Technology Fit (TTF) framework, the study examines how tool usage intensity, organizational support, tool integration, and communication efficiency influence project delivery outcomes. Findings suggest that higher levels of digital tool adoption are associated with reduced timeline deviations, particularly when communication is efficient and supported by structured onboarding and platform integration. The study identifies communication efficiency as a key mediating factor and underscores the moderating roles of organizational training and task-tool alignment. Regression analysis further confirms that tool usage alone is not sufficient—its impact is conditioned by contextual variables such as team size, project complexity, and geographic dispersion. By focusing on mid-sized tech firms, the study fills a critical gap in existing literature, which often generalizes findings across organizations of varying scale. The research contributes to theory by extending TAM and TTF to outcome-focused variables such as delivery timelines and offers practical insights for managers aiming to optimize remote workflows. It also holds significance for software developers, policymakers, and scholars interested in digital transformation, remote work, and agile project management.
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 | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,000 | 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 ».