Enhancing Team Performance in Hybrid-Flexible Course Learning: The Role of Team Communication and Atmosphere
Notice bibliographique
Résumé
Background: Hybrid-Flexible (Hyflex) courses have become a prominent teaching method post-COVID-19, offering students the flexibility to attend classes online, offline, or both. While this model promotes instructional continuity and student-centered learning, it presents challenges in managing effective team collaboration. Aims: to investigate the underexplored relationship between effective communication, team atmosphere, and team performance in Hyflex learning environments, the study seeks to provide novel insights into optimizing team dynamics and enhancing learning outcomes in flexible educational settings. Sample(s): The study involved 310 college students enrolled in the authors' Hyflex course.. Methods: An online survey was conducted using validated scales, Confirmatory Factor Analysis (CFA) and Multiple linear regression analyses were used to test the hypotheses. Results: Effective communication was found to significantly enhance team performance (β = 0.389, p < .001). Team atmosphere moderated this relationship (β = -0.118, p < .05), indicating that while a positive atmosphere generally supports performance, an overly positive atmosphere may reduce the critical engagement necessary for optimal outcomes. Conclusions: Both effective communication and a balanced team atmosphere are critical for maximizing team performance in Hyflex courses. Educators should foster communication strategies that encourage open dialogue and critical thinking while maintaining a supportive team environment. Overemphasis on maintaining positivity may hinder constructive critique and diminish performance.
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 | 0,006 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».