Partager les connaissances malgré la distance : quel est l’effet de l’usage des technologies collaboratives?
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.015 | 0.094 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.013 | 0.014 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.017 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".