Does Using Multiple Computer Monitors for Office Tasks Affect User Experience?
Notice bibliographique
Résumé
OBJECTIVE: To compare the impact of multiple computer monitor configurations on health and performance outcomes compared to the use of a single monitor. BACKGROUND: Multiple monitor configurations are used in office settings to promote increased productivity by providing more screen space; however, it is unknown if there are health-related trade-offs to increased productivity. METHOD: A systematic review was conducted according to the PRISMA statement guidelines and adapted the best evidence synthesis. RESULTS: Eighteen studies were included in our review. There was strong evidence that implementing dual monitors is in line with users' preference. There was also moderate evidence for controlled laboratory studies demonstrating that multiple monitors may increase task efficiency with decreased desktop interaction; however, implementing multiple monitors may also result in nonneutral neck postures for users. CONCLUSION: More research needs to be conducted on biomechanical exposures when using larger displays. Longitudinal field studies should be conducted to determine the influence of monitor interventions on health, productivity, and well-being. All studies must consider task complexity and user positioning and should measure health and productivity outcomes together. Researchers must also consider up-to-date purchasing trends when choosing the monitor configurations and sizes for their studies. APPLICATION: Regulatory bodies and practitioners can use the results to develop evidence-based monitor guidelines and inform decision-making in practice, respectively. Researchers can use this information to design future studies on monitor configurations that incorporate current purchasing trends.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».