Coaching har blivit en trend i vårt samhälle och denna studie kan ses som en resa genom ”coachingdjungeln”. Undersökningen består av strukturerade telefonintervjuer blandat med litteratur- och artikelstudier där syftet var att ta reda på i vilken utsträckning NLP – neurolingvistisk programmering – förekommer i coaching av arbetslösa och hur det används. Urvalsgruppen finns i 14 av Sveriges 21 län och består av kommunala, privata och statligt anställda jobbcoacher som arbetar med individer som står utanför arbetsmarknaden. Resultatet visar att NLP i coaching av arbetslösa inte är en vanlig modell utan det lösningsfokuserade arbetssättet dominerar. Studien belyser att förhållningssätt, begrepp, metoder, inställning till klienter och kommunikativa verktyg är centralt inom all coaching. Undersökningens resultat visar att likheter finns mellan olika coaching- och vägledningsmodellers innehåll fast de kan ha olika benämningar inom respektive modell. Studien visar också coachingens för- och nackdelar samt tankar kring utbildning, professionalitet och yrkestiteln ”coach”. / Coaching has become a trend in our society and this study can be seen as an expedition through the “coaching jungle”. The inquiry consists of structured interviews by telephone mixed by studies of related literature and articles, where the purpose was to find out to what extent NLP – Neuro Linguistic Programming – occurs in coaching of the unemployed and to what extent it is used in coaching. The selection-group can be found in 14 of the 21 counties of Sweden and it contains job coaches from the local government, private and also staff from the public sector who works with unemployed. The results exhibit that NLP is not a regular model in coaching of unemployed – instead the solution-focused model is quite the dominant one among the selection-group in this inquiry. The study also illustrates approaches, concepts, various methods, attitudes to the clients as well as communicative tools which are all central parts of coaching.  The survey reveals that there are similarities between the contents of different coaching- and counselling models, even though they might have different names for it.  The study shows the pros and cons of coaching in general and also thoughts and opinions of education, professionalism and the job title “coach”. / Examensarbete inom påbyggnadskurs i studie- och yrkesvägledning, studie- och yrkesvägledarprogrammet

Syftet med detta arbete var att ta reda på hur medvetna lärare på lågstadiet är av lärstilar och hur de praktiserar detta i sin undervisning. Jag har intervjuat sju lärare på lågstadiet för att ta reda på detta. Lärarna i min undersökning är relativt medvetna om lärstilar. Denna medvetenhet gör att det undervisar både genom att berätta (auditivt), visa (visuellt) och att de låter eleverna göra saker (kinestetiskt/taktilt) för att förstå. Detta gör att de allra flesta elever kan tillgodogöra sig undervisningen. Trots detta upplevde lärarna att de elever som lär in genom att ”göra” saker ofta kom i kläm i skolan eftersom deras inlärningsstil kräver mer arbete av läraren. / The purpose of this study has been to find out how conscious primary school teachers are of different learning styles and how they use them in practice. I have interviewed seven primary teachers for this study. The teachers were relatively conscious of different learning styles. This consciousness means that the education is both auditive, visual and that they let the pupils learn by doing to understand. This cause that the most pupils can profit from the training. Despite this they witnessed how pupils who “learnt by doing “lost out in the classroom because their needs demanded more effort from teachers.

Denna uppsats är uppbyggd på Design Science Research (DSR), där det inom denna studiestuderas den verksamhetsnytta som kan bli av att skapa en egen inlärd Chatbot. DesignScience Research är inom denna studie bron mellan skapandet och teoristudierna. Inomstudien skapas det en artefakt i form av en konceptuell modell, för att ge en framtida lösningför en modell som kan implementeras inom verksamheten. Att lära Chatboten automatisktfrån verksamhetens egna hemsida, har framgått som önskvärt. Artefakten har utvärderatsgenom dels ett experimentet med Natural Language Processing (NLP) paket och algoritmer,samt maskininlärningspaket och metoder. Den myndighet som studeras i denna studie ärRiksantikvarieämbete (RAÄ), där deras data har insamlats och behandlats med NLP ochmaskininlärning. Informationen som är insamlad i denna studie är cirka 70 % av RAÄsmaterial från hemsidan. Det som framkom från utvärderingen är att det krävs ett merdomänspecifikt corpus för att kunna skapa bättre klustrering av datat. Artefakten fråndesignen visade sig uppskattad utifrån att nyttan med inlärningen inte enbart skulle resultera ien Chatbot som fungerar för externa användare, utan även kan vara en hjälp för internaanvändare, som ett internt hjälpmedel för att söka av sin egen hemsida. / This essay is based on Design Science Research (DSR), in which it studies the businessbenefits that may be of creating a customized Chatbot. Design Science Research is within thisstudy the bridge between the creation and the theory studies. Within the study, an artifact iscreated in the form of a conceptual model, to provide a future solution for a model that can beimplemented within the business. Learning the chat boat automatically from the company'sown website has been shown as desirable. The artefact has been evaluated through anexperiment with Natural Language Processing (NLP) packages and algorithms, as well asmachine learning packages and methods. The authority studied in this study is theRiksantikvarieämbetet (RAÄ), where their data has been collected and processed with NLPand machine learning. The information collected in this study is approximately 70% ofRAÄ's material from the website. What emerged from the evaluation is that a moredomain-specific corpus is needed to create better clustering of data. The design from thedesign was estimated based on the fact that the benefit of learning would not only result in aChatbot that works for external users, but could also be a help for internal users, as aninternal tool for searching their own website.

Durant ces 40 dernières années, le gaz naturel a vu son utilisation augmenter jusqu’à constituer aujourd’hui la troisième ressource énergétique mondiale. Il est alors devenu nécessaire de l’acheminer sur des distances de plus en plus longues entre les lieux d’extraction et de consommation. Ce transport peut s’effectuer à l’état liquide par des méthaniers ou à l’état gazeux par le biais des réseaux de transport de gaz naturel composés de canalisations de grandes dimensions, tant en diamètre qu’en longueur. Cette thèse porte sur la modélisation et l’optimisation de la configuration des réseaux de transport de gaz naturel et sur l’application au cas du réseau principal de transport français qui présente plusieurs particularités. En effet, il s’agit d’un réseau de grandes dimensions, fortement maillé pour lequel plusieurs sources d’approvisionnement sont possibles pour desservir divers points de consommation. Il possède en outre, des stations d’interconnexion entre les canalisations. GRTgaz en est le gestionnaire. Ce travail concerne l’étude de la faisabilité de configurer le réseau de transport pour un scénario d’approvisionnement et de consommation. Le coeur de cette thèse porte sur le développement d’un modèle de réseau de transport de gaz et sur la détermination des flux et des configurations des stations d’interconnexion dans ce réseau à l’aide d’outils d’optimisation. L’une des innovations est la description et la modélisation des stations d’interconnexion, carrefours incontournables du réseau. Deux modèles sont ainsi proposés, faisant intervenir une formulation d’une part mixte non linéaire en nombres entiers et d’autre part, non linéaire continue. Leur efficacité en fonction de différents solveurs d’optimisation est ensuite discutée. Le choix de la meilleure formulation du problème de transport de gaz naturel a été étudié sur un ensemble de réseaux fictifs, mais représentatifs du réseau français. La meilleure stratégie, basée sur l’utilisation combinée d’une ormulation non linéaire continue, du choix de la pression comme variable et d’une initialisation par un sous-problème a ensuite été appliquée sur des instances de taille réelle. Les difficultés du passage à des instances réelles ont ensuite été résolues à l’aide de deux améliorations: d’une part, la mise à l’échelle des variables a permis de mieux conditionner le problème, puis d’autre part, une suite de relaxations a été employée afin de résoudre tous les cas réels. Les solutions sont finalement validées à l’aide de solutions métiers existantes. / In the past 40 years, the use of natural gas has grown , so that it became the third most commonly used fuel Its use requires infrastructure for its transport over large distances between the places of extraction and consumption. This transport can be carried out by liquid methane or a gaseous state through networks of natural gas transmission pipelines that are large in both diameter and length. This thesis focuses on the optimization of natural gas transmission networks and the application to the case of the main french transmission one which presents several peculiarities. Indeed, it is a highly meshed network in which multiple sources of supply are available to feed various points of consumption. This network also owns stations of interconnection between pipelines. In this context, GRTgazis the system operator on the French territory. This work concerns the study of the feasibility of scenarios for supply and consumption. The core of this thesis is the development of a model of a gas transmission network and the determination of ows using optimization tools. One innovative aspect deals with the description and modeling of interconnection stations, that are the main hubs of the network. Two models are proposed, either based on a mixed integer non-linear formulation or on nonlinear continuous one. Their eciencyunder dierent optimization solvers are discussed. The choice of the best formulation of the problem of transportation of natural gas has been studied on a set of network ctitious, but enough representative of the french network. The best strategy, based on a continuous non-linear formulation, involving the choice of pressure as a variable as well as a sub-problem for initialization purpose was then applied to instances of actual size. The diculties of the transition to real cases were then solved using two improvements: rst, variable scale which provided a better condition the problem, then a series of relaxation have been used to solve all real cases. The solutions are nally validated using existing business applications.

No description available.

The aim of the present study has been to examine users' experience of Chatbot from a business perspective and a consumer perspective. The study has also focused on highlighting what limitations a Chatbot can have and possible improvements for future development. The study is based on a qualitative research method with semi-structured interviews that have been analyzed on the basis of a thematic analysis. The results of the interview material have been analyzed based on previous research and various theoretical perspectives such as Artificial Intelligence (AI), Natural Language Processing (NLP). The results of the study have shown that the experience of Chatbot can differ between businesses that offer Chatbot, which are more positive and consumers who use it as customer service. Limitations and suggestions for improvements around Chatbotar are also a consistent result of the study. / Den föreliggande studie har haft som syfte att undersöka användarnas upplevelse av Chatbot utifrån verksamhetsperspektiv och konsumentperspektiv. Studien har också fokuserat på att lyfta fram vilka begränsningar en Chatbot kan ha och eventuella förbättringar för framtida utvecklingen. Studien är baserad på en kvalitativ forskningsmetod med semistrukturerade intervjuer som har analyserats utifrån en tematisk analys. Resultatet av intervjumaterialet har analyserat utifrån tidigare forskning och olika teoretiska perspektiv som Artificial Intelligence (AI), Natural Language Processing (NLP). Resultatet av studien har visat att upplevelsen av Chatbot kan skilja sig mellan verksamheter som erbjuder Chatbot, som är mer positiva och konsumenter som använder det som kundtjänst. Begränsningar och förslag på förbättringar kring Chatbotar är också ett genomgående resultat i studien.

Natural language processing is an on-going field that is not yet fully established. A high demand for natural language processing in applications creates a need for good development-tools and different implementation approaches developed to suit the engineers behind the applications. This project approaches the field from an engineering point of view to research approaches, tools, and techniques that are readily available today for development of natural language processing support. The sub-area of information retrieval of natural language processing was examined through a case study, where prototypes were developed to get a deeper understanding of the tools and techniques used for such tasks from an engineering point of view. We found that there are two major approaches to developing natural language processing support for applications, high-level and low-level approaches. A categorization of tools and frameworks belonging to the two approaches as well as the source code, documentation and, evaluations, of two prototypes developed as part of the research are presented. The choice of approach, tools and techniques should be based on the specifications and requirements of the final product and both levels have their own pros and cons. The results of the report are, to a large extent, generalizable as many different natural language processing tasks can be solved using similar solutions even if their goals vary. / Datalingvistik (engelska natural language processing) är ett område inom datavetenskap som ännu inte är fullt etablerat. En hög efterfrågan av stöd för naturligt språk i applikationer skapar ett behov av tillvägagångssätt och verktyg anpassade för ingenjörer. Detta projekt närmar sig området från en ingenjörs synvinkel för att undersöka de tillvägagångssätt, verktyg och tekniker som finns tillgängliga att arbeta med för utveckling av stöd för naturligt språk i applikationer i dagsläget. Delområdet ‘information retrieval’ undersöktes genom en fallstudie, där prototyper utvecklades för att skapa en djupare förståelse av verktygen och teknikerna som används inom området. Vi kom fram till att det går att kategorisera verktyg och tekniker i två olika grupper, beroende på hur distanserad utvecklaren är från den underliggande bearbetningen av språket. Kategorisering av verktyg och tekniker samt källkod, dokumentering och utvärdering av prototyperna presenteras som resultat. Valet av tillvägagångssätt, tekniker och verktyg bör baseras på krav och specifikationer för den färdiga produkten. Resultaten av studien är till stor del generaliserbara eftersom lösningar till många problem inom området är likartade även om de slutgiltiga målen skiljer sig åt.

The use of Open Source Software is becoming more and more popular, but it comes with the risk of importing vulnerabilities in private codebases. Security patches, providing fixes to detected vulnerabilities, are vital in protecting against cyber attacks, therefore being able to apply all the security patches as soon as they are released is key. Even though there is a public database for vulnerability fixes the majority of them remain undisclosed to the public, therefore we propose a Machine Learning algorithm using NLP to detect security patches in Java Open Source Software. To train the model we preprocessed and extract patches from the commits present in two databases provided by Debricked and a public one released by Ponta et al. [57]. Two experiments were conducted, one performing binary classification and the other trying to have higher granularity classifying the macro-type of vulnerability. The proposed models leverage the structure of the input to have a better patch representation and they are based on RNNs, Transformers and CodeBERT [22], with the best performing model being the Transformer that surprisingly outperformed CodeBERT. The results show that it is possible to classify security patches but using more relevant pre-training techniques or tree-based representation of the code might improve the performance. / Användningen av programvara med öppen källkod blir alltmer populär, men det innebär en risk för att sårbarheter importeras från privata kodbaser. Säkerhetspatchar, som åtgärdar upptäckta sårbarheter, är viktiga för att skydda sig mot cyberattacker, och därför är det viktigt att kunna tillämpa alla säkerhetspatchar så snart de släpps. Även om det finns en offentlig databas för korrigeringar av sårbarheter förblir de flesta hemliga för allmänheten. Vi föreslår därför en maskininlärningsalgoritm som med hjälp av NLP upptäcker säkerhetspatchar i Java Open Source Software. För att träna modellen har vi förbehandlat och extraherat patchar från de commits som finns i två databaser, ena som tillhandahålls av Debricked och en annan offentlig databas som släppts av Ponta et al. [57]. Två experiment genomfördes, varav ett utförde binär klassificering och det andra försökte få en högre granularitet genom att klassificera makro-typen av sårbarheten. De föreslagna modellerna utnyttjar strukturen i indatat för att få en bättre representation av patcharna och de är baserade på RNNs, Transformers och CodeBERT [22], där den bäst presterande modellen var Transformer som överraskande nog överträffade CodeBERT. Resultaten visar att det är möjligt att klassificera säkerhetspatchar, men genom att använda mer relevanta förträningstekniker eller trädbaserade representationer av koden kan prestandan förbättras.

The increasing complexity of Artificial Intelligence (AI) models is accompanied by an increase in difficulty in interpreting model predictions. This thesis work provides insights and understanding of the differences and similarities between explainability methods for AI models. Opening up black-box models is important, especially if AI is applied in sensitive domains such as to, e.g., aid medical professionals. In recent years, the use of Transformer-based artificial neural network architectures such as Bidirectional Encoder Representations from Transformers (BERT) has become common in the field of Natural Language Processing (NLP), showing human-level performance on tasks such as sentiment classification and question answering. In addition, a growing portion of research within eXplainable AI (XAI) has shown success in using explainability methods to output auxiliary explanations at inference time together with predictions made by these complex models. When scoping the different methods, there is a distinction to be made whether the explanations emerge as part of the prediction process or subsequently via a separate model. These two categories of explainability methods are referred to as self-explaining and post-hoc, respectively. The goal of this work is to evaluate, analyze and compare these two categories of methods for assisting BERT models with explanations in the context of sentiment classification. A comparative analysis was therefore conducted in order to investigate quantitative and qualitative differences. To measure the quality of explanations, the Intersection Over Union (IOU) and Precision-Recall Area Under the Curve (PR-AUC) scores were used together with Explainable NLP (ExNLP) datasets, containing human annotated explanations. Apart from discussing benefits, drawbacks and assumptions of the different methods, results of the work indicated that the self-explaining method proved more successful in some instances while the post-hoc method performed better in others. Given the subjective nature of explanation quality, however, this work should be extended in several proposed directions, in order to fully capture the nuances of the explainability methods. / Parallellt med den ökande komplexiteten hos modeller med artificiell intelligens (AI) följer en ökad svårighet att tolka förutsägelser som modellerna gör. Detta examensarbete fokuserar på skillnader och likheter mellan förklaringsmetoder för AI-modeller. Att skapa mer transparens kring modellerna är viktigt, speciellt om AI ska appliceras i känsliga områden som t.ex. inom hälso- och sjukvård. Under de senaste åren har användningen av Transformer-baserade artificiella neurala nätverk som Bidirectional Encoder Representations from Transformers (BERT) blivit vanligt inom Natural Language Processing (NLP). Resultaten som modellerna når på uppgifter såsom sentimentklassificering och svar på frågor är på en mänsklig nivå. En växande del av forskningen inom eXplainable AI (XAI) har dessutom kunnat visa stora framsteg inom användandet av förklaringsmetoder, för att bistå förutsägelserna som dessa komplexa modeller gör med förklaringar. I kategoriseringar av metoderna särskiljs det ofta mellan huruvida förklaringarna uppstår som en del av förutsägelsen, tillsammans med modellen eller om de skapas efteråt via en separat modell. Dessa två kategorier av förklaringsmetoder kallas självförklarande och post-hoc. Målet med detta arbete är att utvärdera, analysera och jämföra dessa två kategorier av metoder som används för att hjälpa BERT-modeller med förklaringar i samband med sentimentklassificering av text. En jämförande analys genomfördes därför för att undersöka kvantitativa och kvalitativa skillnader. För att mäta kvaliteten på förklaringar användes Intersection Over Union (IOU) och Precision-Recall Area Under the Curve (PR-AUC) tillsammans med dataset skräddarsydda för just Explainable NLP (ExNLP) innehållande mänskligt annoterade förklaringar. Förutom att diskutera fördelar, nackdelar och antaganden med de olika metoderna, pekade resultaten på att den självförklarande metoden presterade bättre i vissa fall medan post-hoc-metoden presterade bättre i andra. Med tanke på hur kvaliteten av förklaringar till stor del handlar om en subjektiv bedömning bör dock detta arbete utvidgas i flera riktningar – föreslagna i detta arbete – för att fånga alla nyanser av förklaringsmetoderna.

Problemlösning är en viktig aspekt i många yrken. Inklusive fabriksmiljöer, där problem kan leda till minskad produktion eller till och med produktionsstopp. Denna studie fokuserar på en specifik domän: en massafabrik i samarbete med SCA Massa. Syftet med studien är att undersöka potentialen av ett frågebesvarande system för att förbättra arbetarnas förmåga att lösa problem genom att förse dem med möjliga lösningar baserat på en naturlig beskrivning av problemet. Detta uppnås genom att ge arbetarna ett naturligt språk gränssnitt till en stor mängd domänspecifika dokument. Mer specifikt så fungerar systemet genom att utöka ChatGPT med domänspecifika dokument som kontext för en fråga. De relevanta dokumenten hittas med hjälp av en retriever, som använder vektorrepresentationer för varje dokument och jämför sedan dokumentens vektorer med frågans vektor. Resultaten visar att system har genererat rätt svar 92% av tiden, felaktigt svar 5% av tiden och inget svar ges 3% av tiden. Slutsatsen av denna studie är att det implementerade frågebesvarande systemet är lovande, speciellt när det används av en expert eller skicklig arbetare som är mindre benägen att vilseledas av felaktiga svar. Dock, på grund av studiens begränsade omfattning så krävs ytterligare studier för att avgöra om systemet är redo att distribueras i verkliga miljöer. / Problem solving is a key aspect in many professions. Including a factory setting, where problems can cause the production to slow down or even halt completely. The specific domain for this project is a pulp factory setting in collaboration with SCA Pulp. This study explores the potential of a question-answering system to enhance workers ability to solve a problem by providing possible solutions from a natural language description of the problem. This is accomplished by giving workers a natural language interface to a large corpus of domain-specific documents. More specifically the system works by augmenting ChatGPT with domain specific documents as context for a question. The relevant documents are found using a retriever, which uses vector representations for each document, and then compares the documents vectors with the question vector. The result shows that the system has generated a correct answer 92% of the time, an incorrect answer 5% of the time and no answer was given 3% of the time. Conclusions drawn from this study is that the implemented question-answering system is promising, especially when used by an expert or skilled worker who is less likely to be misled by the incorrect answers. However, due to the study’s small scale further study is required to conclude that this system is ready to be deployed in real-world scenarios.