Bakgrund: Djup ventrombos (DVT) är en allvarlig komplikation efter kirurgiska och ortopediska ingrepp. Detta leder till ökat lidande för patienten, längre vårdtider och därav ökade kostnader för samhället. För att förebygga DVT krävs kunskap om vilka preventiva omvårdnadsåtgärder som har effekt och hur de ska användas. Syfte: Syftet med studien var att genom en systematisk litteraturstudie se vad kunskapsläget säger om preventiva omvårdnadsåtgärder mot DVT samt vad som ser mest effektivt ut. Syftet var också att genom en enkät ta reda på hur sjuksköterskor arbetar kliniskt för att förebygga DVT. Metod: Litteraturstudie som baserades på tio orginalartiklar. Som komplement till litteraturstudien gjordes även en enkätstudie som inkluderade tio sjuksköterskor. Resultat: Tidig mobilisering tillsammans med mekanisk profylax ses som effektivt för att förebygga DVT. I många av studierna som granskats gavs patienterna lågmolekylärt heparin (LMH). Det var dock ingen lägre frekvens av DVT hos dessa patienter jämfört med de som ej fick LMH. Det var vid införandet av profylaktiska omvårdnadsåtgärder som tidig mobilisering, kompressionsstrumpor och kompressionspumpar som frekvensen av DVT sjönk. Sjuksköterskorna arbetar aktivt med förebyggande omvårdnadsåtgärder men det finns dock inga specifika riktlinjer för dessa omvårdnadsåtgärder i den kliniska verksamheten. Slutsats:  Studien visar att ett behov finns för utvecklandet av att arbeta med individanpassad profylax då patienterna utifrån olika riskgrupper har olika behov av profylaxtyper. Stor vikt bör läggas på att utveckla och implementera riktlinjer för tidig mobilisering då detta utifrån denna studies resultat har god effekt för att förebygga uppkomsten av DVT. / Background: Deep vein thrombosis is a serious complication during surgical and orthopaedic procedures. This leads to increased patient suffering, longer hospital stays and thereby also higher cost for society. To prevent DVT requires knowledge about preventive care measures that are effective, and how they will be used. Aim: The aim of this study was to examine the current state of knowledge about preventive care measures against DVT and how effective they are. The aim was also, by conducting a survey, to find out how nurses work clinically for the prevention of DVT. Study design: A literature study was conducted. The study was based on ten original articles. As a complement to the literature study a questionnaire was created and handed out to ten surgical and orthopaedic nurses. Results: Early mobilization in combination with mechanical prophylactics is seen as effective for preventing DVT. In many of the included studies patients were given low molecular weight heparin (LMH). However the frequency of DVT in these patients was not lower compared to those who did not get LMH. Instead it was at the introduction of prophylactic care measures such as early mobilization, compression stockings and compression pumps as the frequency of DVT fell. The questionnaires showed that clinical nurses worked actively with care measures. However, there were no specific guidelines for the measures in the organisation. Conclusion: The study shows that there is a need for developing methods for individual prophylactic care as patients from different risk groups have different needs. There should also be focus on developing and implementing guidelines for early mobilization as this study has shown it is effective in preventing DVT.

Uppsatsens syfte är att undersöka hur filmfotografen Roger Deakins komponerar och ljussätter bilder för att skapa djup och trovärdighet i ett tvådimensionellt medium. Teori kring förmedlande av djup, form, textur samt separation används i en analys av utvalda bilder från filmen Blade Runner 2049 (2017). Teorin kopplas samman med begrepp inom bildkomposition och ljussättning för att skapa en förståelse kring hur Deakins åstadkommit resultaten. I analysen etableras en användning av materia i luften (dimma, rök, regn), kameraplacering gentemot huvudljus, ett välkomnande av skuggor samt ett förhållningssätt till kompositionella regler.

The ability to extract useful information from texts and present them in the form of structured attributes is an important step towards making product comparison algorithm in fashion smarter and better. Some previous work exploits statistical features like the word frequency and graph models to predict keyphrases. In recent years, deep neural networks have proved to be the state-of-the-art methods to handle language modeling. Successful examples include Long Short Term Memory (LSTM), Gated Recurrent Units (GRU), Bidirectional Encoder Representations from Transformers(BERT) and their variations. In addition, some word embedding techniques like word2vec[1] are also helpful to improve the performance. Besides these techniques, a high-quality dataset is also important to the effectiveness of models. In this project, we aim to develop reliable and efficient machine learning models for keyphrase extraction. At Norna AB, we have a collection of product descriptions from different vendors without keyphrase annotations, which motivates the use of unsupervised methods. They should be capable of extracting useful keyphrases that capture the features of a product. To further explore the power of deep neural networks, we also implement several deep learning models. The dataset has two parts, the first part is called the fashion dataset where keyphrases are extracted by our unsupervised method. The second part is a public dataset in the domain of news. We find that deep learning models are also capable of extracting meaningful keyphrases and outperform the unsupervised model. Precision, recall and F1 score are used as evaluation metrics. The result shows that the model that uses LSTM and CRF achieves the optimal performance. We also compare the performance of different models with respect to keyphrase lengths and keyphrase numbers. The result indicates that all models perform better on predicting short keyphrases. We also show that our refined model has the advantage of predicting long keyphrases, which is challenging in this field. / Förmågan att extrahera användbar information från texter och presentera den i form av strukturerade attribut är ett viktigt steg mot att göra produktjämförelsesalgoritmen på ett smartare och bättre sätt. Vissa tidigare arbeten utnyttjar statistiska funktioner som ordfrekvens och grafmodeller för att förutsäga nyckelfraser. Under de senaste åren har djupa neurala nätverk visat sig vara de senaste metoderna för att hantera språkmodellering. Framgångsrika exempel inkluderar Long Short Term Memory (LSTM), Gated Recurrent Units (GRU), Bidirectional Encoder Representations from Transformers (BERT) och deras variationer. Dessutom kan vissa ordinbäddningstekniker som word2vec[1] också vara till hjälp för att förbättra prestandan. Förutom dessa tekniker är en datauppsättning av hög kvalitet också viktig för modellernas effektivitet. I detta projekt strävar vi efter att utveckla pålitliga och effektiva maskininlärningsmodeller för utvinning av nyckelfraser. På Norna AB har vi en samling produktbeskrivningar från olika leverantörer utan nyckelfrasnoteringar, vilket motiverar användningen av metoder utan tillsyn. De bör kunna extrahera användbara nyckelfraser som fångar funktionerna i en produkt. För att ytterligare utforska kraften i djupa neurala nätverk implementerar vi också flera modeller för djupinlärning. Datasetet har två delar, den första delen kallas modedataset där nyckelfraser extraheras med vår metod utan tillsyn. Den andra delen är en offentlig dataset i nyhetsdomänen. Vi finner att deep learning-modeller också kan extrahera meningsfulla nyckelfraser och överträffa den oövervakade modellen. Precision, återkallning och F1-poäng används som utvärderingsmått. Resultatet visar att modellen som använder LSTM och CRF uppnår optimal prestanda. Vi jämför också prestanda för olika modeller med avseende på keyphrase längder och nyckelfras nummer. Resultatet indikerar att alla modeller presterar bättre på att förutsäga korta tangentfraser. Vi visar också att vår raffinerade modell har fördelen att förutsäga långa tangentfraser, vilket är utmanande inom detta område.

Tor and VPNs are used by many to be anonymous and circumvent censorship on the Internet. Therefore, traffic analysis attacks that enable adversaries to link users to their online activities are a severe threat. One such attack is Website Fingerprinting (WF), which analyses patterns in the encrypted traffic from and to users to identify website visits. To better understand to which extent WF can identify patterns in VPN traffic, there needs to be a deeper exploration into which extent background traffic in VPNs impacts WF attacks, which is traffic in the stream that the adversary does not wish to classify. This thesis explores how different background traffic types affect WF on VPN traffic. It is done by using existing VPN datasets and combining them into datasets which simulate a VPN tunnel where both foreground and background traffic is sent simultaneously. This is to explore how different kinds of background traffic affect known state-of-the-art WF attacks using Deep Learning (DL). Background traffic does affect DL-based WF attacks, but the impact on accuracy is relatively small compared to the bandwidth overhead: 200 % overhead reduces the accuracy from roughly 95 % to 70 %. WF attacks can be trained without any background traffic, as long as the overhead of the background traffic is smaller than 2 %, without any impact on accuracy. WF attacks can also be trained with background traffic from other applications than what it is tested on, as long as the applications produce similar traffic patterns. For example, traffic from different pre-recorded streaming applications like Netflix and YouTube is similar enough, but not traffic from pre-recorded and live streaming applications such as Twitch. Also, having access to the size of the packets makes WF attacks better than if the size is obscured, making VPNs probably more vulnerable than Tor to WF attacks. Thesis artefacts are available at: https://github.com/gustavRehnholm/wf-vpn-bg / Tor och VPN:er används av många för att ge anonymitet och kringgå censurera i Internet. Därför är trafikanalysattacker som gör det möjligt för angripare att länka användaren till sina onlineaktiviteter ett allvarligt hot. En sådan attack är Website Fingerprinting (WF), som analyserar mönster i den krypterade trafiken mellan användaren och reläet med målet att identifiera webbplatsbesök. För att bättre förstå i vilken ut-sträckning WF kan identifiera mönster i VPN-tunnlar måste det finnas en djupare undersökning i vilken utsträckning bakgrundstrafik i VPN-tunnlar påverkar WF-attacker, trafik i VPN-tuneln som WF-attackeraren inte försöker klassificera. Målet med denna avhandling är att undersöka hur bakgrundstrafik, i olika kombinationer, påverkar WF på VPN-tunnlar. Det görs genom att använda befintliga VPN-datauppsättningar och kombinera dem till datauppsättningar som simulerar en VPN-tunnel där både förgrunds- och bakgrundstrafik skickas samtidigt. Detta är att utforska hur olika typer av bakgrundstrafik påverkar kända WF-attacker med hjälp av djupinlärning. Bakgrundstrafik har en påverkan på djupinlärnings baserade WF-attacker, men påverkan på WF noggrannheten är relativt liten jämfört med overheaden som behövs: 200 %overhead minskar noggrannheten från ungefär 95 % till 70 %. WF-attacker kan tränas utan bakgrundstrafik, så länge bakgrundstrafikens overhead är mindre än 2 %, utan att det påverkar noggrannheten. WF-attacker kan också tränas med bakgrundstrafik från andra applikationer än vad den testas på, så länge applikationerna producerar liknande trafikmönster. Till exempel är trafik från olika förinspelade streamingapplikationer som Netflix och YouTube tillräckligt lik, men inte trafik från förinspelade och livestreamingapplikationer som Twitch. Det är också tydligt att ha tillgång till paketstorlek gör klassificeraren bättre, vilket gör VPN:er förmodligen mer sårbar än Tor. Avhandlingsartefakter finns på följande hemsida: https://github.com/gustavRehnholm/wf-vpn-bg

Solcellspaneler har fått ökad uppmärksamhet som en betydande källa till förnybar energi på grund av den ökande medvetenheten om klimatförändringar och behovet av hållbara energilösningar. I Sverige har detta lett till en kraftig ökning av solcellsanläggningar. I och med ökningen av solcellspaneler i urbana miljöer, har behovet av att kartlägga och inventera dessa anläggningar växt. Framsteg inom artificiell intelligens (AI) och bildanalys har öppnat möjligheter för automatiserade metoder som effektivt kan identifiera och segmentera solcellspaneler. Syftet med detta arbete är att utforska potentialen hos traditionella AI-modeller, som Support Vector Machines (SVM) och Random Forest (RF), samt faltningsnätverk av typen U-net, för att identifiera och segmentera solcellspaneler i svenska flygfotodata. Vidare undersöks i arbetet hur dessa modeller reagerar på reducerad datamängd samt vad för sorts features som höjer de traditionella modellernas prestanda i syfte att inventera solcellspaneler. Under arbetet skapas ett dataset om 2268, 1152 RGBI-data, där solcellspaneler utgör 22,8 procent av pixlarna. Data är hämtad från Lantmäteriet och har en spatial upplösning på 0.16m/pixel. Tre modeller implementeras och jämförs under olika förhållanden. Flertalet features utvunna från datasetet presenteras och förändringar av prestanda vid träning med dessa features mäts. För en utvärdering av modellernas precision tränas de först på 70% av det totala datasetet och utvärderas på de resterande 30%. En andra utvärdering utförs med reducerad datamängd där 35% av den totala datamängden används för träning och 30% för utvärdering. Prestandamätningar utförs på samma dataset för alla modeller där traditionella modeller tränas på RGB, RGBI, RGBI+features. U-net-modellen tränas på RGB-data. Resultaten visar att U-net-modellen presterar bäst i syfte att segmentera solcellspaneler med en F1-score på 0.91 och MCC på 0.89. Näst bäst är RF med en F1-score på 0.81 samt MCC på 0.76. Vid halvering av mängd träningsdata observeras störst negativ förändring av prestation på U-net-modellen, medan de traditionella modellerna syns påverkas mindre. Rätt urval av features observeras markant höja prestationen hos de traditionella modellerna. Sammanfattningsvis påvisar resultaten att neurala nätverk presterar bättre än traditionella modeller vid inventering av svenska solcellspaneler och betonar samtidigt vikten av rätt feature selection hos traditionella maskininlärningsmodeller. / Solar panels have gained increased attention as a significant source of renewable energy due to the growing awareness of climate change and the need for sustainable energy solutions. In Sweden, this has led to a rise in solar installations. With the increase of solar panels in urban areas, the need for accurate mapping and inventory of these installations has grown. Advances in artificial intelligence (AI) and image analysis have opened possibilities for automated methods for high precision identification av segmentation of solar panels. These automated methods reduce time consumption, resource use and the risk of human error. The aim of this work is to explore the potential of traditional AI models such as Support Vector Machines (SVM) and Random Forest (RF), as well as convolutional neural networks with the U-net architecture, to identify and segment solar panels in Swedish aerial imagery. Furthermore, the study investigates how these models perform with reduced data quantities. The study also examines which types of features enhance the performance of traditional models for the purpose of inventorying solar panels. During the study, a dataset of 2268, 1152 RGBI data was created, where solar panels constitute 22.8 percent of the pixels. This data, sourced from Lantmäteriet, has a spatial resolution of 0.16m/pixel. Three models were implemented and compared under various conditions. Multiple features extracted from the dataset were presented and performance changes during training with these features were measured. For evaluation the models were first trained on 70% of the total dataset and evaluated on the remaining 30%. A second evaluation was conducted with reduced data, using 35% for training and 30% for evaluation. Performance measurements were carried out on the same dataset for all models, where the traditional models were trained on RGB, RGBI, and RGBI + features, while the U-net model was trained on RGB data. In evaluation the U-net model achieved the highest performance in solar panel segmentation with an F1-score of 0.91 and an MCC of 0.89, followed by RF with an F1-score of 0.81 and an MCC of 0.76. Halving the training data resulted in a bigger impact on U-net's performance than on the traditional models. Optimal feature selection substantially improved traditional models, doubling SVM's F1-score when trained with additional features. In summary, the results indicate that neural networks perform better than traditional models in inventorying Swedish solar panels and emphasize the importance of correct feature selection in traditional machine learning models.

This study has been conducted at AGNA Logistik, a third-party logistics company specializing in warehouse logistics. AGNA Logistik manages multiple customers, all with unique systems for warehouse management. The study has examined possible improvements in the handling process for one of the customers, customer A. The goal is to find said improvements and present them to AGNA Logistik. The aim of the study is that one of these improvements in the long run will be implemented for customer A. The picking and packing process for customer A and customer B has been examined through pure and participatory observations together with unstructured interviews. This was made to compare the different principles and to highlight the effects of the implementations. Besides the process mapping, time measurement was conducted on different parts of the process, and inefficiencies were identified. The inefficiencies include repacking from custom-built pallets to EUR-pallets, carton damage due to warehouse handling and difficulties in locating the chairs due to the lack of a Warehouse Managing System (WMS). Several suggestions were developed for customer A, they all include a recommendation of implementation of WMS. Besides implementation of WMS, various proposals were made. The first proposal includes the current storage system of 1500 chairs, but with the condition of naming and labeling of storage locations. Three other proposals include racks in different designs, with the capacities of 768, 864 and 800 chairs, respectively. Finally, a proposal for deep-stacking in racks with a capacity of 1200 chairs was provided. All proposals contribute to the implementation of FIFO (First In, First Out) and varies in their ability to meet the requierement to store 500-800 chairs. Results gained by observing the handling of customer A shows that the implementation of a WMS could save approximately 84 hours per year in item retrieval time. Furthermore, AGNA Logistik could save about 35 hours per year if the chairs were delivered on EUR-pallets directly from the manufacturer. / Denna studie har utförts på AGNA Logistik som bedriver lagerverksamhet inom tredjepartslogistik. På företagets lager lagerhålls artiklar åt flertalet kunder där varje kund har en unik lager- och hanteringsprincip. AGNA Logistik upplever att det finns möjlighet till förbättring av hanteringen för den studerade kunden, benämnd kund A. Ytterliggare en kund, benämnd kund B, finns som referens att jämföra med. Målet med studien är att arbeta fram förbättringsförslag till eventuella förändringar i lagerhanteringen för kund A, där syftet är att AGNA Logistik ska få en större förståelse för vika förbättringsförslag som kan implementeras för kund A och därefter ta fram en plan för framtida hanteringsprinciper. Plock- och packningsprocesserna för kund A och kund B har kartlagts genom renodlade och deltagande observationer och ostrukturerade intervjuer. Detta har gjorts för att jämföra de olika hanteringsprinciperna för att visa på vad förändringen för kund A skulle kunna resultera i. Utöver kartläggning av processerna har även tidtagning utförts på olika moment i processen, där identifierade slöserier har upptäckts. De identifierade slöserierna var att artiklarna behöver packas om från specialbyggda pallar till standardiserade EUR-pallar innan godset skickas för utleverans, att kartonger i vissa fall går sönder på grund av lagerhanteringen, samt att artiklar är svårhittade då det inte finns något implementerat lagerhanteringssystem, kallat Warehouse Management System (WMS). Ett flertal förbättringsförslag har tagits fram för kund A där alla har gemensamt att de även rekommenderar ett WMS. Utöver implementationen av WMS tas olika förslag fram där det första föreslår nuvarande förvaringssystem med förvaringsmöjlighet av 1500 stolar, men att namngivning och uppmärkning av lagerplatser krävs. Tre olika förslag om ställage i olika utformning presenteras också med förvaringsmöjligheter av 768, 864, respektive 800 stolar, där det avslutningsvis tas fram ett förslag om djupstapling i ställage med förvaringsmöjlighet av 1200 stolar. Alla förslag bidrar till att appliceringen av FIFO underlättas och förslagen kan i olika grad tillgodose lagringsmålet av 500–800 stolar. Resultatet av observationer visar att kund A skulle spara cirka 84 timmar per år genom att undvika att leta efter artiklar om ett WMS implementeras. AGNA Logistik skulle även spara cirka 35 timmar per år om kartongerna levererades på EUR-pallar direkt från stoltillverkaren.

Bakgrund: Att som elev läsa och tillgodogöra sig en läst text beskrivs som antingen ytlig läsningeller djup läsning. Ytlig läsning beskrivs innebära ytlig förståelse och att läsningen där stannarvid textens sakinnehåll och vid detaljer. Djup läsning innebär att eleven ifrågasätter och ser attett innehåll finns även där det inte uttrycks.Syfte: Det övergripande syftet med studien var att undersöka hur textfrågors utformningpåverkar elevers uppvisade läsförståelse. Forskningsfrågorna som besvarades var ”vilkalikheter och vilka skillnader finns det i elevernas svar på textfrågorna?” Och ”vilka läsarter ochlässtrategier behärskar elever utifrån hur de besvarar textfrågorna?”.Metod: Studien är en kvalitativ och kvantitativ interventionsstudie bestående av ett förtest,intervention med tre variationer och ett eftertest. Totalt deltog 24 gymnasieelever som läsersvenska 1, dessa 24 elever var uppdelade i två grupper. En av dessa grupper delades därefterupp vid interventionstillfället i ytterligare i två grupper, sammanfattningsvis blev det treinterventionsgrupper med 3 olika interventioner. Till förtestet användes Ray Bradburys novellDet långa regnet, till interventionsstudien användes Den korta sommaren en novell av sammaförfattare. Till eftertestet användes Timmen H också av Ray Bradbury. För att bedöma ochanalysera elevernas svar utformades en nominalskala för att kategorisera tillfredställande svaroch otillfredsställande svar.Resultat: De som fick ytliga frågor, intervention I, kunde besvara frågor inriktade på ytligläsförståelse. I intervention II så visade deltagarna att de kunde besvara frågorna som varbaserade på djup läsförståelse. I intervention III så skulle deltagarna beskriva vad berättelsenhandlade om och göra en sammanfattning, där visade nästan hälften att de kunde göra dettatillfredsställande. Sammanfattningsvis har båda grupperna kunskap om olika läsarter.Fördelningen av kunskap om läsarter mellan grupperna visar att det finns en ojämnläskompetens bland elever trots likvärdig utbildning.Resultatdiskussion och metoddiskussion: Studien skulle kunna beskrivas med hjälp avordspråket: ”som man frågar får man svar”. Studien visar betydelsen av hur frågorna till en textutformas, ställs och i vilket syfte. Förutom att besvara didaktikens grundfrågor behöversvensklärare ha kunskap om elevernas tidigare läserfarenheter när frågor om textens innehåll ställs / Background: When students read and comprehend a text, they use either surface reading ordeep reading comprehension. Deep reading comprehension is described as when the studentquestions the text and can identify information by reading between the lines. Surface readingcomprehension is described as when the reading only focuses on what is written in the textwithout reading between the lines.Aim: This essay aimed to find out how study questions formulation impact students’ perceivedreading comprehension. The research questions were “what similarities and differences can befound in the students’ answers?” and “which reading strategies does the students comprehendbased on their answers on the study questions?”.Design and methodology: This study uses a qualitative design. This is an intervention studycompiled of a pre-test, intervention, and post-test. The number of participants were 24 UpperSecondary School students, taking the course Svenska 1, these 24 students were divided intotwo groups. The first group was divided into two further groups, making three interventiongroups in total. The material used for the pre-test was a short story by Ray Bradbury called Detlånga regnet (a translation of The long rain), the material used for the intervention was the shortstory Den korta sommaren (a translation of All summer in a day) written by the same author.The material used for the post-test was the short story Timmen H (a translation of Zero Hour)by the same author. To evaluate the participating students’ answers a nominal scale was createdto categorise satisfactory answers to unsatisfactory answers.Results: the students who received study questions based on surface reading, intervention I,were able to answer study questions based on surface reading. The students in Intervention IIwere able to answer study questions based on deep reading. The students in Intervention IIIwere asked to summarize the short story and almost half of the group succeeded in this task.The two groups have different knowledge of reading strategies. The distribution of knowledgeof reading strategies shows that the reading skills of the students are uneven despite equivalenteducation.Conclusion: The study questions the students receive affects their reading comprehension. Thestudy demonstrates the importance of how questions are formulated, asked and the purpose ofthe study question. Not only should teachers answer the basic questions of didactics, Swedishteachers at Upper Secondary School need background knowledge on students previous readingknowledge when asking questions on the content of the text.

Denna studie tar avstamp i en skola, där elever med svenska som andraspråk generellt sett presterar på en lägre nivå än enspråkigt svenska elever, samtidigt som antalet elever med svenska som andraspråk ökar. Tidigare forskning visar att det är ordförrådet och läsförståelsen som skiljer sig mellan förstaspråkselever och andraspråkselever, medan det är obetydliga skillnader vad gäller avkodning.   Syftet med denna studie är att öka kunskapen om sambandet mellan ordförrådets djup och bredd samt läsförståelsen hos elever med svenska som andraspråk i årskurs fem och sex. Studien använder en kvantitativ metod, bestående av tre test som ämnar mäta läsförståelsen samt ordförrådets djup och bredd hos studiens 50 informanter. Resultatet sammanställs och analyseras i syfte att kartlägga korrelationen mellan resultatet på studiens tre tester. Det framgår av resultaten att det finns en måttlig korrelation mellan ordförrådets djup och läsförståelsen, medan korrelationen mellan ordförrådets bredd och läsförståelse är svag. Detta resultat tolkas utifrån modellen The Simple View of Reading samt tidigare forskning på området.

Cyberkrigföring utgör ett allvarligt hot då det kan påverka ett modernt samhälle från distans. Västvärlden har trots större resurser och mer avancerad teknik inte lyckats möta rysk cyberkrigföring. Cyberkrigföring har trots jämförelser med massförstörelsevapen präglats av begränsningar i ny teoriutveckling samt en avsaknad av perspektiv avseende strid på djupet. Syftet med denna studie är att fylla denna teoretiska lucka genom att undersöka hur traditionella ryska teorier om djupoperationer kan förklara rysk cyberkrigföring i en modern kontext. Frågan undersöks genom en tematisk analys av två fall, cyberattackerna mot Estland 2007 samt den pågående konflikten i Ukraina från 2014 och framåt. Resultatet visar att den traditionella teorin är relevant och kan bidra till att förklara rysk cyberkrigföring både ur en fysisk- och en psykologisk dimension. Studiens största bidrag är en utveckling av den traditionella teorin för att bättre passa en modern kontext. Studien bidrar också till att öka förståelsen för rysk krigföring vilket kan medverka till bättre möjligheter för totalförsvaren i västvärlden att möta dessa typer av hot.

Advancements in Artificial Intelligence, especially in the field of natural language processing have opened new possibilities for educational chatbots. One of these is a chatbot that can simulate a conversation between the teacher and the student for continuous learner support. In an up-scaled learning environment, teachers have less time to interact with each student individually. A resource to practice interactions with students could be a boon to alleviate this issue. In this thesis, we present a machine-learning model combined with a heuristic approach used in the creation of a chatbot. The machine learning model learns language understanding using prebuilt language representations which are fine-tuned with teacher-student conversations. The heuristic compares responses and picks the highest score for response retrieval. A data quality analysis is also performed on the teacher-student conversation dataset. For results, the best-base-cased language model performed best for text classification with a weighted F1-score of 0.70. The dataset used for the machine learning model showed consistency and completeness issues regarding labelling. The Technology Acceptance Model has been used to evaluate the model. The results of this evaluation show a high perceived ease of use, but a low perceived usefulness of the present solution. The thesis contributes with the innovative TUM (topic understanding model), an educational chatbot and an evaluation of the teacher-student chatroom corpus regarding the usage for text classification. / Teknologiska framsteg i artificiell intelligens, speciellt inom språkteknologi, har öppnat för nya möjligheter för chatbottar inom utbildningssektorn. Chatbots har sett en ökande användning i olika lärandeändamål. En av dessa är en chatbot som kan simulera en konversation mellan en lärare och en student för lärandestöd. När inlärning sker på en allt större skala, har lärare allt mindre tid att lägga individuellt på varje student. En resurs för att öva på interaktioner med studenter skulle därför kunna vara ett bra hjälpmedel. I denna masteruppsats presenteras en maskininlärnings modell kombinerad med ett heuristiskt tillvägagångsätt i skapandet av en chatbot. Maskininlärningsmodellen använder sig av färdigbyggda språkrepresentationer som är finjusterade med lärare-studentkonversationer. Heuristiken jämför svar och väljer den högsta poängen för svarshämtning. En datakvalité analys är också gjord på lärare-studentkonversations datasetet. För resultat, den BERT-baserade språkmodellen gav bäst resultat för textklassificering med en weigthed-F1- score på 0.70. Datasetet som användes för maskininlärningsmodellen visade konsistens och fullständighet problem rörande etiketter. Teknologi acceptans modellen har använts för att evaluera modellen. Resultatet av evalueringen visade hög upplevd användarvänlighet, men låg upplevd användbarhet. Detta arbete bidrar med TUM (topic understanding model), en utbildningschatbot och en evaluering av datasetet teacherstudent chatroom corpus för användning till textklassificering.