The aim of this study was to identify effective teaching strategies for vocabulary acquisition for primary school-age children in natural sciences. Primarily, using qualitative method observation, it was empirically shown that the primary vocabulary instructions used during natural science studies were indirect incidental word learning activities such as conversation in the classroom. A test was standardized from Homegaard and Johansson Kokkinakis (2006) to asses and measure pupils’ breadth and depth of vocabulary knowledge for vocabulary words that were used during science class. The conducted test showed that the pupils’ trough incidental word learning had low vocabulary acquisition, primarily because of the everyday language used in a scientific context, leading this study to aim to answer the following questions:   Will providing explicit instructions for word acquisition increase pupils’ vocabulary?   Which possible explanations are there for the vocabulary increase?   An intervention practice was conducted to improve vocabulary acquisition, using five evidence-based suggestions for meaningful vocabulary intervention activities, provided by Steele and Mills (2011) and Becks, McKeown and Kucan (2002). The steps are based on explicit instructional activities which were used in teaching natural science. The same test that was used to asses and measure pupils’ breadth and depth of vocabulary knowledge of vocabulary words was used after the intervention. The empirical results showed that instructional strategies providing explicit instruction were successful in increasing pupils’ breadth and depth of vocabulary knowledge. Hence, this study identifies the empirical link between vocabulary instructions and vocabulary acquisition, as to increase the pupils’ breadth and depth of vocabulary knowledge, by the acknowledgement of the difference between everyday language and scientific vocabulary with explicit teaching of the scientific language.

Bakgrund: Djup ventrombos (DVT) är en allvarlig komplikation postoperativt och kan leda till ett livshotande tillstånd för patienten. Graderade kompressionsstrumpor (GCS) används på många postoperativa avdelningar tillsammans med andra profylaktiska åtgärder för att förebygga utvecklingen av DVT. Kompressionsstrumpor används även till att förebygga posttrombotiskt syndrom (PTS) efter en DVT. PTS kan utvecklas på grund av att de venösa klaffarna skadas vid en DVT, till följd stockar sig blodet och ödem bildas vilket leder till försämrad näring- och syretillförsel till vävnaderna. Syfte: Syftet var att genom en litteraturstudie undersöka om kompressionsstrumpor hade någon effekt för att förebygga DVT postoperativt samt om kompressionsstrumpor hade någon effekt att förebygga PTS efter en DVT. Metod: Litteraturstudie som baserads på 11 RCT studier. Resultat: GCS utan andra profylaktiska åtgärder visade sig ha en god effekt för att undvika utvecklingen av DVT på patienter som genomgått en operation. Däremot visade sig användandet av GCS i kombination med andra beprövade profylax inte ha någon större effekt för att reducera uppkomsten av DVT ytterligare. Resultatet angående GCS effekt för att undvika utvecklingen av PTS visade ingen entydighet. Slutsats: GCS har en förebyggande effekt för att undvika uppkomsten av DVT. Användningen av GCS i kombination med andra profylax potentierar däremot inte effekten av preventionen för DVT. GCS verkan för att förebygga uppkomsten av PTS är inte entydigt och flera studier behövs för att se evidens kring detta. / ABSTRACT  Background: Deep vein thrombosis (DVT) is a serious complication postoperatively and can lead to a life threatening condition for the patient. Graded compression stockings (GCS) are used in many post-operative departments along with other prophylactic measures to prevent the development of DVT. Compression stockings are also used to prevent postthrombotic syndrome (PTS) after a DVT. PTS can develop because the venous valves are damaged by a DVT, as a result, the blood is stored and edema is formed, which leads to poor nutritional and oxygen supply to the tissues. Aim: The aim of the literature study was to investigate whether compression stockings had any effect in preventing DVT postoperatively, and also whether the compression stockings had any effect in preventing PTS after a DVT. Method: Literature study based on 11 RCT studies. Results: GCS without other prophylactic measures was found to have a good effect in avoiding the development of DVT in patients who underwent surgery. However, the use of GCS in combination with other proven prophylaxis was found to have no significant effect in further reducing the onset of DVT. The results regarding the GCS effect to avoid the development of PTS showed no unambiguity. Conclusion: GCS has a preventive effect to avoid the onset of DVT. However, the use of GCS in combination with other prophylaxis does not potentiate the effect of prevention for DVT. The effect of GCS in preventing the onset of PTS is not unambiguous and several studies are needed to see evidence of this.

Paper materials have a long history of use in packaging products, although traditional paper-based packaging is limited in its shape and design. In order to enable more advanced paper-based packaging, various 3-D forming processes for paper materials have been studied. Since 3-D forming processes typically include the application of moisture and/or temperature, the effects of moisture and temperature on the mechanical response of paper have also been investigated. In Paper A, an experimental study of the combined effects of moisture and temperature on the uniaxial mechanical properties of paper was conducted. These experiments provided new insights into how moisture and temperature affect both the elastic and plastic properties of paper materials. These experiments also provided the framework from which the effects of moisture and temperature were modelled in Paper C. In Paper B, an explicit finite element model of the paperboard deep-drawing process was developed. An orthotropic material model with in-plane quadrant hardening was developed and verified for paper. The simulation results matched the trends from experimental deep-drawing up to when micro-scale wrinkling occured. Since most experimental failures occur prior to wrinkling, this model provided quantitative understanding of failure in the paperboard deep-drawing process. In Paper C, an explicit finite element model of paper hydroforming, utilizing the same material model for paper materials as in Paper B, was developed and verified. The simulation results matched well with experimental results, and a parametric study with the finite element model produced quantitative understanding of the hydroforming process for paper materials. Additionally, drying was identified as an important phenomenon for determining the extent of formability of paper materials. / Papper har länge använts som förpackningsmaterial men traditionella pappers- och kartongförpackningar är begränsade i form och design. Olika 3-D formnings processor har studerats för att möjliggöra mer avancerade pappersbaserade förpackningar. Effekterna av fukt och temperatur på pappers mekaniska egenskaper har också undersökts eftersom fukt och temperatur har stor betydelse för slutresultatet i 3-D formningsprocesser. I Artikel A har den kombinerade effekten av fukt och temperatur på de uniaxiella mekaniska egenskaperna av papper undersökts experimentellt. Dessa experiment visar hur fukt och temperatur påverkar både elastiska och plastiska egenskaper hos papper samt ligger till grund för modelleringen av inverkan av fukt och temperatur i Artikel C. I Artikel B har en explicit finita element modell för djupdragning av kartong utvecklas. En ortotropisk materialmodell baserad på en rektangulär flytyta har utvecklats och verifierats för kartong. Simuleringen följde trenderna i experimenten fram till den punkt där mikroskopiska rynkor bildas. Resultaten från analyserna med modellen ger kvantitativ förståelse för materialbrott i djupdragningsprocessen eftersom de flesta experimentella materialbrott inträffar innan mikroskopiska rynkor bildas. I Artikel C har ett explicit finita element modell av hydroformning av papper baserad på materialmodellen från Paper B utvecklats och verifierats mot experimentell hydroformning av papper. En parameterstudie med finitaelement-modellen producerade kvantitativ förståelse för hydroformningsprocessen för papper. Dessutom identifieras torkning som ett viktigt fenomen för att fastställa graden av formbarheten för pappersmaterial. / <p>QC 20150907</p>

While deep learning has proved to be useful in a large variety of tasks, a limitation remains of needing all classes and samples to be present at the training stage in supervised problems. This is a major issue in the field of biomedical imaging since keeping samples in the training sets consistently is often a liability. Furthermore, this issue prevents the simple updating of older models with only the new data when it is introduced, and prevents collaboration between companies. In this work, we examine an array of Continual Learning approaches to try to improve upon the baseline of the naive finetuning approach when retraining on new tasks, and achieve accuracy levels similar to the ones seen when all the data is available at the same time. Continual learning approaches with which we attempt to mitigate the problem are EWC, UCB, EWC Online, SI, MAS, CN-DPM. We explore some complex scenarios with varied classes being included in the tasks, as well as close to ideal scenarios where the sample size is balanced among the tasks. Overall, we focus on X-ray images, since they encompass a large variety of diseases, with new diseases requiring retraining. In the preferred setting, where classes are relatively balanced, we get an accuracy of 63.30 versus a baseline of 53.92 and the target score of 66.83. For the continued training on the same classes, we get an accuracy of 35.52 versus a baseline of 27.73. We also examine whether learning rate adjustments at task level improve accuracy, with some improvements for EWC Online. The preliminary results indicate that CL approaches such as EWC Online and SI could be integrated into radiography data learning pipelines to reduce catastrophic forgetting in situations where some level of sequential training ability justifies the significant computational overhead. / Även om djupinlärning har visat sig vara användbart i en mängd olika uppgifter, kvarstår en begränsning av att behöva alla klasser och prover som finns på utbildningsstadiet i övervakade problem. Detta är en viktig fråga inom området biomedicinsk avbildning eftersom det ofta är en belastning att hålla prover i träningsuppsättningarna. Dessutom förhindrar det här problemet enkel uppdatering av äldre modeller med endast nya data när de introduceras och förhindrar samarbete mellan företag. I det här arbetet undersöker vi en rad kontinuerliga inlärningsmetoder för att försöka förbättra baslinjen för den naiva finjusteringsmetoden vid omskolning på nya uppgifter och närma sig noggrannhetsnivåer som de som ses när alla data är tillgängliga samtidigt. Kontinuerliga inlärningsmetoder som vi försöker mildra problemet med inkluderar bland annat EWC, UCB, EWC Online, SI. Vi utforskar några komplexa scenarier med olika klasser som ingår i uppgifterna, samt nära idealiska scenarier där exempelstorleken balanseras mellan uppgifterna. Sammantaget fokuserar vi på röntgenbilder, eftersom de omfattar ett stort antal sjukdomar, med nya sjukdomar som kräver omskolning. I den föredragna inställningen får vi en noggrannhet på 63,30 jämfört med en baslinje på 53,92 och målpoängen på 66,83. Medan vi för den utökade träningen på samma klasser får en noggrannhet på 35,52 jämfört med en baslinje på 27,73. Vi undersöker också om justeringar av inlärningsfrekvensen på uppgiftsnivå förbättrar noggrannheten, med vissa förbättringar för EWC Online. De preliminära resultaten tyder på att CL-metoder som EWC Online och SI kan integreras i rörledningar för röntgendatainlärning för att minska katastrofal glömska i situationer där en viss nivå av sekventiell utbildningsförmåga motiverar den betydande beräkningskostnaden.

Nowadays more and more data is generated at the edge of the network, and people are beginning to consider decentralizing computing tasks to the edge of the network. The network architecture of edge computing is different from the traditional network architecture. Its distributed configuration can make up for some shortcomings of traditional networks, such as data congestion, increased delay, and limited capacity. With the continuous development of 5G technology, satellite communication networks are also facing many new business challenges. By using idle computing power and storage space on satellites and integrating edge computing technology into satellite communication networks, it will greatly improve satellite communication service quality, and enhance satellite task processing capabilities, thereby improving the satellite edge computing system performance. The primary problem that limits the computing performance of satellite edge networks is how to obtain a more effective dynamic service offloading strategy. To study this problem, this thesis monitors the status information satellite nodes in different periods, such as service load and distance to the ground, uses the Markov decision process to model the dynamic offloading problem of the satellite edge computing system, and finally obtains the service offloading strategies. The deployment plan is based on deep reinforcement learning algorithms. We mainly study the performance of the Deep Q-Network (DQN) algorithm and two improved DQN algorithms Double DQN (DDQN) and Dueling DQN (DuDQN) in different service request types and different system scenarios. Compared with existing service deployment algorithms, deep reinforcement learning algorithms take into account the long-term service quality of the system and form more reasonable offloading strategies. / Med den snabba utvecklingen av mobil kommunikationsteknik genereras mer och mer data i utkanten av nätverket, och människor börjar överväga att decentralisera datoruppgifter till kanten av nätverket. Och byggde ett komplett mobilt edge computing -arkitektursystem. Edge -dators nätverksarkitektur skiljer sig från den traditionella nätverksarkitekturen. Dess distribuerade konfiguration kan kompensera för eventuella brister i traditionella nätverk, såsom överbelastning av data, ökad fördröjning och begränsad kapacitet. Med den ständiga utvecklingen av 5G -teknik står satellitkommunikationsnät också inför många nya affärsutmaningar. Genom att använda inaktiv datorkraft och lagringsutrymme på satelliter och integrera edge computing -teknik i satellitkommunikationsnät kommer det att förkorta servicetiden för traditionella mobila satelliter kraftigt, förbättra satellitkommunikationstjänstkvaliteten och förbättra satellituppgiftsbehandlingsförmågan och därigenom förbättra satelliten edge computing systemprestanda. Det primära problemet som begränsar datorprestanda för satellitkantnät är hur man får en mer effektiv dynamisk tjänstavlastningsstrategi. Detta papper övervakar servicebelastningen av satellitnoder i olika perioder, markpositionsinformation och annan statusinformation använder Markov - beslutsprocessen för att modellera den dynamiska distributionen av satellitkantstjänster och får slutligen en uppsättning tjänstedynamik baserad på modell och design . Distributionsplanen är baserad på en djupt förbättrad algoritm för dynamisk distribution av tjänster. Det här dokumentet studerar huvudsakligen prestandan för DQN -algoritmen och två förbättrade DQN - algoritmer Double DQN och Dueling DQN i olika serviceförfrågningstyper och olika systemscenarier. Jämfört med befintliga algoritmer för serviceutplacering är prestandan för algoritmer för djupförstärkning något bättre.

This work presents a scalable solution to automate game-testing. Traditionally, game-testing has been performed by either human players or scripted Artificial Intelligence (AI) agents. While the first produces the most reliable results, the process of organizing testing sessions is time consuming. On the other hand, scripted AI dramatically speeds up the process, however, the insights it provides are far less useful: these agents’ behaviors are highly predictable. The presented solution takes the best of both worlds: the automation of scripted AI, and the richness of human testing by framing the problem within the Deep Reinforcement Learning (DRL) paradigm. Reinforcement Learning (RL) agents are trained to adapt to any unseen level and present customizable human personality traits: such as aggressiveness, greed, fear, etc. This is achieved exploring the problem from a multi-task RL setting. Each personality trait is understood as a different task which can be linearly combined by the proposed algorithm. Furthermore, since Artificial Neural Networks (ANNs) have been used to model the agent’s policies, the solution is highly adaptable and scalable. This thesis reviews the state of the art in both automatic game-testing and RL, and proposes a solution to the above-mentioned problem. Finally, promising results are obtained evaluating the solution on two different environments: a simple environment used to quantify the quality of the designed algorithm, and a generic game environment useful to show-case its applicability. In particular, results show that the designed agent is able to perform good on game levels never seen before. In addition, the agent can display any convex combination of the trained behaviors. Furthermore, its performance is as good as if it had been specifically trained on that particular combination. / Detta arbete presenterar en skalbar lösning för att automatisera speltestning. Traditionellt har speltestning utförts av antingen mänskliga spelare eller förprogrammerade agenter. Även om det förstanämnda ger de mest tillförlitliga resultaten är processen tidskrävande. Å andra sidan påskyndar förprogrammerade agenter processen dramatiskt, men de insikter som de ger är mycket mindre användbara: dessa agenters beteenden är mycket förutsägbara. Den presenterade lösningen använder det bästa av två världar: automatiseringsmöjligheten från förprogrammerade agenter samt möjligheten att simulera djupet av mänskliga tester genom att inrama problemet inom paradigmet Djup Förstärkningsinlärning. En agent baserad på förstärkningsinlärning tränas i att anpassa sig till tidigare osedda spelmiljöer och presenterar anpassningsbara mänskliga personlighetsdrag: som aggressivitet, girighet, rädsla... Eftersom Artificiella Neurala Nätverk (ANNs) har använts för att modellera agentens policyer är lösningen potentiellt mycket anpassnings- och skalbar. Denna rapport granskar först den senaste forskningen inom både automatisk speltestning och förstärkningsinlärning. Senare presenteras en lösning för ovan nämnda problem. Slutligen evalueras lösningen i två olika miljöer med lovande resultat. Den första miljön används för att kvantifiera kvaliteten på den designade algoritmen. Den andra är en generisk spelmiljö som är användbar för att påvisa lösningens tillämplighet.

This paper compares two different methods, reinforcement learning and genetic algorithm for designing autonomous cars’ control system in a dynamic environment. The research problem could be formulated as such: How is the learning efficiency compared between reinforcement learning and genetic algorithm on autonomous navigation through a dynamic environment? In conclusion, the genetic algorithm outperforms the reinforcement learning on mean learning time, despite the fact that the prior shows a large variance, i.e. genetic algorithm provide a better learning efficiency. / I det här papperet jämförs två olika metoder, förstärkningsinlärning och genetisk algoritm för att designa autonoma bilar styrsystem i en dynamisk miljö. Forskningsproblemet kan formuleras som: Hur är inlärningseffektiviteten jämför mellan förstärkningsinlärning och genetisk algoritm på autonom navigering i en dynamisk miljö? Sammanfattningsvis, den genetisk algoritm överträffar förstärkningsinlärning på genomsnittlig inlärningstid, trots att den tidigare visar en stor varians, dvs genetisk algoritm, ger en bättre inlärningseffektivitet.

In a 5 Generation massive Multiple Input Multiple Output radio network, the Channel State Information is playing a central role in the algorithm design and system evaluation. However, Acquisition of Channel State Information consumes system resources (e.g. time, frequency) which in turn decrease the link utilization, i.e. fewer resources left for actual data transmission. This problem is more apparent in a scenario when User Equipment terminals have multi-antennas and it would be beneficial to obtain Channel State Information between Base Station and different User Equipment antennas e.g. for purpose of high rank (number of streams) transmission towards this User Equipment. Typically, in current industrial implementations, in order to not waste system resources, Channel State Information is obtained for only one of the User Equipment antennas which then limits the downlink transmission rank to 1. Hence, we purpose a method based on Deep learning technique. In this paper, multi-layer perception and convolutional neural network are implemented. Data are generated by MATLAB simulator using the parameters provided by Huawei Technologies Co., Ltd. Finally, the model proposed by this project provides the best performance compared to the baseline algorithms. / I ett 5-generationsmassivt massivt multipel-inmatningsradio-nätverk spelar kanalstatens information en central roll i algoritmdesignen och systemutvärderingen. Förvärv av Channel State Information konsumerar emellertid systemresurser (t.ex. tid, frekvens) som i sin tur minskar länkanvändningen, dvs färre resurser kvar för faktisk dataöverföring. Detta problem är mer uppenbart i ett scenario när användarutrustningsterminaler har flera antenner och det skulle vara fördelaktigt att erhålla kanalstatusinformation mellan basstationen och olika användarutrustningsantenner, t.ex. för överföring av hög rang (antal strömmar) till denna användarutrustning. I nuvarande industriella implementeringar erhålls kanalstatusinformation för endast en av användarutrustningens antenner för att inte slösa bort systemresurser, vilket sedan begränsar överföringsrankningen för nedlänkning till 1. Därför syftar vi på en metod baserad på Deep learning-teknik. I detta dokument implementeras flerskiktsuppfattning och inblandat neuralt nätverk. Data genereras av MATLAB-simulator med hjälp av parametrarna som tillhandahålls av Huawei Technologies Co., Ltd. Slutligen ger modellen som föreslås av detta projekt bästa prestanda jämfört med baslinjealgoritmerna.

Blockchain technology is rapidly growing and with it, the opportunities it brings. Non-fungible tokens (NFTs) are a type of token that represents unique data that can be owned and traded on a blockchain. The NFT market is still in its early stages, making it difficult for newcomers to enter without a solid background and knowledge of the technology. In this study, we aimed to discover if the new information provided by blockchain and NFTs can be used to build better estimation models. We focused on the availability of every single transaction and the attributes attached to NFTs. Our results showed that the availability of each transaction improves the accuracy slightly, while the attributes attached to the NFT greatly improve accuracy. We are confident that with more data over time, the accuracy will continue to improve mainly if the transactions are able to cover almost all the NFTs inside a collection because all the different combinations of attributes will be analyzed. / Blockchain-teknologin växer snabbt och med det, möjligheterna det ger. Non-fungible tokens (NFTs) är en typ av token som representerar unika data som kan ägas och bytas ut på en blockchain. NFT-marknaden är fortfarande i sina tidiga stadier, vilket gör det svårt för nykomlingar att komma in utan en solid bakgrund och kunskap om teknologin. I den här studien ville vi upptäcka om den nya informationen som tillhandahålls av blockchain och NFTs kan användas för att bygga bättre estimeringsmodeller. Vi fokuserade på tillgängligheten av varje enskild transaktion och attributen som är kopplade till NFTs. Våra resultat visade att tillgängligheten av varje transaktion förbättrar noggrannheten något, medan attributen som är kopplade till NFTs förbättrar noggrannheten mycket. Vi är säkra på att med mer data över tid kommer noggrannheten att fortsätta att förbättras främst om transaktionerna är i stånd att täcka nästan alla NFTs inom en samling eftersom alla olika kombinationer av attribut kommer att analyseras.

Image classification in Machine Learning encompasses the task of identification of objects in an image. The technique has applications in various areas such as e-commerce, social media and security surveillance. In this report the author explores the impact of using t-Distributed Stochastic Neighbor Embedding (t-SNE) on data as a preprocessing step when classifying multiple classes of clothing with a state-of-the-art Deep Convolutional Neural Network (DCNN). The t-SNE algorithm uses dimensionality reduction and groups similar objects close to each other in three-dimensional space. Extracting this information in the form of a positional coordinate gives us a new parameter which could help with the classification process since the features it uses can be different from that of the DCNN. Therefore, three slightly different DCNN models receives different input and are compared. The first benchmark model only receives pixel values, the second and third receive pixel values together with the positional coordinates from the t-SNE preprocessing for each data point, but with different hyperparameter values in the preprocessing step. The Fashion-MNIST dataset used contains 10 different clothing classes which are normalized and gray-scaled for easeof-use. The dataset contains 70.000 images in total. Results show minimum change in classification accuracy in the case of using a low-density map with higher learning rate as the data size increases, while a more dense map and lower learning rate performs a significant increase in accuracy of 4.4% when using a small data set. This is evidence for the fact that the method can be used to boost results when data is limited. / Bildklassificering i maskinlärning innefattar uppgiften att identifiera objekt i en bild. Tekniken har applikationer inom olika områden så som e-handel, sociala medier och säkerhetsövervakning. I denna rapport undersöker författaren effekten av att användat-Distributed Stochastic Neighbour Embedding (t-SNE) på data som ett förbehandlingssteg vid klassificering av flera klasser av kläder med ett state-of-the-art Deep Convolutio-nal Neural Network (DCNN). t-SNE-algoritmen använder dimensioneringsreduktion och grupperar liknande objekt nära varandra i tredimensionellt utrymme. Att extrahera denna information i form av en positionskoordinat ger oss en ny parameter som kan hjälpa till med klassificeringsprocessen eftersom funktionerna som den använder kan skilja sig från DCNN-modelen. Tre olika DCNN-modeller får olika in-data och jämförs därefter. Den första referensmodellen mottar endast pixelvärden, det andra och det tredje motar pixelvärden tillsammans med positionskoordinaterna från t-SNE-förbehandlingen för varje datapunkt men med olika hyperparametervärden i förbehandlingssteget. I studien används Fashion-MNIST datasetet som innehåller 10 olika klädklasser som är normaliserade och gråskalade för enkel användning. Datasetet innehåller totalt 70.000 bilder. Resultaten visar minst förändring i klassificeringsnoggrannheten vid användning av en låg densitets karta med högre inlärningsgrad allt eftersom datastorleken ökar, medan en mer tät karta och lägre inlärningsgrad uppnår en signifikant ökad noggrannhet på 4.4% när man använder en liten datamängd. Detta är bevis på att metoden kan användas för att öka klassificeringsresultaten när datamängden är begränsad.