Digitala läromedel används idag alltmer frekvent på skolor, samtidigt som det inte förekommer någon nationellt sammanhållen kvalitetsgranskning av dem. Det är därför av vikt att få insikt i vilka förmågor som bearbetas i digitala läromedel. Studiens syfte är att undersöka två digitala läromedel för årskurs 4 gällande vilka matematiska förmågor som tränas i vilken omfattning, samt att undersöka vilka interaktionsmöjligheter de digitala läromedlen erbjuder eleverna och hur representationen av de matematiska förmågorna hänger ihop med läromedlens dynamiska funktioner. Studiens frågeställningar lyder: Vilka matematiska förmågor representeras i de utvalda läromedlen och i vilken omfattning? Vilka interaktionsmöjligheter erbjuds eleverna i de utvalda läromedlen? Och i vilken utsträckning tränas respektive förmåga i läromedlens dynamiska element? De teoretiska utgångspunkterna som analysen tar avstamp i är Lithner et al. (2010) Mathematical Competency Research Framework och Bergvall och Dyrvold (2021) A Model for Analysing Digital Mathematics Teaching Material from a Social Semiotic Perspective. I studien undersöks kapitel berörande de fyra räknesätten i två digitala läromedel för årskurs fyra. Dessa är Gleerups läromedel Matematik 4 och Nationalencyklopedins läromedel Matematik åk 4. Metoden som används är innehållsanalys. Resultatet visar på en samstämmighet med tidigare forskning vad gäller att samtliga förmågor representeras samt att problemlösningsförmågan ges få träningstillfällen. När det gäller resonemangsförmågan bekräftar analys av Nationalencyklopedins läromedel tidigare forskning, medan Gleerups motsäger det då läromedlet erbjuder relativt många tillfällen att träna resonemang. Studiens viktigaste slutsatser är att Nationalencyklopedins läromedel utnyttjar ett digitalt läromedels specifika förutsättningar i högre grad än Gleerups läromedel, som i många fall är väldigt likt ett tryckt läromedel till funktionerna. Vidare visar även analysen att Gleerups läromedel tränar förmågorna mer jämnt fördelat än Nationalencyklopedins, som främst fokuserar på metod- och begreppsförmågorna.

With the development of autonomous driving technology, vehicle trajectory prediction has become a hot topic in the intelligent traffic area. However, complex road conditions may bring multiple challenges to the vehicle trajectory prediction model. To address this, most recent studies mainly focus on designing different neural network structures to learn vehicles’ dynamics and interaction features for better prediction. In this thesis we restrict our research scope to highway scenarios. Based on the experimental comparison among Vanilla Recurrent Neural Network (Vanilla RNN), Vanilla Long short-term memory (Vanilla LSTM), and Vanilla-Transformer, we find the best configuration of the Dynamics-Only encoder module and utilize it to design a novel model called the LSTM-Attention model for vehicle trajectory prediction. The objective of our design is to explore whether the Self-Attention mechanism based encoder outperforms the pooling mechanism based encoder utilized in most current baseline models. The experiment results on the interaction encoder module show that the Self- Attention mechanism based encoder with 8 heads outperforms the pooling mechanism based encoder for the longer prediction horizons. To test the robustness of our LSTM-Attention model, we also compare the prediction performance between using Maneuver-Based decoder and using Maneuver-Free decoder, respectively. According to the experiment results, we find the Maneuver-Based decoder performs better on the heavily unbalanced Next Generation Simulation (NGSIM) dataset. Finally, to explore other latent interaction features our LSTM-Attention model might fuse, we analyze the Graph-Based encoder and the Polar-Based encoder, respectively. Based on this, we find more meaningful designs that could be exploited in our future work. / Med utvecklingen av självkörande fordon har förmågan att förutsäga fordonsbanan blivit ett attraktivt ämne inom intelligenta trafiksystem. Däremot kan komplexa vägförhållanden medföra flera utmaningar för modellering av fordonets bana. För att ta itu med detta fokuserar de senaste studierna huvudsakligen på att designa olika neurala nätverksstrukturer för att lära sig fordons dynamiker och interaktioner för bättre kunna förutsäga resebanan. I denna avhandling begränsar vi vårt forskningsområde till motorvägsscenarier. Baserat på den experimentella jamförelsen mellan Vanilla Recurrent Neural Network (Vanilla RNN), Vanilla Long-korttidsminne (Vanilla LSTM) och Vanilla-Transformer, hittar vi den bästa konfigurationen av Dynamic-Only kodningsmodulen och använder den för att designa en enkel modell som vi kallar LSTM- Attention-modellen för förutsägelse av fordonets resebana. Målet med vår design är att undersöka om den Self-Attention-baserade kodaren överträffar den pooling-baserade kodaren som används i de flesta nuvarande basmodeller. Experimentens resultat på interaktionskodarmodulen visar att Self-Attention kodaren med 8 huvuden överträffar den poolning baserade kodaren när de gäller längre fönster av förutsägelser. För att testa robustheten hos vår LSTM-Attention-modell, jämför vi också prestandan mellan att använda manöverbaserad avkodare respektive att använda manöverfri avkodare. Enligt experimentens resultat finner vi att den manöverbaserade avkodaren presterar bättre på den kraftigt obalanserade Next Generation Simulation (NGSIM) datamängden. Slutligen, för att utforska andra möjliga egenskaper som vår LSTM-Attention-modell kan utnytja, analyserar vi den grafbaserade kodaren respektive den polbaserade kodaren. Baserat på detta så hittar vi mer meningsfulla mönster som skulle kunna utnyttjas i framtida arbeten.

The purpose of this study is to understand how companies in the retail industry altered the disposition of their marketing during the Covid-19 outbreak and whether crisis management plans contributed to the producers' choice of disposition. To conduct the survey, semi-structured interviews were held with three retail companies, which are categorized as “large companies” according to the Swedish Agency for Economic and Regional Growth. The respondents consisted of senior managers from the marketing department of within each firm. The results show that crisis management plans contributed to companies' ability to identify new opportunities and counter threats, while dynamic functions contributed to their ability to respond to the crisis in an effective way by their choice of marketing disposition. Furthermore, the respondents stated that crisis management plans are not relevant until the outcome of the crisis is more clear. Lastly, the results show that most companies saw opportunities to reach more potential consumers on the internet with the new migration of pensioners on the internet, when the pandemic forced society to become more active on the internet. / Denna studies syfte är att skapa förståelse för hur producenter inom detaljhandelsbranschen ställde om sin disponering av marknadsföring under Covid-19 samt huruvida krishanteringsplaner bidrog till producenternas val av disponering. För att genomföra undersökningen utfördes semistrukturerade-intervjuer med tre stycken detaljhandelsbolag, vilket kategoriseras som “stora företag” enligt tillväxtverket. Respondenterna bestod av högt uppsatta chefer från marknadsavdelningen inom respektive företag. Resultatet visar att krishanteringsplaner bidrog till företags förmåga att identifiera nya möjligheter och motverka hot, samtidigt som dynamiska funktioner bidrog till att bemöta krisen på ett effektivt sätt genom deras val av disponering avseende marknadsföring. Vidare, redogör respondenterna att krishanteringsplaner inte är av relevans förrän man kan tydliggöra utfallet av den pågående krisen. Slutligen, visar resultaten att majoriteten av företagen såg möjligheter att nå ut till fler potentiella konsumenter på internet då pandemin tvingade samhället att bli mer aktiva på internet. I synnerhet, har man sett en drastisk ökning av pensionärer på internet vilket skapat nya möjligheter för företag.