På senare år har antalet immigranter ökat, såväl i Sverige som i resten av Europa. Under 2015 förekom stora förflyttningar av människor i vad som har kallats en flyktingkris och det finns indikationer på att negativa attityder till människor på flykt har ökat. I den offentliga diskursen om flyktingkrisen används olika ord för att benämna immigranter, som till exempel migranter, flyktingar och asylsökande. Huvudsyftet med denna studie var att undersöka om de benämningar som används innebär skillnader i hur de immigranter som kommer till Sverige värderas. Detta eftersom tidigare forskning har visat att ord och etiketter kan ha betydelse för bedömning och värdering av andra människor och grupper. Utifrån Allports kontaktteori undersöktes dessutom om erfarenheter med immigranter har en effekt på attityderna till gruppen. I studien ingick 179 deltagare, framförallt studenter, som randomiserades till att svara på frågor och påståenden om en av de tre etiketterna, migranter, flyktingar eller asylsökande. Attityder till immigranter mättes dels på en individnivå, som social distans, och dels på en gruppnivå, som attityder i immigrationspolitiska frågor. Resultatet visade att etiketterna migranter, flyktingar och asylsökande inte innebar någon skillnad i hur de immigranter som kommer till Sverige värderas, varken när det gäller social distans eller attityder i immigrationspolitik. Däremot fanns en skillnad i social distans beroende på erfarenhet, på så sätt att erfarenhet med immigranter innebar mer positiva attityder. Nuvarande studie gav därmed delvis stöd för Allports kontaktteori. De benämningar som används i diskursen om flyktingkrisen tycks däremot inte innebära skillnader i attityder till de människor som kommer till landet. Resultaten diskuteras i relation till tidigare forskning inom området.

Titel Hur påverkar öletikettens färg och visuella design konsumentens köpbeteende? Nivå C- uppsats, 15 hp Författare Anna Krönlein och Tova Persson  Handledare Svante Andersson Examinator Klaus Solberg Söilen  Termin VT 2021 Syfte: Syftet med uppsatsen är att förstå varför konsumenter attraheras till olika färger på den visuella designen på en etikett vid köp av öl. Vi vill skapa en förståelse vilka färger som attraherar olika kön, samt unga och äldre konsumenter, det vill säga mer eller mindre benägna att köpa ölet beroende på etikettens färg på den visuella design. Genom att undersöka varför konsumenter attraheras av olika färger i en etikett kommer vi eventuellt upptäcka utmärkande drag hos konsumenter som är benägna till en viss typ av färg på etikettens visuella design.  Teoretiska referensramen: Uppsatsen är fördelad och baserad på teori inom sex områden. I början presenteras etiketten primära uppgift. Den följs upp med etikettens element, färgens roll i marknadsföringskommunikationen, etiketten som marknadsföringsverktyg, etiketten som varumärkesbyggande, samt konsumentbeteende. Metod: För att undersöka våra forskningsfrågor utförde vi en kvantitativ studie med 520 respondenter jämt fördelade mellan kön och åldrarna 20-30 år och 50-60 år.  Empiri: Det empiriska underlaget i uppsatsen är insamlat genom en enkätundersökning med svar från 520 respondenter. Resultatet presenteras i tabeller och diagram. Materialet har analyserats, samt diskuterats med koppling till vår teoretiska referensram. Diskussion och slutsats: Resultatet av vår studie visar på att konsumenters färgpreferenser skiljer sig vid ett köp av öl. Vilka färger konsumenten attraheras av skiljer mellan ålder och kön. Utfallet av denna studie visar på skillnader mellan olika kundsegment, såsom inkomst och sysselsättning. Undersökningen påvisar att etikettens färg och visuella design har en stor påverkan på konsumenters köpbeteende. Nyckelord: Etikettens visuella design, etikettens färg påverkan, öletiketter.

Findability is crucial for usability and user experience of websites. E-government websites, such as those of municipalities, regions, and other government agencies, often contain vast amounts of information and services, putting findability to the test. This study aims to investigate findability on a combined regional and municipal website through a case study, identifying the components of information architecture, navigation methods, and features that have the greatest impact on the website's findability. The study employs a mixed-methods approach, analyzing log data on website visit statistics and conducting a secondary analysis on a survey on user experience. The results reveal that organizing content from the users' perspective, accurate labeling, and improving internal search capabilities are some of the prioritized areas for enhancing findability. Additionally, the study demonstrates that commonly accepted measures of findability on commercial websites, such as bounce rates and visit duration, may not be directly applicable to e-government websites

In specialized object detection tasks and domains, it is sometimes only possible to collect and annotate a small amount of data for training and evaluation, which constrains training to a low data regime that can lead to poor generalization. In this thesis, the impact of annotations from additional classes, referred to as complementary labels, when learning a target class is studied as a potential approach to improve performance in the low data regime, for object detection. In particular, the thesis aims to investigate in which data regimes complementary labels seem beneficial, whether labels from different complementary classes contribute equally to the performance on the target class, and how varying the number of complementary classes can affect the performance on the target class. Two datasets were studied; CSAW-S, a medical dataset, and MSCOCO, a natural dataset. For each of these datasets, three experiments were conducted to examine various aspects of complementary labels. First, an experiment that compares the use of all available complementary labels and no complementary labels is conducted for various data regimes. Second, an experiment that leaves out individual complementary classes during training is performed. Third, an experiment that varies the number of complementary classes used during training is performed. The results suggest that complementary labels are helpful in the low data regime, provided the complementary classes have sufficient representation in the dataset. Furthermore, complementary classes that have clear context and interaction with the target class seem to be beneficial, and the impact of individual complementary classes does not seem to be cumulative. Lastly, increasing the number of complementary classes used seems to have a stabilizing effect on the target class performance, provided enough classes are used. Due to limitations in the methodology and choice of experiments, these findings are not conclusive. Nevertheless, various improvements to the methodology of studying complementary labels have been identified, which can help future studies present stronger conclusions. / I specialiserade domäner och uppgifter inom objektdetektion är det ibland inte möjligt att samla mer än en liten mängd data för träning och evaluering. Detta kan leda till dålig generalisering av objektdetektorer när ny data påträffas. I detta examensarbete undersöks komplementära etiketter från tillagda klasser som ett potentiellt sätt att förbättra generaliseringen av objektdetektion av en huvudklass. Mer specifikt fokuserar arbetet på att förstå i vilka datamängdsstorlekar som tillagda klasser kan vara användbara för inlärning av huvudklassen, huruvida olika tillagda klasser har lika inflytande på huvudklassen samt hur tillagda klasser påverkar objektdetektorns prestation på huvudklassen när antalet klasser varieras. Två datamängder studerades; CSAW-S, som är en medicinsk datamängd, och MSCOCO, som är en naturlig datamängd. På båda datamängderna genomförs tre experiment som undersöker olika aspekter av tillagda klasser. I det första experimentet jämförs träning av en huvudklass med och utan tillagda klasser med olika mängder träningsdata. I det andra experimentet lämnas individuella tillagda klasser ur träningen. I det tredje experimentet varieras antalet tillagda klasser som används i träningen. Av resultaten föreslås att tillagda klasser är användbara för att öka prestationen på osedd data när träningen begränsas till små datamängder och de tillagda klasserna har tillräcklig representation in datamängden. Utöver detta så verkar de mest fördelaktiga tillagda klasserna vara de som bidrar med tydligt sammanhang och interagerar tydligt med huvudklassen; fördelarna och nackdelarna som enstaka tillagda klasser bidrar med verkar dock inte vara kumulativa. Slutligen verkar prestationen på huvudklassen stabiliseras när antalet tillagda klasser ökar. På grund av begränsningar i metoden och valet av experimenten bör undersökningsresultaten tas som indikationer och inte definita slutsatser. Flera förbättringspunkter har dock identifierats och föreslagits i metoden angående studerandet av tillagda klasser, vilket kan möjliggöra starkare slutsatser i framtida studier.

The advances in deep neural networks in recent years have opened up the possibility of using image classification as a valuable tool in various areas, such as medical diagnosis from x-ray images. However, training deep neural networks requires large amounts of annotated data which has to be labelled manually, by a person. This process always involves a risk of data getting the wrong label, either by mistake or ill will, and training a machine learning model on mislabelled images has a negative impact on accuracy. Studies have shown that deep neural networks are so powerful at memorization that if they train on mislabelled data, they will eventually overfit this data, meaning learning a data representation that does not fully mirror real data. It is therefore vital to filter out these images. Area under the margin is a method that filters out mislabelled images by observing the changes in a network’s predictions during training. This method does however not take into consideration the overconfidence in deep neural networks and the uncertainty of a model can give indications of mislabelled images during training. Calibrating the confidence can be done through label smoothing and this thesis aims to investigate if the performance of Area under the margin can be improved when combined with different smoothing techniques. The goal is to develop a better insight into how different types of label noise affects models in terms of confidence, accuracy and the impact it has depending on the dataset itself. Three different label smoothing techniques will be applied to evaluate how well they can mitigate overconfidence, prevent the model from memorizing the mislabelled samples and if this can improve the filtering process for the Area under the margin method. Results show when training on data with noise present, adding label smoothing improves accuracy, an indication of noise robustness. Label noise is seen to decrease confidence in the model and at the same time reduce the calibration. Adding label smoothing prevents this and allows the model to be more robust as the noise rate increases. In the filtering process, label smoothing was seen to prevent correctly labelled samples to be filtered and received a better accuracy at identifying the noise. This did not improve the classification results on the filtered data, indicating that it is more important to filter out as many mislabelled samples as possible even if this means filtering out correctly labelled images as well. The label smoothing methods used in this work was set up to preserve calibration, a future topic of research could be to adjust the hyperparameters to increase confidence instead, focusing on removing as much noise as possible. / De senaste årens framsteg inom djupa neurala nätverk har öppnat för möjligheten att använda bildklassificering som ett värdefullt verktyg inom olika områden, såsom medicinsk diagnos från röntgenbilder. Men att träna djupa neurala nätverk kräver stora mängder annoterad data som måste märkas antingen av människor eller datorer. Denna process involverar alltid med en risk för att data får fel etikett, antingen av misstag eller av uppsåt och att träna en maskininlärningsmodell på felmärkta bilder har negativ inverkan på resultatet. Studier har visat att djupa neurala nätverk är så kraftfulla att memorera att om de tränar på felmärkta data, kommer de så småningom att överanpassa dessa data, vilket betyder att de kommer att lära sig en representation som inte helt speglar verklig data. Det är därför viktigt att filtrera bort dessa bilder. Area under marginalen är en metod som filtrerar bort felmärkta bilder genom att observera förändringarna i ett nätverks beteende under träning. Denna metod tar dock inte hänsyn till översäkerhet i djupa neurala nätverk och osäkerheten i en modell kan ge indikationer på felmärkta bilder under träning. Kalibrering av förtroendet kan göras genom etikettutjämning och denna uppsats syftar till att undersöka om prestandan för Area under marginalen kan förbättras i kombination med olika tekniker för etikettutjämning. Målet är att utveckla en bättre insikt i hur olika typer av brusiga etiketter påverkar modeller när det gäller tillförlitlighet, noggrannhet och den påverkan det har beroende på själva datasetet. Tre olika tekniker för etikettutjämning kommer att tillämpas för att utvärdera hur väl de kan mildra översäkerheten, förhindra modellen från att memorera de felmärkta bilderna och om detta kan förbättra filtreringsprocessen för Area under marginalen-metoden. Resultaten visar att när man tränar på data innehållande felmärkt data, förbättrar etikettutjämning noggrannheten vilket indikerar på robusthet mot felmärkning. Felmärkning tycks minska säkerheten hos modellen och samtidigt minska kalibreringen. Att lägga till etikettutjämning förhindrar detta och gör att modellen blir mer robust när mängden brusiga etiketter ökar. I filtreringsprocessen sågs att etikettutjämning förhindrar att korrekt märkt data filtreras bort och fick en bättre noggrannhet vid identifiering av bruset. Detta förbättrade dock inte klassificeringsresultaten på den filtrerade datan, vilket indikerar att det är viktigare att filtrera bort så mycket felmärkta prover som möjligt även om detta innebär att filtrera bort korrekt märkta bilder. Metoderna för etikettutjämning som används i detta arbete sattes upp för att bevara kalibreringen, ett framtida forskningsämne kan vara att justera hyperparametrarna för att istället öka förtroendet, med fokus på att ta bort så mycket felmärkta etiketter som möjligt.

Transformers have shown remarkable results in the domains of Natural Language Processing and Computer Vision. This naturally raises the question whether the success could be replicated in other domains. However, due to Transformers being inherently data hungry and sensitive to weight initialization, applying the Transformer to new domains is quite a challenging task. Previously, the data demands have been met using large scale supervised or self-supervised pre-training on a similar task before supervised fine-tuning on a target down stream task. We show that Transformers are applicable for the task of multi-label error classification of trace data, and that masked data modelling based self-supervised learning methods can be used to leverage unlabelled data to increase performance compared to a baseline supervised learning approach. / Transformers har visat upp anmärkningsvärda resultat inom områdena Natural Language Processing och Computer Vision. Detta väcker naturligtvis frågan om dessa framgångar kan upprepas inom andra områden. På grund av att transformatorer i sig är datahungriga och känsliga för initialisering av vikt är det dock en utmaning att tillämpa transformatorn på nya områden. Tidigare har datakraven tillgodosetts med hjälp av storskalig övervakad eller självövervakad förträning på en liknande uppgift före övervakad finjustering på en måluppgift i efterföljande led. Vi visar att transformatorer kan användas för klassificering av spårdata med flera etiketter och att metoder för självövervakad inlärning som bygger på modellering av maskerade data kan användas för att utnyttja omärkta data för att öka prestandan jämfört med en grundläggande övervakad inlärningsmetod.

Lim klassificeras som ett ämne som kan hålla ihop två ytor så att de motstår separation. Dagens lim kan anpassas efter vilken applikation de ska användas till och kan ha ett stort antal olika egenskaper. De fysikaliska och kemiska egenskaperna av limmet är de viktigaste faktorerna för att bilda en bra limbindning. I stort sett alla syntetiska lim består idag av polymerer, varav de flesta är petroleumbaserade. För att skapa ett mer miljövänligt alternativ undersökte denna studie tillämpningen av poly(3-hydroxibutyrat- co-3-hydroxivalerat), PHBV med 36 eller 56 vikt% HV, som huvudkomponent i ett lim. Huvudfokus ligger på hur väl PHBV är lämpligt för användning som lim och hur olika tillsatser kan förbättra dess egenskaperna. Flera olika limblandningar innehållande PHBV, mjukgörare (sebacinsyra, dimetylsebacat, etylbutanoat eller tributylcitrat) och förtjockningsmedel (Abalyn eller Foralyn) skapades och undersöktes. Ett single lap skjuvtest utfördes med kopieringspapper, filterpapper och träpinnar som vidhäftningsmaterialet, medan ett avskalningstest undersökte användningen av kopieringspappersetiketter och plastetiketter på en glasflaska samt frukt.  Båda testen visar att kopieringspapper har de mest lovande egenskaperna som en adherent för användningen av ett PHBV-baserat lim, både för PHBV innehållande 36 vikts% och 56 vikts% HV. Denna slutsats kunde dras då kopieringspapperet påvisade den starkaste bindningen med limmet. Ren PHBV uppvisade lovande häftstyrka och vidhäftning som ett smältlim. Tillsatsen av sebacinsyra tillsammans med Abalyn eller dimetylsebacat med Foralyn ökade limmets häftstyrka ytterligare. Vi fann också att lim som skapats med PHBV med 36 vikt% HV ger bättre hållfasthetsegenskaper. Framtida arbete innefattar mer exakta mätmetoder för att bestämma egenskaperna hos limblandningarna. / An adhesive is classified as a substance that holds two surfaces together and resists separation. Today’s adhesives can be modified according to various application demands, obtaining a large variety of properties. The most important factors of forming a good adhesive bond are the physical and chemical properties. Essentially all synthetic adhesives consist of polymers, most of them being petroleum-based. To obtain a more environmentally friendly option, this study investigated the use of poly(3-hydroxybutyrate-co-3-hydroxyvalerate), PHBV with 36 or 56 wt% HV, as the main component in an adhesive. The main focus was to investigate on how well PHBV is suited for use as an adhesive and how different additives can improve the adhesive properties. Several different adhesive formulations containing PHBV, plasticizers (sebacic acid, dimethyl sebacate, ethyl butyrate, or tributyl citrate) and tackifiers (Abalyn or Foralyn) were created and investigated using various tests, such as single lap shear test, peel test, tackiness determination, optical analysis, and application testing. Single lap shear tests were performed using printing paper, filter paper, and wooden sticks as adherents, while peel tests explored the use of printing paper labels and plastic labels on a glass bottle and on fruit. It was determined that two PHBV adhesives, containing 36 wt% and 56 wt% of HV, performed best using printing paper as adherent. This conclusion could be drawn based on the good interaction between the adherent and the adhesive, thereby creating a strong bond. Pure PHBV with 36 or 56 wt% showed promising strength and tackiness properties as a hot-melt adhesive. The addition of sebacic acid together with Abalyn or dimethyl sebacate with Foralyn further increased the adhesive’s strength. It was also found that adhesive formulations created using a PHBV with a lower amount of HV (around 36 wt% of HV) yields better strength properties when used as an adhesive for paper labels. Future work involves more precise measurement methods to determine the properties of the adhesive formulations.

Följande studie syftar till att undersöka hur en rödvinsflaskas etikett kan designas för att attrahera målgruppen millennials och samtidigt förmedla vinets smak. För att göra detta gjordes en undersökning av målgruppens preferenser genom en kvantitativ inledande studie, följt av en förstudie som undersökte tidigare studier och även designteori. I designprocessen användes den insamlade informationen från den inledande studien och förstudien för att ta designbeslut. Tre etikettalternativ togs fram som sedan validerades med målgruppen i form av en fokusgrupp. Fokusgruppen innefattade delar med kvantitativa enkäter samt smaktest. Resultatet av studien visar att ett av de tre alternativen tenderar att attrahera målgruppen mer och samtidigt förmedla vinets smak mer än de andra. Detta alternativ heter Text över hela och har vit text på en svart bakgrund över hela etiketten. Texten är vinets smaknoter, varumärkesnamn, sort, ursprung samt årtal. All text är lika stor med lika marginaler, dock är vissa ord satt i en högre vikt för att öka läsbarheten. Varumärket är även rött för att det ska bli tydligt vad som är namnet på vinet.