Previous research indicates that recommendations generally have a positive impact on consumer consumption, however, studies have primarily focused on industries such as film, dining and wine. This study examines the effects of various types of recommendations on consumer behavior within the food industry, where purchases tend to be routine and characterized by automated decision-making processes. The findings suggest that recommendations within the food sector have a positive impact on sales, regarding all selected products and different types of recommendations. The study confirms that expert recommendations, in this case from a chef, as well as sustainability-focused recommendations, influence consumer behavior. Consumers are more inclined to purchase a product with a recommendation compared to one without such an endorsement. This can be explained by consumers' trust in expert opinions and their appreciation of environmentally friendly attributes in consumption choices. This study also investigates the effects of green marketing, based on sustainability, on consumer behavior. The study confirms several hypotheses regarding the influence of recommendations on consumers, the effectiveness of different recommendations, and that recommendations for sustainable choices have a greater effect than expert recommendations. In summary, this study indicates that recommendations within the food industry influence consumer behavior, and both expert recommendations and sustainable recommendations are effective in increasing sales. This may have practical implications for the food industry and how they can market their products. To further increase the understanding of how recommendations affect consumers' decision-making processes and behavior, future research could be conducted on different recommendations. Their respective impacts, as well as factors that alter consumers' purchasing behavior, can be explored. / Tidigare forskning visar att rekommendationer generellt påverkar konsumenters konsumtion positivt, dessa studier har främst fokuserat på branscher och industrier såsom film, restaurang och vin. Denna studie undersöker effekterna av olika typer av rekommendationer på konsumentbeteende inom livsmedelsbranschen, där inköp tenderar att vara rutinartade och präglas av automatiserade beslutsprocesser. Resultaten indikerar att rekommendationer inom livsmedelssektorn har en positiv inverkan på försäljningen, gällande samtliga utvalda produkter och olika typer av rekommendationer. Studien bekräftar att expertrekommendationer, i detta fall från en kock, samt rekommendationer med fokus på hållbarhet, påverkar konsumentbeteendet. Konsumenter är mer benägna att köpa en produkt med en rekommendation jämfört med en som inte har en sådan. Detta kan förklaras av konsumenternas förtroende för expertutlåtanden och deras uppskattning av miljövänliga attribut i konsumtionsval. Denna studie undersöker även effekterna av grön marknadsföring, baserad på hållbarhet, på konsumentbeteendet. Studien bekräftar flera hypoteser angående rekommendationers inverkan på konsumenter, effektiviteten av olika rekommendationer samt att rekommendationer för hållbara val har större effekt än expertrekommendationer. Sammanfattningsvis indikerar denna studie att rekommendationer inom livsmedelsbranschen påverkar konsumentbeteendet och att både expertrekommendationer och hållbara rekommendationer är effektiva för att öka försäljningen. Detta kan ha praktiska implikationer för livsmedelsbranschen och hur de kan marknadsföra sina produkter. För att ytterligare öka förståelsen för hur rekommendationer påverkar konsumenternas beslutsprocesser och beteende, kan framtida forskning utföras på olika rekommendationer. Där deras respektive påverkan samt faktorer som ändrar konsumenternas köpbeteende undersöks.

In today’s overloaded media landscape, television viewers are constantly confronted with the problem of what media content to select. This media overload speaks directly to the theory of bounded rationality when viewers work to understand all available choices. This thesis presents and evaluates an Internet of Things driven media recommendation concept (IoT TV) which could ease decision making for viewers by providing more personalized media content recommendations. This study evaluates the concept using three focus groups to understand what aspects of IoT TV are important for viewers. IoT TV concept addresses factors such as timing and emotions which influence a media choice extensively. The conducted thematic analysis identifies the four themes: time saving and passing, monitoring people and devices, media choice, and privacy. These themes are treated as the results of this study because the themes describe the important aspects which have to be considered before launching IoT TV. IoT TV will make media content selection easier by saving time and matching content according to emotions. Consequently, IoT TV connection with smart devices which share data about viewers’ time and emotions would solve the problem of media overload. / I dagens överbelastade medielandskap stöter tv-tittare ständigt på frågan om vilket medieinnehåll de ska välja. Denna medieöverbelastning väcker teorier om begränsad rationalitet när tittarna kämpar för att förstå alla tillgängliga valmöjligheter. Denna uppsats presenterar ett rekommendationskoncept för medier drivna av sakernas internet (IoT-tv), som skulle kunna underlätta tittarnas beslutsfattande genom att ge mer personaliserade medieinnehållsrekommendationer. Studien utvärderar konceptet genom tre fokusgrupper för att förstå vilka aspekter av IoT-tv som är viktiga för tittare. Konceptet IoT-tv tar i beaktande sådana faktorer som tajmning och känslor som kan påverka medievalet betydligt. Den utförda tematiska analysen pekar ut följande fyra teman: tidsbesparing och -passning, människo- och enhetsövervakning, medieval samt integritet. Dessa teman behandlas som studiens resultat eftersom de beskriver viktiga aspekter som bör beaktas innan IoT-tv lanseras. IoT-tv kommer att underlätta val av medieinnehåll genom att spara tid och synkronisera innehållet med aktuella känslor hos tittaren. Således skulle smarta tv-enheter med IoT-anslutning som delar data om tittarens tid och känslor, lösa problemet med medieöverbelastning.

No description available.

The field of personalized product recommendation systems has seen tremendous growth in recent years. The usefulness of the algorithms’ abilities to filter out data from vast sets has been shown to be crucial in today’s information-heavy online experience. Our goal is therefore to compare two recommender models, one based on Random Indexing, the other on Collaborative Filtering, in order to find out if one is better suited to the task than the other. We bring up relevant previous research to set the context for our study, its limitations and possibilities. We then explain the theories, models and algorithms underlying our two recommender systems and finally we evaluate them, partly through empirical data collection from our employer Kavall’s platform, and partly through analysing data from interviews. We judge that our study is scientifically relevant as it compares an algorithm that is rarely used in this context, Random Indexing, to a more established recommendation algorithm, Collaborative Filtering, and as such the result of this comparison might give useful insights into the further development of new or existing algorithms. While more testing is required, the study did show signs that Random Indexing does have the potential of outperforming Collaborative Filtering in some areas, and further development of the model might be a worthwhile endeavor. / Området för personliga produktrekommendationer har sett en enorm tillväxt under de senaste Åren. Användbarheten av algoritmernas förmåga att filtrera ut data ur stora uppsättningar har visat sig vara avgörande i dagens informationstunga onlineupplevelse. Vårt mål Är därför att jämföra två rekommendatormodeller, en baserad på Random Indexing, den andra på Collaborative Filtering, för att ta reda på om den ena Är bättre lämpad för uppgiften Än den andra. Vi tar upp relevant tidigare forskning för att sätta sammanhanget för vår studie, dess begränsningar och möjligheter. Vi förklarar sedan de teorier, modeller och algoritmer som ligger till grund för våra två rekommendationssystem och slutligen utvärderar vi dem, dels genom empirisk datainsamling från vår arbetsgivare Kavalls plattform, dels genom att analysera data från intervjuer. Vi bedömer att vår studie Är vetenskapligt relevant då den jämför en algoritm som sällan används i detta sammanhang, Random Indexing, med en mer etablerad rekommendationsalgoritm, Collaborative Filtering, och som sådan kan resultatet av denna jämförelse ge användbara insikter i den fortsatta utvecklingen av nya eller befintliga algoritmer. även om fler tester krävs, visade studien tecken på att Random Indexing har potentialen att överträffa Collaborative Filtering på vissa områden, och vidareutveckling av modellen kan vara ett givande åtagande.

Clinical practice, public health, and policy guidelines should be developed based on a systematic approach that uses the best available evidence. The advent of the Grading of Recommendations Assessment, Development and Evaluation (GRADE) framework has facilitated this, resulting in a transparent approach to guideline development. GRADE suggests that guideline developers seldom make strong recommendations based on low or very low confidence in effect estimates (strong l/vl). The World Health Organization (WHO) produces recommendations that guide public health policy and, in 2003, WHO adopted the GRADE approach to guideline development. Initial anecdotal evidence suggested that WHO issues a large number of strong recommendations and particularly strong l/vl. Our research team evaluated the nature of WHO recommendations and conducted a qualitative study using interviews of guideline panel members. Key findings included: i) WHO makes a large proportion of recommendations as strong l/vl ii) many strong l/vl are inconsistent with GRADE guidance iii) reasons guideline panel members offered for strong l/vl included skepticism about the value of making conditional recommendations; political considerations; a high confidence in benefits despite formal ratings of low confidence; and long-standing practices, funding, and policy; iv) methodologist interviewees indicated panelists’ lack of commitment to conditional recommendations; a perceived tension between methodologists and panelists due to resistance to adhering to GRADE guidance; both financial and non-financial conflicts of interest among panel members as explanations of strong l/vl; and the need for greater clarity of, and support for, the role of methodologists as co-chairs of panels. The understanding of when and why strong l/vl are formulated at WHO is an important methodological issue that has implications not just for WHO, but for a wide range of guideline developers elsewhere. Our findings offer insights that may guide interventions to enhance trustworthiness of practice guidelines. / Thesis / Doctor of Philosophy (PhD)

В работе исследованы теоретико-методологические и правовые основы социального обслуживания граждан пожилого возраста, выполнен анализ форм социального обслуживания граждан пожилого возраста на примере ГАУ «КЦСОН Нижнесергинского района». Результаты анализа послужили основой для разработки рекомендаций по совершенствованию социальной работы с гражданами пожилого возраста. / The paper examines the theoretical, methodological and legal foundations of social services for elderly citizens, analyzes the forms of social services for elderly citizens on the example of the state INSTITUTION "kcson of the Nizhneserginsky district". The results of the analysis served as the basis for developing recommendations for improving social work with older citizens.

Background: Health technology assessment (HTA) is a form of policy analysis to inform recommendations for decision-makers. An equity-focused HTA recommendation consists of one that explicitly addresses the impact of health technologies on individuals disadvantaged in society because of their social conditions. However, there is a need for more evidence on the relationships between patient engagement and the development of equity-focused HTA recommendations. Objectives: The objectives of this dissertation were to examine the association between patient engagement and equity-focused HTA recommendations and identify implementation considerations for patient engagement in HTA. Methods: I used explanatory sequential mixed methods to analyze 60 HTA reports and 11 interviews with patients and analysts from Canadian organizations: the Canadian Agency for Drugs and Technologies in Health (CADTH) and Health Quality Ontario (HQO). Results: Quantitative analysis of the HTA reports showed that patient engagement significantly predicts equity-focused HTA recommendations (OR: 0.26; 95% CI: [0.16 – 0.41]). HTA reviews where HTA analysts directly interviewed patients (OR: 3.85; 95% CI: [2.40 – 6.20]) and where an advisory committee used consensus were more likely to contain equity-focused recommendations (OR: 2.27; 95% CI: [1.35 – 3.84]). Qualitative analysis of the interviews identified strategies for engaging diverse patients in HTA. Conclusion: The findings of this dissertation can inform the designing of patient engagement in HTA.

As much as the diverse and rich offer on e-commerce websites helps the users find what they need at one market place, the online catalogs are sometimes too overwhelming. Recommender systems play an important role in e-commerce websites as they improve the customer journey by helping the users find what they want at the right moment. These recommendations can be based on users’ characteristics, demographics, purchase or session history.In this thesis we focus on identifying complementary relationship between products in the case of the largest e-commerce company in the Netherlands. Complementary products are products that go well together, products that might be a necessity to the chosen product or simply a nice addition to it. At the company, there is big potential as complementary products increase the average purchase value and they exist for less than 20% of the whole catalog.We propose a content-based recommender system for detecting complemen- tary products, using a supervised deep learning approach that relies on Siamese Neural Network (SNN).The purpose of this thesis is three-fold; Firstly, the main goal is to create a SNN model that will be able to predict complementary products for any given product based on the content. For this purpose, we implement and compare two different models: Siamese Convolutional Neu- ral Network and Siamese Long Short-Term Memory (LSTM) Recurrent Neural Network. We feed these neural networks with pairs of products taken from the company, which are either complementary or non-complementary. Secondly, the basic assumption of our approach is that most of the important features for a product are included in its title, but we conduct experiments including the product description and brand as well. Lastly, we propose an extension of the SNN approach to handle millions of products in a matter of seconds.∼As a result from the experiments, we conclude that Siamese LSTM can predict complementary products with highest accuracy of 85%. Our assumption that the title is the most valuable attribute was confirmed. In addition, trans- forming our solution to a K-nearest-neighbour problem in order to optimize it for millions of products gave promising results. / Så mycket som det mångfaldiga och rika utbudet på e-handelswebbplatser hjälper användarna att hitta det de behöver på en marknadsplats, är online- katalogerna ibland för överväldigande. Rekommendationssystem en viktig roll på e-handelswebbplatser eftersom de förbättrar kundupplevelsen genom att hjälpa användarna att hitta vad de vill ha i rätt ögonblick. Dessa rekommen- dationer kan baseras på användarens egenskaper, demografi, inköps- eller ses- sionshistorik.I denna avhandling fokuserar vi på att identifiera komplementära förhållanden mellan produkter för det största e-handelsföretaget i Nederländerna. Komplet- terande produkter är produkter passar väl ihop, produkter som kan vara en nödvändighet för den valda produkten eller helt enkelt ett trevligt tillskott till den. På företaget finns det stor potential eftersom kompletterande produkter ökar det genomsnittliga inköpsvärdet och de tillhandahålls för mindre än 20% av hela katalogen.Vi föreslår ett innehållsbaserat rekommendationssystem för att upptäcka kom- pletterande produkter, med en övervakad strategi för inlärning som bygger på Siamese Neural Network (SNN). Syftet med denna avhandling är i tre steg; För det första är huvudmålet att skapa en SNN-modell som kan förutsäga komplet- terande produkter för en given produkt baserat på innehållet. För detta ändamål implementerar och jämför vi två olika modeller: Siamese Convolutional Neu- ral Network och Siamese Long Short-Term Memory (LSTM) Recurrent Neural Network. Vi matar in data i dessa neurala nätverk med par produkter hämta- de från företaget, som antingen är komplementära eller icke-komplementära. Det andra grundläggande antagandet av vår metod att de flesta av de viktiga funktionerna för en produkt ingår i dess titel, men vi genomför också expe- riment inklusive produktbeskrivningen och varumärket. Slutligen föreslår vi en utvidgning av SNN-metoden för att hantera miljoner produkter på några sekunder.∼Som ett resultat av eperimenten drar vi slutsatsen att Siamese LSTM kan för- utsäga komplementära produkter med högsta noggrannhet på 85%. Vårt antagande att titeln är det mest värdefulla attributet bekräftades. Därtill är om- vandling av vår lösning till ett K-närmaste grannproblem för att optimera den för miljontals produkter gav lovande resultat.

Fashion webshops face high return rates, which is both an unsustainable and very costly practice. A significant part of returns is made because of size and fit-related issues. We introduce four models for providing product size recommendations based on cross-merchant sales and return data. This data is typically highly sparse and noisy, making the development of a size recommendation system challenging. Moreover, we do not have access to fit feedback or the reason why a consumer made a return. We assess model performance on both a proprietary data set consisting of shoe purchases and a publicly available data set containing rentals of various categories of women's apparel. Our baseline model predicts the probability of fit for a specific consumer-article combination based on the average catalog size of all articles purchased and kept by that particular consumer. This model outperforms two more advanced models deriving true size variables for consumers and articles on both data sets. The fourth model we develop is a Bayesian size recommendation model, which is fitted with mean-field variational inference. It performs comparably to baseline on unseen data. However, it has the added benefit of being able to filter out low-confidence recommendations, such that higher performance can be achieved at the cost of a lower coverage level. All models show signs of overfitting to training data, and hence we recommend future research to focus on developing a variant of the Bayesian model with fewer degrees of freedom. Results suggest that such a model could be able to provide even better product size recommendations. / E-handlare inom modesegmentet lider av höga nivåer av returer, vilket är både ohållbart och mycket kostsamt. En signifikant del av returer görs på grund av problem relaterat till storlek och passform. Vi presenterar fyra modeller för att ge storleksrekommendationer baserat på försäljningar och returer från flera företag. Sådan data är typiskt mycket gles och brusig, vilket gör utvecklandet av system för storleksrekommendationer utmanande. Utöver detta så har vi inte tillgång till någon återkoppling från kunderna om storleken och passformen, eller anledningen till att produkten returnerats. Vi utvärderar modellernas kvalitet på både ett proprietärt dataset med skoköp, samt ett publikt dataset med hyrkläder av olika sorter. Vår grundläggande model förutsäger sannolikheten för att en artikel passar en viss kund baserat på medelvärdet av storleken för kundens tidigare köp. Denna modell presterar bättre än två av de mer avancerade modellerna som estimerar denna sanna storleken för kunder och artiklar. Den fjärde modellen vi utvecklar är en Bayesiansk modell som tränas med en uppskattningsmetod. Denna modell presterar likvärdigt med den enklaste modellen, men har den extra fördelen att bättre rekommendationer kan fås genom att filtrera baserat på säkerhetsmått. Samtliga modeller har svårt att generalisera på ett önskvärt sätt, och därmed rekommenderar vi framtida forskning som fokuserar på att utveckla den Bayesianska metoden med ett mindre antal frihetsgrader. Resultaten pekar på att en sådan modell skulle kunna bidra med ännu bättre rekommendationer.

With the rapid growth of mobile commerce (m-commerce), understanding consumer behaviour in online shopping contexts has become increasingly vital for marketers and retailers. This study examines the influence of product recommendations on consumers' impulse buying behaviour and post-purchase emotions within m-commerce. Employing a quantitative survey method, the study investigates the experiences and perceptions of Swedish online shoppers.  The findings reveal significant insights into how product recommendations impact impulse buying behaviour. Specifically, product recommendations are primarily driven by hedonic motives. However, the relationship between impulse buying and post-purchase emotions is complex, with varied emotional responses observed. While some consumers experience heightened satisfaction, others grapple with feelings of dissatisfaction or regret. The interplay between hedonic and utilitarian motivations, alongside cognitive processes like cognitive dissonance, further complicates the picture. Contrary to expectations, neither hedonic nor utilitarian motives significantly correlate with post-purchase emotions, highlighting the influence of economic considerations and cognitive processes. The study underscores the multifaceted nature of consumer emotions and behaviours in online shopping contexts, emphasising the importance of considering internal and external factors. This study contributes theoretical and practical insights into consumer behaviour in online shopping while paving the way for future research endeavours in understanding the complexities of impulse buying and post-purchase emotions in m-commerce.