Bakgrund: De senaste åren har intresset för att skapa enkla, validerade, kliniskt orienterade screeningverktyg som mäter biomekaniska parametrar i rörelsemönster växt fram. Bland annat har inriktningen av dessa verktyg varit att förutspå risken att drabbas av skada i det främre korsbandet (ACL) som sitter i knäleden. Det har visat sig att unga kvinnor i idrotter som medför hopp och riktningsförändringar är en högriskgrupp för denna skadetyp och därför har ACL-skadeincidensen ökat sedan allt fler kvinnor engagerar sig i utövning av idrott. Syfte: Att undersöka evidensen för att dessa kliniskt orienterade screeningverktyg förutspår utfallet av främre korsbandsskada hos unga kvinnliga idrottare och se om de kan rekommenderas. Metod: Litteraturstudie med kvalitetsbedömning och grad av evidens i vetenskapliga artiklar enligt validerad checklista och Scottish Intercollegiate Guidelines Network (SIGN). Resultat: Alla evaluerade artiklar fick den högsta evidensgraden som var möjligt för kohortstudier, 2++. Kliniskt orienterade screeningverktyg som mäter biomekaniska parametrar i rörelsemönster fick dock det lägsta rekommendationsvärdet ’D’ då motstridiga resultat visades. Detta innebar att ingen specifik rekommendation gick att göra. Diskussion: Utfallet av en ACL-skada påverkas av många faktorer utöver riskfulla rörelsemönster och därför finns flera viktiga confounders att ta hänsyn till för att hitta de avgörande faktorerna. För att kunna påvisa screeningverktygens förutspående värde och hitta överensstämmande resultat kan det krävas större studier än befintligt gjorda. Slutsats: De biomekaniska screeningverktygen som undersöktes i denna studie visade otillräckliga resultat för att kunna göra ett rekommendationsutlåtande för klinisk användning / Background: Simple tools to predict injuries in high risk sport would be an important development to reduce the amount of injuries and to develop preventative protocols. One such method is biomechanical screening tools where several methods have been developed. One type of injury that has been in focus of predicting is an injury in the anterioer cruciate ligament (ACL) which is located in the kneejoint. Studies have found that young female athletes in sports that involve jumps and cutting maneuvers are at increased risk of suffering this type of injury. Since the number of females engaging in sports is increasing, the incidence of ACL-injurys so do. Aim of the study: To grade the evidence for these clinical oriented screening tools in predicting the outcome of anterior cruciate ligament injury in a population of young female athletes, then state a grade of recommendation. Methods: A literature review of grading quality and evidence in scientific articles according to a validated checklist and Scottish Intercollegiate Guidelines Network (SIGN). Results: All of the evaluated articles scored the highest grade possible for cohort studies, 2++. However, clinical oriented screening tools which measure biomechanical parameters in movement patterns got the lowest possible grade of recommendation, ’D’, since inconsistent results were shown. This meant that no specific recommendation could be done. Discussion: The outcome of an ACL-injury is affected by multiple factors and not only riskful movement patterns. There are many important confounders that could be adjusted for in finding the concluding factors. To be able to demonstrate the predictive value of the screeningtools and find consistent results it could require larger studies than yet available. Conclusion: The reviewed biomechanical screening tools showed insufficient results to state a grade of recommendation for clinical application.

Problem: För att skapa ett starkt employer brand ska arbetsgivaren inneha positiva associationer hos potentiella medarbetare, vilket bidrar till att mindre resurser krävs för att finna den efterfrågade kompetensen. Då en rekommendation handlar om att yttra sig förmånligt blir betydelsen av medarbetares rekommendationer viktig för företagets employer brand. Resultaten av att använda sig av medarbetares rekommendationer i rekryteringsprocessen är känt inom forskningen. Däremot har underliggande faktorer och motiv som ligger till grund för att medarbetare rekommenderar personer i deras sociala nätverk inte adresserats i samma utsträckning. Syfte: Syftet med studien är att undersöka vilka underliggande faktorer och motiv som finns hos anställda vid rekommendationer av personer i deras sociala nätverk. Studien ska analysera hur företag med rekryteringsbehov kan utveckla deras employer brand som i sin tur gynnar rekryteringsprocessen. Studien kan fungera som vägledning i utvecklingen av företags employee referral program, då en allmän förståelse kring rekommendationer saknas. Utifrån resultatet kommer förslag att ges om vad som bör tas hänsyn till vid en utveckling av ett employee referral program. Metod: Den insamlade data är av kvantitativ karaktär och samlades in genom en enkät som skickades ut till anställda på ABB. Resultat: Studien visar att respondenterna i undersökningen motiverades av en prosocial motivation då de rekommenderar någon till att söka anställning hos arbetsgivaren främst för att hjälpa en bekant följt av att hjälpa organisationen. Respondenterna motiverades minst av yttre motivation i form av belöningar samt att rekommendationen ska bistå med ett stärkande av deras position. Hinder och osäkerhet upplevdes till viss del hos respondenterna vid en rekommendation, men i de flesta fall var detta inte en orsak till att inte rekommendera. Det främsta hindret som upplevdes var att respondenterna inte har kunskap om hur de rekommenderar via digitala hjälpmedel och den främsta osäkerheten grundades i att personen som rekommenderas inte ska passa ihop med ABB. De flesta respondenter svarade däremot att inget hinder eller osäkerhet fanns vid en rekommendation. / Problem: In order to create a strong employer brand it requires that the potential employees hold positive associations towards the employer. When this exists, fewer resources are required in order to find the right expertise. A recommendation could be defined as: to speak favourably about something or someone. The importance of employee referrals is vital for the company's employer brand. The results of the use of these types of referral programs in the recruitment process are already known in research. However, the underlying factors and motives for employee referrals and why the employees recommend people in their social networks is not addressed to the same extent in research. Purpose: The purpose of this thesis is to examine the underlying factors and motivations held by employees when they recommend people in their social network. The study will analyze how companies employer brand and employee referral program can be developed. Based on the results, suggestions will be given on what should be reviewed in a development of an employee referral program. Method: The collected data is of quantitative characteristic and was extracted from a survey, which was sent to ABB employees. Results: The study shows that most of the respondents were motivated by a prosocial motivation, as they mainly recommended someone to help an acquaintance, followed by helping the organization. The external motivation was the motivation the respondents were least motivated by, in regards to rewards and that a referral would assist with a strengthening of their position. Barriers and uncertainties among respondents were perceived to some extent when making a referral. For some respondents this was perceived as a factor for not making a referral, however not for most of them. The main barrier experienced was a lack of knowledge about how to make a referral by using digital tools. The main uncertainty was found in the perception that the person who is recommended make a suitable organisation fit. Most respondents experienced that barriers or uncertainties would not prevent them from making a referral.

Recommender systems are widely used in websites and applications to help users find relevant content based on their interests. Graph neural networks achieved state- of-the- art results in the field of recommender systems, working on data represented in the form of a graph. However, most graph- based solutions hold challenges regarding computational complexity or the ability to generalize to new users. Therefore, we propose a novel graph- based recommender system, by modifying Simple Graph Convolution, an approach for efficient graph node classification, and add the capability of generalizing to new users. We build our proposed recommender system for recommending the articles of Peltarion Knowledge Center. By incorporating two data sources, implicit user feedback based on pageview data as well as the content of articles, we propose a hybrid recommender solution. Throughout our experiments, we compare our proposed solution with a matrix factorization approach as well as a popularity- based and a random baseline, analyse the hyperparameters of our model, and examine the capability of our solution to give recommendations to new users who were not part of the training data set. Our model results in slightly lower, but similar Mean Average Precision and Mean Reciprocal Rank scores to the matrix factorization approach, and outperforms the popularity- based and random baselines. The main advantages of our model are computational efficiency and its ability to give relevant recommendations to new users without the need for retraining the model, which are key features for real- world use cases. / Rekommendationssystem används ofta på webbplatser och applikationer för att hjälpa användare att hitta relevant innehåll baserad på deras intressen. Med utvecklingen av grafneurala nätverk nådde toppmoderna resultat inom rekommendationssystem och representerade data i form av en graf. De flesta grafbaserade lösningar har dock svårt med beräkningskomplexitet eller att generalisera till nya användare. Därför föreslår vi ett nytt grafbaserat rekommendatorsystem genom att modifiera Simple Graph Convolution. De här tillvägagångssätt är en effektiv grafnodsklassificering och lägga till möjligheten att generalisera till nya användare. Vi bygger vårt föreslagna rekommendatorsystem för att rekommendera artiklarna från Peltarion Knowledge Center. Genom att integrera två datakällor, implicit användaråterkoppling baserad på sidvisningsdata samt innehållet i artiklar, föreslår vi en hybridrekommendatörslösning. Under våra experiment jämför vi vår föreslagna lösning med en matrisfaktoriseringsmetod samt en popularitetsbaserad och en slumpmässig baslinje, analyserar hyperparametrarna i vår modell och undersöker förmågan hos vår lösning att ge rekommendationer till nya användare som inte deltog av träningsdatamängden. Vår modell resulterar i något mindre men liknande Mean Average Precision och Mean Reciprocal Rank poäng till matrisfaktoriseringsmetoden och överträffar de popularitetsbaserade och slumpmässiga baslinjerna. De viktigaste fördelarna med vår modell är beräkningseffektivitet och dess förmåga att ge relevanta rekommendationer till nya användare utan behov av omskolning av modellen, vilket är nyckelfunktioner för verkliga användningsfall.

Titel: Avsatt för kommuner - En kvantitativ studie om hur kommuner förhåller sig till redovisningsval kopplat till avsättningar Författare: Olof Johansson och Elias Viklund Handledare: Torbjörn Tagesson  Bakgrund: Kommunal redovisning regleras av kommunal redovisningslag och rekommendationer från Rådet för kommunal redovisning. Likt privat sektor upprättas den finansiella redovisningen baserat på bokföringsmässiga grunder vilket skapar ett tolkningsutrymme för uppskattningar och bedömningar. Detta utrymme har visat sig problematiskt i politiska organisationer och kan användas för att påverka eller ändra det finansiella resultatet. Genom att undvika för stora överskott alternativt underskott kan politiker frångå kritik för överbeskattning eller ineffektiv resursanvändning. Det har tidigare observerats att kommuner genom uppskattningar och bedömningar kopplande till avsättningar frångått god redovisningssed för att uppnå politiska egenintressen. Till skillnad från privat sektor saknar kommunal redovisning straffrättslig förankring, vilket ökar incitamentet för resultatstyrning. En oriktig och missvisande bild av kommunernas årsredovisningar försvårar inte bara nationell jämförbarhet, det hindrar också intressenters möjlighet till granskning och ansvarsutkrävande.  Syfte: Studiens syfte är att förklara förekomsten av övriga avsättningar i kommunernas årsredovisning samt i vilken omfattning rapporteringen följer gällande upplysningskrav och vilka faktorer som kan förklara variationen av kommunernas hantering av upplysningskraven.  Metod: Studien tar en deduktiv ansats med ett eklektiskt tillvägagångsätt där både institutionell teori samt positiv redovisningsteori används för att förklara det empiriska fenomenet. Det är en kvantitativ studie med en tvärsnittsdesign som ämnar förklara det observerade fenomenet vid en specifik tidpunkt. Den empiri som används i studien bygger på sekundärdata hämtad från kommunernas årsredovisningar samt Statistiska centralbyrån.  Resultat: Studien fann att faktorerna storlek, skattesats och regionstillhörighet har en förklarande förmåga för upprättandet av avsättningar. Vidare kunde kommunernas efterlevnad av upplysningskrav förklaras av faktorerna storlek, bidragsintäkter, skattebas, justerad soliditet samt regionstillhörighet. Resultatet föreslår att kommuner fortfarande bryter mot god redovisningssed samt att redovisningsval influeras av institutionella faktorer.  Kunskapsbidrag: Studien bidrar till ökad kunskap om vilka faktorer som påverkar förekomsten av avsättningar samt vad som påverkar variationen av efterlevnad av upplysningskrav inom svensk kommunal sektor. / Title: Set aside for municipalities Authors: Olof Johansson and Elias Viklund Supervisor: Torbjörn Tagesson  Background: Swedish municipal accounting is regulated by the Municipal Accounting Act with additional regulation from Rådet för kommunal redovisning (Council for Municipal Accounting). As in the private sector, municipal financial reporting is prepared on accrual-based principles, which require certain estimates and judgments to be made. This discretion has proven problematic in public organizations and can be used to manipulate financial information. By avoiding reporting large surpluses or deficits, politicians can deflect criticism of over-taxation or inefficient use of resources. In the Swedish context, municipalities have shown to deviate from generally accepted accounting principles using discretion related to reported provisions, to gain political benefits. Incentives to engage in earning management are further increased by the fact that there is no connection to the penal code. Misleading financial statements skew national comparability and interfere with stakeholder’s ability to scrutinize and demand accountability.  Purpose: The purpose of this study is to explain the occurrence of provisions in municipalities’ annual reports and to what extent reporting complies with disclosure requirements. The study also tries to identify why there are differences between municipal disclosure compliance.  Method: The study is constructed based on a deductive approach using an eclectic approach with the established theories Institutional theory and Positive accounting theory to explain the empirical phenomenon. It is a quantitative study with a cross-sectional design aiming to explain the observed phenomenon during a specific point in time. Secondary data is collected from the municipality’s website as well as the Swedish Central Statistics Office.  Conclusion: The study concludes that the municipality’s size, tax rate and regional collaboration influence the occurrence of provisions. It also finds that disclosure compliance can be explained by factors relating to size, government grants, tax base, adjusted solidity, and regional collaboration. The result suggests that municipalities are deviating from generally accepted accounting practice and that accounting choice is influenced by institutional factors.  Contribution: The study contributes to increased knowledge about the factors that influence the occurrence of reported provisions, as well as factors that can help explain variations in disclosure compliance within the Swedish municipal sector.

The original intention of the recommender system is to solve the problem of information explosion, hoping to help users find the content they need more efficiently. In an e-commerce platform, users typically interact with items that they are interested in or need in a variety of ways. For example, buying, browsing details, etc. These interactions are recorded as time-series information. How to use this sequential information to predict user behaviors in the future and give an efficient and effective recommendation is a very important problem. For content providers, such as merchants in e-commerce platforms, more accurate recommendation means higher traffic, CTR (click-through rate), and revenue. Therefore, in the industry, the CTR model for recommendation systems is a research hotspot. However, in the fine ranking stage of the recommendation system, the existing models have some limitations. No researcher has attempted to predict multiple behaviors of one user simultaneously by processing sequential information. We define this problem as the multi-task sequential recommendation problem. In response to this problem, we study the CTR model, sequential recommendation, and multi-task learning. Based on these studies, this paper proposes AMBSN (Attention-based Multi-Behavior Sequential Network). Specifically, we added a transformer layer, the activation unit, and the multi-task tower to the traditional Embedding&MLP (multi-layer perceptron) model. The transformer layer enables our model to efficiently extract sequential behavior information, the activation unit can understand user interests, and the multi-task tower structure makes the model give the prediction of different user behaviors at the same time. We choose user behavior data from Taobao for recommendation published on TianChi as the dataset, and AUC as the evaluation criterion. We compare the performance of AMBSN and some other models on the test set after training. The final results of the experiment show that our model outperforms some existing models. / L’intenzione originale del sistema di raccomandazione è risolvere il problema dell’esplosione delle informazioni, sperando di aiutare gli utenti a trovare il contenuto di cui hanno bisogno in modo più efficiente. In una piattaforma di e-commerce, gli utenti in genere interagiscono con gli articoli a cui sono interessati o di cui hanno bisogno in vari modi. Ad esempio, acquisti, dettagli di navigazione, ecc. Queste interazioni vengono registrate come informazioni di serie temporali. Come utilizzare queste informazioni sequenziali per prevedere i comportamenti degli utenti in futuro e fornire una raccomandazione efficiente ed efficace è un problema molto importante. Per i fornitori di contenuti, come i commercianti nelle piattaforme di e-commerce, una raccomandazione più accurata significa traffico, CTR (percentuale di clic) ed entrate più elevati. Pertanto, nel settore, il modello CTR per i sistemi di raccomandazione è un hotspot di ricerca. Tuttavia, nella fase di classificazione fine del sistema di raccomandazione, i modelli esistenti presentano alcune limitazioni. Nessun ricercatore ha tentato di prevedere più comportamenti di un utente contemporaneamente elaborando informazioni sequenziali. Definiamo questo problema come il problema di raccomandazione sequenziale multi-task. In risposta a questo problema, studiamo il modello CTR, la raccomandazione sequenziale e l’apprendimento multi-task. Sulla base di questi studi, questo documento propone AMBSN (Attention-based Multi-Behavior Sequential Network). In particolare, abbiamo aggiunto uno strato trasformatore, l’unità di attivazione e la torre multi-task al tradizionale modello Embedding&MLP (multi-layer perceptron). Il livello del trasformatore consente al nostro modello di estrarre in modo efficiente le informazioni sul comportamento sequenziale, l’unità di attivazione può comprendere gli interessi degli utenti e la struttura della torre multi-task fa sì che il modello fornisca la previsione di diversi comportamenti degli utenti contemporaneamente. Scegliamo i dati sul comportamento degli utenti da Taobao per la raccomandazione pubblicata su TianChi come set di dati e l’AUC come criterio di valutazione. Confrontiamo le prestazioni di AMBSN e di alcuni altri modelli sul set di test dopo l’allenamento. I risultati finali dell’esperimento mostrano che il nostro modello supera alcuni modelli esistenti.