Syftet med detta examensarbete är att se hur våra respektive praktikskolor jobbar med skolans värdegrund och vad detta får för uttryck för eleverna i de två tredjeklasserna vi har valt att undersöka. Den ena skolan jobbar utifrån modellen EQ och den andra skolan har SET som modell. Skolans värdegrund är ett diffust begrepp och vi kommer även att belysa detta i vårt arbete.I vår undersökning har vi intervjuat två stycken årskurs 3 klasser. Vi har valt att endast belysa skillnader och likheter mellan de två klasserna och har därför inte lagt fokus på att beskriva skolornas upptagningsområde. Vi har också valt att göra intervjuer med sex elever i varje klass för att komplettera undersökningen där vi valt att ställa frågor med förskrivna svarsalternativ.Den slutsats vi kommit fram till är att oavsett vilken modell skolan väljer är det viktigt att det finns en röd tråd så att värdegrundsarbetet blir förankrat hos eleverna och deras vardag. Det är viktigt att eleverna har en förståelse för syfte och mål i modell för att den ska fungera. Modellerna är till för att hjälpa läraren att skapa rätt förutsättningar för eleverna så att de socialiseras till att bli fungerande medlemmar i samhället. Den stora skillnaden mellan de två klasserna är att i den ena klassen är värdegrundsarbetet inskrivet på schemat som Livskunskap. Det är tydligt att eleverna är medvetna om syftet och målet med ämnet och de använder det i sin vardag. I den andra klassen är det inte schemalagt och eleverna har svårt att se hur värdegrundsarbetet kan appliceras i deras vardag.

Idag finns social och emotionell träning (SET) som ett särskilt ämne på en del skolor med egna tilldelade timmar på schemat. Det vi ställt oss frågande till är vad det är som gör att vi har tagit in social och emotionell träning som ett eget ämne på schemat i grundskolans tidigare år och vi frågar oss även om det behövs särskilda lektioner för detta? Genom att intervjua tre lärare och tio elever samt att göra observationer under dessa lektioner har vi försökt finna svaren på våra frågor. / SET,social, emotional,

Consumers form consideration sets by screening from all available alternatives. Consumers typically utilize one of two types of screening strategies: an exclusion screening strategy wherein alternatives not worthy of further consideration are rejected or an inclusion strategy wherein worthy alternatives are selected for further evaluation. Extant literature has documented the important role played by screening strategies in decision making. However, there is very limited understanding of when and why consumers may employ one screening strategy over the other as well the impact of the screening strategy for decision accuracy. This dissertation attempts to study the antecedent and consequence of screening strategies. Essay 1 in this dissertation, investigates the role of consumers' perceived uncertainty on the choice of screening strategy. Four studies in this essay show that when consumers are highly uncertain they are more likely to choose exclusion screening strategy; whereas when they are less uncertain they are more likely to use inclusion screening. Mediation analyses in Studies 1 and 2 show that the choice of screening strategy is primarily driven by perceived accuracy of the strategy. Study 3 demonstrates that the effect of uncertainty on the choice of screening strategy is moderated by consideration set size. When uncertain consumers form smaller sets they are more likely to use exclusion screening, but this relationship flips when they form larger consideration sets. Finally, external validity for the relationship between uncertainty and choice of screening strategy is demonstrated in Study 4 using the popular TV game show Who Wants to be a Millionaire? Essay two in this dissertation, investigates the role of perceived uncertainty and consideration set size on the relationship between screening strategy and objective accuracy of the decision. Utilizing an experimental study with an actual choice task, I demonstrate that perceived uncertainty moderates the screening strategy-decision accuracy relationship. Further, this interactive relationship is contingent on consideration set sizes. Whereas consumers with high perceived uncertainty make higher quality decisions with inclusion while forming smaller consideration sets, their decision quality is higher with exclusion when forming larger sets. Likewise, while consumers with low perceived uncertainty make more accurate decisions with exclusion when forming smaller sets, the accuracy of their decisions increases with inclusion when forming larger sets. This dissertation contributes to literature on screening strategies by explicating perceived uncertainty as a critical factor that leads to consumers preferring one screening strategy versus the other. Furthermore, it adds to our understanding of an important consequence of using screening strategies--decision accuracy.

Reliability is a key aspect of power system design and planning. In this research we present a reliability analysis algorithm for large scale, radially operated (with respect to substation), reconfigurable, electrical distribution systems. The algorithm takes into account equipment power handling constraints and converges in a matter of seconds on systems containing thousands of components. Linked lists of segments are employed in obtaining the rapid convergence. A power flow calculation is used to check the power handling constraints. The application of distributed generators for electrical distribution systems is a new technology. The placement of distributed generation and its effects on reliability is investigated. Previous reliability calculations have been performed for static load models and inherently make the assumption that system reliability is independent of load. The study presented here evaluates improvement in reliability over a time varying load curve. Reliability indices for load points and the overall system have been developed. A new reliability index is proposed. The new index makes it easier to locate areas where reliability needs to be improved. The usefulness of this new index is demonstrated with numerical examples. / Master of Science

<p> In this thesis we introduce the concept of a dense extension of a partially ordered set and study some of the properties of the resulting class of extensions. In particular we study the dense distributive extensions, dense Boolean extensions and dense meet continuous extensions of distributive, Boolean and meet continuous lattices respectively.</p> / Thesis / Doctor of Philosophy (PhD)

Data classification is a novel data analysis technique that involves extracting valuable information with potential utility from databases. It has found extensive applications in various domains, including finance, insurance, government, education, transportation, and defense. There are several methods available for data classification, with decision tree algorithms being one of the most widely used. These algorithms are based on instance-based inductive learning and offer advantages such as rule extraction, low computational complexity, and the ability to highlight important decision attributes, leading to high classification accuracy. According to statistics, decision tree algorithms[1] are among the most widely utilized data mining algorithms. To address these challenges, a decision tree algorithm is employed to solve classification problems. However, the existing decision tree algorithm exhibits limitations such as low calculation efficiency and multi-valued[2] bias. Therefore, a data classification system based on an optimized decision tree algorithm written in Python and a data storage system based on PostgreSQL were developed. The proposed algorithm surpasses traditional classification algorithms in terms of dimensionality reduction, attribute selection, and scalability. Ultimately, a combined optimization decision tree classifier system is introduced, which exhibits superior performance compared to the widely used ID3[3] algorithm. The improved decision tree algorithm has both theoretical and practical significance for data mining applications. / Dataklassificering är en ny dataanalysteknik som innebär att man extraherar värdefull information med potentiell nytta från databaser. Den har hittat omfattande tillämpningar inom olika domäner, inklusive finans, försäkring, regering, utbildning, transport och försvar. Det finns flera metoder tillgängliga för dataklassificering, där beslutsträdsalgoritmer är en av de mest använda. Dessa algoritmer är baserade på instansbaserad induktiv inlärning och erbjuder fördelar som regelextraktion, låg beräkningskomplexitet och förmågan att lyfta fram viktiga beslutsattribut, vilket leder till hög klassificeringsnoggrannhet. Enligt statistik är beslutsträdsalgoritmer bland de mest använda datautvinningsalgoritmerna. För att hantera dessa utmaningar används en beslutsträdsalgoritm för att lösa klassificeringsproblem. Den befintliga beslutsträds-algoritmen uppvisar dock begränsningar såsom låg beräkningseffektivitet och flervärdig bias. Därför utvecklades ett dataklassificeringssystem baserat på en optimerad beslutsträdsalgoritm skriven i Python och ett datalagringssystem baserat på PostgreSQL. Den föreslagna algoritmen överträffar traditionella klassificeringsalgoritmer när det gäller dimensionsreduktion, attributval och skalbarhet. I slutändan introduceras ett kombinerat optimeringsbeslutsträd-klassificeringssystem, som uppvisar överlägsen prestanda jämfört med den allmänt använda ID3-algoritmen. Den förbättrade beslutsträdsalgoritmen har både teoretisk och praktisk betydelse för datautvinningstillämpningar.

No description available.

No description available.

No description available.

No description available.