<p>Piratkopiering är väldigt vanligt nu för tiden, eftersom det är lätt att göra exakta kopior. Syftet med denna uppsats är att undersöka om det förekommer användande av piratkopierade program bland studenter på Karlstad universitet. Om det gör det, vad är anledningarna och hur ser de själva på sitt användande?</p><p>I uppsatsen studeras enbart programvara och inte annat upphovsrättsligt skyddat material, som film eller musik. Studien är en icke-slumpmässig statistisk undersökning. Resultat och slutsatser bygger på en kvantitativ undersökning, som genomförs på Karlstads universitet. Resultaten visar att det förekommer användande av piratkopierade program på Karlstads universitet. Den största anledningen till att använda piratkopierade program är rent ekonomisk. Det visar sig också att studenterna inte har några moraliska invändningar mot att använda piratkopierade program, dock är det endast ett fåtal, som kan tänka sig att piratkopiera program för att sälja och tjäna pengar.</p>

The aim of this study has been to investigate actors’ methods for acquiring information that is necessary for their profession, with a focus on the more random methods they might possibly use. The study is based on the following questions: What information needs do actors have in relation to their profession? Which methods do actors use to procure information? Which information systems do actors use? What role does the library play in the actors’ acquisition of information? Through an interview study with 10 informants a picture is formed of the actors’ information behavior. With the help of theoretical ideas regarding random methods of acquisition, we describe which information needs actors have and how they acquire that information. They primarily use a constant gathering of information or, as they choose to call it, inspiration. It turns out that what they consider to be of greatest importance considering inspiration is to have access to their own innermost, their inner voice and their own experience. Therefore they gather sources of inspiration sometimes at apparently illogical places, through social contacts, studies of human behavior, other theater productions, libraries, a ride in the public transportation system, or a visit to a café. The informants are positive towards their experience with libraries as institutions. They reveal that they often utilize library resources in their information and inspiration gathering. Even though not all informants are active library users, they have all at least once been that. / Uppsatsnivå: D

Piratkopiering är väldigt vanligt nu för tiden, eftersom det är lätt att göra exakta kopior. Syftet med denna uppsats är att undersöka om det förekommer användande av piratkopierade program bland studenter på Karlstad universitet. Om det gör det, vad är anledningarna och hur ser de själva på sitt användande? I uppsatsen studeras enbart programvara och inte annat upphovsrättsligt skyddat material, som film eller musik. Studien är en icke-slumpmässig statistisk undersökning. Resultat och slutsatser bygger på en kvantitativ undersökning, som genomförs på Karlstads universitet. Resultaten visar att det förekommer användande av piratkopierade program på Karlstads universitet. Den största anledningen till att använda piratkopierade program är rent ekonomisk. Det visar sig också att studenterna inte har några moraliska invändningar mot att använda piratkopierade program, dock är det endast ett fåtal, som kan tänka sig att piratkopiera program för att sälja och tjäna pengar.

The purpose of this thesis is to show students’ information behaviour in everyday life and towards the Student Union of Borås. Methods of active information seeking and more random information encountering as well as information ignorance are of interest. The study focused on three issues; the first was to examine what information behaviour the students presented while acquiring information in their everyday life. The second was to find out what information behaviour the students had to acquire information from the Student Union of Borås. The third was what barriers prevented information from the Student Union of Borås from reaching the students and how the students would prefer to get information. The theoretical framework was a combination of Tom Wilson’s theories of Information Behaviour, Carol C. Kuhlthau’s model of the Information Search Process, Sanda Erdelez’s concept Information Encountering, Donald O. Case’s study of the concept information avoidance, ignorance and filtering and Michael Buckland’s list of information barriers. With a combination of methods, a questionnaire and qualitative interviews with 8 respondents the study was carried through. The analysis of the empirical material was conducted by comparing the respondents’ statements with the combined theoretical framework. The result of the study shows that the students combined methods of active information seeking, random information encountering and information ignorance in their everyday life as well as towards the Student Union of Borås. The study also shows that the most important part in removing information barriers between the Student Union and the students were to make the Student Union an interesting source of information, and that the students wanted the information in the easiest way possible, on their terms. A well functioning and updated webpage was one of the top priorities identified in this study.

Det är idag vanligt inom verksamheter som skola och omsorg att använda rankningar för att utvärdera kvalitet och skapa beslutsunderlag, något som är behäftat med stor osäkerhet. Trots det redovisas ofta dessa utan speciellt tagen hänsyn till den närvarande slumpvariationen. Mot bakgrund av det har vi varit speciellt intresserade av sådana data och har för uppsatsen haft tillgång till skoldata samt tre olika sjukvårdsdata. För att identifiera om och när en rankning kan vara meningsfull har vi för samtliga data jämfört länsnivå med lägre nivåer. Uppsatsen behandlar den slumpmässiga variation som framträder i samband med upprättandet av rankningslistor. Då små enheter är mer mottagliga för naturlig variation, förväntas denna har särskild betydelse för placeringen och inte sällan återfinns dessa i toppen eller botten av tabellen. Två i grund olika metoder som båda är konstruerade för att hantera osäkerheten i rankningar testas empiriskt i uppsatsen. Uppsatsen finner att det i samtliga fall är förenat med stora svårigheter att skapa meningsfulla och entydiga rankningar. Dels till följd av slumpmässig variation men även för att de skillnader som observeras mellan enheter är alltför små för att kunna göra åtskillnader i kvalitet. Speciellt krävs mycket stora stickprov för att göra en rankning mindre osäker.

Hur låter miljöförstöring – Självgenererande och slumpmässig sprungen ur statistiska data är ett mastersarbete som fokuserar på hur man kan omvandla data till att kontrollera musik och ljud. Om vi tillåter konstnärliga uttryck, med data som utgångspunkt, kan det få oss att uppleva och förstår original data på ett nytt sätt? Projektets resultat består av sju generativa kompositioner, där parametrar är kontrollerade av olika typer av miljödata, och försöker utforska forskningsområdet sonifikation och generativ musik genom att ställa frågan: Hur låter miljöförstöring? Med generativ musik menas att musiken skapar, utvecklar och förändrar sig själv utifrån de verktyg som bildats inom detta projekt. Texten går också djupare in på metoden av att utveckla dessa verktyg för att möjliggöra liknande kompositioner i framtiden. Med erfarenheter av att använda slumpmässiga parametrar för att manipulera bakgrundsdetaljer, utforskar det här projekt istället möjligheten att utveckla de metoderna och applicera det på hela kompositioner. De sju kompositionerna ligger också till grund för utforskandet av området sonifikation. I tidigare forskning har ämnet främst bemöts ifrån ett vetenskapligt perspektiv. Syftet med det här projektet har istället varit att bemöta det inom ramarna för musikalisk gestaltning och ett konstnärligt perspektiv. Begreppet sonifikation betyder, användandet av icke-talande ljud som uppmärksammar data och statistik, med målet att agera som ett substitut, eller ett komplement, till att visualisera data. Utifrån dessa kompositioner reflekterar sedan texten kring generativ musik i allmänhet, och sonifikation i synnerhet, där bland annat möjligheterna, framtida forskning och autenticiteten inom sonifikation tas upp. / What does environmental pollution sound like? – Self generative and randomized music interprets data is a master thesis focused on transforming data and letting it control music and sounds. If we create artistic outputs out of data, will it allow us to experience and understand the original data in a new way? The core, and the result, of this project where seven compositions, created and controlled by different environmental data which tries to explore the research areas of sonification and generative music by asking the question: What does environmental pollution sound like? Generative music means that the music creates, develops and changes itself based on the established tools that this project provides. This thesis also focuses on the method of developing these tools in order to enable similar productions in the future. With previous experiences in using randomized events, to manipulate details in a production, this project delves deeper into applying the same technique to a whole composition. The seven compositions were formed in order to understand and reflect upon the research areas of sonification. Earlier research tends to approach the subject from a scientific perspective. The purpose of this project was to instead approach it from a more artistic perspective. Sonification means, the use of non-speech audio to perceptualize data which enables the possibilities as an alternative, or complement, to visualize the original data. Drawing from these seven compositions, this thesis also discusses generative music and sonification in general, as well as the opportunities, future research and authenticity of sonification. / <p>Bifogad ljudfil är ett kollage av de sju kompositionerna som arbetet resulterat i, med anledning av att i framtiden kunna publiceras i sin helhet.</p>

The investment of space commerce is skyrocketing and it is predicted to be a nascent business in the future. The spacecraft demand has been growing not only for NASA and other space agency’s mission but also collaboration business between small space industries, academia, and scientific community. This glimpse brought an interest to a new investor, government, military, and manufacturing company to deliver their objectives efficiently. Nowadays, many startups compete embracing innovation and pioneering the novelty of space project beyond prodigious vision in an unprecedented way. Many players foresee that decreasing size of the rocket is an important key to survive and succeed in the space business. One of the efficient acts is lowering the launch cost. This can be achieved by designing a small size, lightweight and affordable spacecraft. Within this context, a Beyond Atlas Spacecraft which will be sent to Asteroid 2016-HO3, has achieved a wet mass of 20.85 kg with the size of 24.7 x 42.2 x 40.8 cm in stowed mode and 84 x 399 x 40.8 cm in unstowed mode. However, the drawback being light and small may lead to catastrophic failure due to resonance frequency events. According to past experience, the gyro of the Swedish national satellite was damaged during ground testing and it was suspected due to high amplification when the natural frequency coincides to the main structure resonance. Therefore, this work is focusing on a spacecraft development and a non-destructive structural analysis. The coupled-load analysis of a preliminary spacecraft design including sinusoidal, random vibration and shock analysis are calculated using FEM. This effort can reduce the risk of component destruction before laboratory testing as well as understand better the dynamic behavior of the spacecraft. The critical frequency in each orthogonal axis with base input from launch environment of the LM-3A Launch Vehicle was devised. The maximum stress, amplitude, and acceleration in accordance of qualification test criteria were evaluated and discussed. / Investeringen av rymdhandeln är skyrocketing och det förväntas bli en växande verksamhet i framtiden. Efterfrågan på rymdfarkoster har ökat inte bara för NASA och andra rymdorganisationens uppdrag utan även samarbete mellan små rymdindustrier, akademin och det vetenskapliga samfundet. Denna glimt väckte intresse för en ny investerare, regering, militär och tillverkningsföretag för att effektivt kunna leverera sina mål. Idag konkurrerar många startups om att omfatta innovation och banbrytande rymdprojektets nyhet bortom en fördärvad vision på ett aldrig tidigare skådat sätt. Många spelare förutser att minskad storlek på raketen är en viktig nyckel för att överleva och lyckas i rymdverksamheten. En av de effektiva handlingarna sänker lanseringskostnaden. Detta kan uppnås genom att utforma en liten storlek, lätt och prisvärd rymdfarkost. Inom detta sammanhang har en Beyond Atlas Spacecraft som skickas till Asteroid 2016-HO3, uppnått en våt massa på 20,85 kg med storleken 24,7 x 42,2 x 40,8 cm i stuvningsläge och 84 x 399 x 40,8 cm i ostoppat läge. Nackdelen som är ljus och liten kan emellertid leda till katastrofalt fel på grund av resonansfrekvenshändelser. Enligt tidigare erfarenhet skadades gyroen i den svenska nationella satelliten under marktestning och det misstänktes på grund av hög förstärkning när den naturliga frekvensen sammanföll med huvudstrukturen resonans. Därför fokuserar detta arbete på rymdskeppsutveckling och en icke-destruktiv strukturanalys. Den kombinerade belastningsanalysen av en preliminär rymdfarkostkonstruktion inklusive sinusformad, slumpvibration och chockanalys beräknas med användning av FEM. Denna insats kan minska risken för komponent förstörelse före laboratorietestning samt förstå bättre rymdskeppets dynamiska beteende. Den kritiska frekvensen i varje ortogonal axel med basinmatning från startmiljön för LM-3A-startkärlet utformades. Den maximala spänningen, amplituden och accelerationen i enlighet med kvalifikationstestkriterierna utvärderades och diskuterades.

Factoring innebär försäljning av fakturor till tredjepart och därmed möjlighet att få in kapital snabbt och har blivit alltmer populärt bland företag idag. Ett fakturaköp innebär en viss kreditrisk för företaget i de fall som fakturan inte blir betald och som köpare av kapital önskar man att minimera den risken. Aros Kapital erbjuder sina kunder tjänsten factoring. Under detta projekt undersöks möjligheten att använda maskininlärningsmetoder för att bedöma om en faktura är en bra eller dålig investering. Om maskininlärningen visar sig vara bättre än manuell hantering kan även bättre resultat uppnås i form av minskade kreditförluster, köp av fler fakturor och därmed ökad vinst. Fyra maskininlärningsmetoder jämfördes: beslutsträd, slumpmässig skog, Adaboost och djupa neurala nätverk. Utöver jämförelse sinsemellan har metoderna jämförts med Aros befintliga beslut och nuvarande regelmotor. Av de jämförda maskininlärningsmetoderna presterade slumpmässig skog bäst och visade sig bättre än Aros befintliga beslut på de testade fakturorna, slumpmässig skog fick F1-poängen 0,35 och Aros 0,22 . / Today, companies can sell their invoices to a third party in order to to quickly capitalize them. This is called factoring. For the financial institute which serve as the third party, the purchase of an invoice infers a certain risk in case the invoice is not paid, a risk the financial institute would like to minimize. Aros Kapital is a financial institute that offers factoring as one of their services. This project at Aros Kapital evaluated the possibility of using machine learning to determine whether or not an invoice will be good investment for the financial institute. If the machine learning algorithm performs better than manual handling and by minimizing credit losses and buying more invoices this could lead to an increase in profit for Aros. Four machine learning algorithms have been compared: decision trees, random forest, Adaboost and deep neural network. Beyond the comparison between the four algorithms, the algorithms were also compared with Aros actual decision and Aros current rule engine solution. The  results show that random forest is the best performing algorithm and it also shows a slight improvement on performance compared to Aros actual decision, random forest got an F1- core of 0.35 and Aros 0.22.

Ett aktieinnehav är en etablerad form av sparande som syftar till att ett sparkapital växer. Det finns många olika faktorer som är avgörande för hur en individ tänker när denne ska investera i aktier, vissa grundar sig i personlighet och vem individen är, medan andra i individens preferenser och omgivning. Det finns även ett antal metoder att tillgå vid aktieplacering. De kan exempelvis basera sig på matematiska formler för aktieplacering, analyser av företag eller aktiemarknaden. Faktorerna och metoderna är många, därmed kan frågan om en människa kan beakta alla påverkande faktorer och göra en kvalificerad gissning om vilken aktie som kommer ge störst avkastning ställas. Syftet med den här studien är att undersöka om en människas aktiva val av sammansättningen av aktier kan påverka resultatet i en aktieportfölj. Studien mäter därför om det finns en skillnad i avkastningen mellan slumpmässigt sammansatta aktieportföljer och de sammansatta av personer med intresse i aktiesparande. Vidare undersöker studien hur Covid-19s utbrott påverkat avkastningen i de båda portföljslagen. Studien bygger på ett deduktivt angreppssätt och en kvantitativ forskningsmetod. Primärdatan består av enkätsvar från personer som är medlemmar i föreningar och grupper för aktieintresserade. Vidare utgörs den av aktieportföljer sammansatta med hjälp av Excels slumpgenerator. Studiens resultat visade att de aktivt sammansatta portföljerna fick bättre avkastning jämfört med de slumpmässigt sammansatta portföljerna på kort sikt, men inte på längre sikt. Under Covid-19 gick värdena på portföljerna kraftigt ner och sträckte sig över ett lägre spann än tidigare. Det betyder att innan krisen avvek värdet på portföljerna i genomsnitt mer från medelvärdet, men efter krisen låg de närmare det. / To hold stocks is an established form of savings, with the aims to grow the capital. There are many different factors that determine how an individual will act when investing in stocks. Some are based on personality, while others are based on the individual's preferences and immediate environment. There are a numbers of methods to apply when investing in stocks too, these can be based on mathematical formulas, extensive company or stock market analyses. Since the determinants regarding stock investments are many, the question is if a person can make qualified decision amongst them, to yield the greatest profit.The purpose of this paper is to investigate whether a person's choice regarding investments in stocks can affect the performance of a stock portfolio. Therefore this study measures whether there is a significant difference in the return between a randomly composed stock portfolio and one put together by a person with a personal interest in stocks. This paper also examines how Covid-19's outbreak affected the return between the two kinds of portfolios.This study is constructed with a deductive approach and with a quantitative research method. The primary data consists of a survey conducted by individuals who are members of groups with a shared interest in shareholding. Furthermore, the primary data is compiled of stock portfolios, composed by using Excel's random number function. The results indicate that the portfolios compiled by the surveyees gained greater returns compared to the randomly composed portfolios during a period of three months, during a year the differences in the portfolios are insignificant. On average, the both types of portfolios gained over 30 percent yield during the period 2019-01-15 to 2020-01-15. After the economic crisis that Covid-19 generated, the yield from the two different types of stock portfolios had a lower standard deviation, which means that all the stock portfolios had a yield closer to the average than before. This may origin from the overvaluation of the market or that economic crises generated a more efficient market.This paper is written in Swedish.

Computers can be used to classify various types of data, for example to filter email messages, detect computer viruses, detect diseases, etc. This thesis explores two classification algorithms, random forest and k-nearest neighbour, to understand how accurately and how quickly they classify data. A literature study was conducted to identify the various prerequisites and to find suitable data sets. Five different data sets, leukemia, credit card, heart failure, mushrooms and breast cancer, were gathered and classified by each algorithm. A train split and a 4-fold cross-validation for each data set was used. The Rust library SmartCore, which included numerous classification methods and tools, was used to perform the classification. The results gathered indicated that using the train split resulted in better classification results, as opposed to 4-fold cross-validation. However, it could not be determined if any attributes of a data set affect the classification accuracy. Random forest managed to achieve the best classification results on the two data sets heart failure and leukemia, whilst k-nearest neighbour achieved the best classification results on the remaining three data sets. In general the classification results on both algorithms were similar. Based on the results, the execution time of random forest was dependent on the number of trees in the ”forest”, in which a greater number of trees resulted in an increased execution time. In contrast, a higher k value did not increase the execution time of k-nearest neighbour. It was also found that data sets with only binary values (0 and 1) run much faster than a data set with arbitrary values when using random forest. The number of instances in a data set also leads to an increased execution time for random forest despite a small number of features. The same applied to k-nearest neighbour, but with the number of features also affecting the execution since time is needed to compute distances between data points. Random forest managed to achieve the fastest execution time on the two data sets credit card and mushrooms, whilst k-nearest neighbour executed faster on the remaining three data sets. The difference in execution time between the algorithms varied a lot and this depends on the parameter value chosen for the respective algorithm. / Datorer kan användas för att klassificera olika typer av data, t.ex att filtrera e-postmeddelanden, upptäcka datorvirus, upptäcka sjukdomar, etc. Denna avhandling utforskar två klassificeringsalgoritmer, slumpmässiga skogar och k-närmaste grannar, för att förstå hur precist och hur snabbt de klassificerar data. En litteraturstudie genomfördes för att identifiera de olika förutsättningarna och för att hitta lämpliga datamängder. Fem olika datamängder, leukemia, credit card, heart failure, mushrooms och breast cancer, samlades in och klassificerades av varje algoritm. En träningsfördelning och en 4-faldig korsvalidering för varje datamängd användes. Rust-biblioteket SmartCore, som inkluderade många klassificeringsmetoder och verktyg, användes för att utföra klassificeringen. De insamlade resultaten visade att användningen av träningsfördelning resulterade i bättre klassificeringsresultat i motsats till 4-faldig korsvalidering. Det gick dock inte att fastställa om några attribut för en datamängd påverkar klassificeringens noggrannhet. Slumpmässiga skogar lyckades uppnå det bästa klassificeringsresultaten på de två datamängderna heart failure och leukemia, medan k-närmaste granne uppnådde det bästa klassificeringsresultaten på de återstående tre datamängderna. I allmänhet var klassificeringsresultaten för båda algoritmerna likartade. Utifrån resultaten var utförandetiden för slumpmässiga skogar beroende av antalet träd i ”skogen”, då ett större antal träd resulterade i en ökad utförandetid. Däremot ökade inte ett högre k-värde exekveringstiden för k-närmaste grannar. Det upptäcktes även att datamängder med endast binära värden (0 och 1) körs mycket snabbare än datamängder med godtyckliga värden när man använder slumpmässiga skogar. Antalet instanser i en datamängd leder också till en ökad exekveringstid för slumpmässiga skogar trots ett litet antal egenskaper. Detsamma gällde för k-närmaste granne, men även antalet egenskaper påverkade exekveringstiden då tid behövs för att beräkna avstånd mellan datapunkter. Slumpmässiga skogar lyckades uppnå den snabbaste exekveringstiden på de två datamängderna credit card och mushrooms, medan k-närmaste granne exekverades snabbare på de återstående tre datamängderna. Skillnaden i exekveringstid mellan algoritmerna varierade mycket och detta beror på vilket parametervärde som valts för respektive algoritm.