Sedan 2016 utförs ett nationellt bedömningsstöd i svenska grundskola årskurs 1-3. Bedömningsstödet är utformat för att ge en samlad bild över elevernas kunskapsutveckling i de tidiga skolåren och genomförs i början och slutet av årskurs 1. Syftet med vår studie är att undersöka hur skolor runt om i Sverige kompletterar Bedömningsstödet i årskurs 1 med andra tester för att finna elever i lässvårigheter, samt pedagogers åsikter gällande Bedömningsstödet. Våra forskningsfrågor var följande; anser pedagoger att Bedömningsstödet ger tillräcklig information för att hitta lässvaga elever eller finns det mer att önska och i så fall vad?  I vilken utsträckning kompletteras Bedömningsstödet i årskurs 1 för att identifiera elever i lässvårigheter? Vilka material kompletterar i så fall skolorna med och varför? Studien genomfördes med hjälp av en enkätundersökning som resulterade i en svarsfrekvens av 356 svar. Resultatet visar att endast 23% av respondenterna är nöjda med Bedömningsstödet gällande identifiering av elevers läsförmåga. Respondenterna lyfter att förändringar behövs och majoriteten av respondenterna kompletterar bedömningsstödet med andra tester för en djupare bedömning. / Since 2016, a national assessment support has been carried out in Swedish primary school grades 1-3. The assessment support is designed to give an overall picture of the students' knowledge development in the early school years and is carried out at the beginning and end of grade 1. The purpose of our study is to investigate how schools around Sweden supplement the assessment support in grade 1 with other tests to find students with reading difficulties, as well as educators' opinions regarding the assessment support. Our research questions were the following; do educators think that the assessment support provides sufficient information to find reading-disabled students or is there more to be desired and if so, what? To what extent is the assessment support in grade 1 supplemented to identify students with reading difficulties? If so, which materials do the schools supplement with and why? The study was carried out using a questionnaire which resulted in 356 responses. The result shows that only 23% of the respondents are satisfied with the assessment support regarding the identification of students' reading ability. The respondents highlight that changes are needed, and the majority of respondents supplement the assessment support with other tests for a deeper assessment.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

Inledning: Sjuksköterskan möter individer med substansbrukssyndrom i många sammanhang i den psykiatriska kontexten. Det finns en önskan hos individerna om en helhetssyn, sjuksköterskans möte kan ha betydelse för en vård där hela patientens hälsa beaktas. Författarna vill därför sammanställa den befintliga kunskapen om mötet utifrån sjuksköterskans perspektiv.  Syfte: Att sammanställa kvalitativ och kvantitativ forskning avseende sjuksköterskans möte med individer som har substansbrukssyndrom.  Metod: Aktuell studie är en integrativ litteraturstudie. Den integrativa metoden är genomförd enligt Whittemore och Knafl (2005).  Resultat: your de meningsbärande enheterna växte en huvudkategori; Sjuksköterskans anpassning av rollen samt fyra underkategorier fram; den auktoritära rollen, den praktiska utföraren, den medmänskliga terapeutiska rollen och den reflekterande vaksamma rollen. Slutsats: De fyra rollerna som framkom your analysen belyser hur flexibel och medveten sjuksköterskan behöver vara i omvårdnaden, både med hänsyn till helhetssynen av individen samt beträffande var i sjukdomsprocessen individen befinner sig. Sjuksköterskan stödjer individen i att återta kontrollen i sitt eget liv.

How to handle large multi-dimensional datasets such as hyperspectral images and video information both efficiently and effectively plays an important role in big-data processing. The characteristics of tensor low-rank decomposition in recent years demonstrate the importance of capturing the tensor structure adequately which usually yields efficacious approaches. In this dissertation, we first aim to explore the tensor singular value decomposition (t-SVD) with the nonconvex regularization on the multi-view subspace clustering (MSC) problem, then develop two new tensor decomposition models with the Bayesian inference framework on the tensor completion and tensor robust principal component analysis (TRPCA) and tensor completion (TC) problems. Specifically, the following developments for multi-dimensional datasets under the mathematical tensor framework will be addressed. (1) By utilizing the t-SVD proposed by Kilmer et al. \cite{kilmer2013third}, we unify the Hyper-Laplacian (HL) and exclusive $\ell_{2,1}$ (L21) regularization with Tensor Log-Determinant Rank Minimization (TLD) to identify data clusters from the multiple views' inherent information. Whereby the HL regularization maintains the local geometrical structure that makes the estimation prune to nonlinearities, and the mixed $\ell_{2,1}$ and $\ell_{1,2}$ regularization provides the joint sparsity within-cluster as well as the exclusive sparsity between-cluster. Furthermore, a log-determinant function is used as a tighter tensor rank approximation to discriminate the dimension of features. (2) By considering a tube as an atom of a third-order tensor and constructing a data-driven learning dictionary from the observed noisy data along the tubes of a tensor, we develop a Bayesian dictionary learning model with tensor tubal transformed factorization to identify the underlying low-tubal-rank structure of the tensor substantially with the data-adaptive dictionary for the TRPCA problem. With the defined page-wise operators, an efficient variational Bayesian dictionary learning algorithm is established for TPRCA that enables to update of the posterior distributions along the third dimension simultaneously. (3) With the defined matrix outer product into the tensor decomposition process, we present a new decomposition model for a third-order tensor. The fundamental idea is to decompose tensors mathematically in a compact manner as much as possible. By incorporating the framework of Bayesian probabilistic inference, the new tensor decomposition model on the subtle matrix outer product (BPMOP) is developed for the TC and TRPCA problems. Extensive experiments on synthetic data and real-world datasets are conducted for the multi-view clustering, TC, and TRPCA problems to demonstrate the desirable effectiveness of the proposed approaches, by detailed comparison with currently available results in the literature.