In 2016, Instagram announced an update in form of algorithmic personalization to improve user experience (UX) by showing “the moments we believe you will care about the most”.  This resulted in dissatisfaction and confusion in users, for instance expressed through the hashtag #RIPINSTAGRAM on social media. When algorithmic personalization is not properly explained, past research shows that user experience is negatively affected. This study examines if this is also the cause behind the consequences of Instagram's algorithmic personalization. Through qualitative interviews this study examines how non-commercial users have adapted to algorithmic personalization on Instagram and how this affects their user experience. Our study shows that attitudes and knowledge towards algorithmic personalization on Instagram varies. The results indicate that users could improve their experience by implementing strategies that clearly signal to the algorithmic system what they care about the most.

In today's society we have come to depend on digital media to carry out several daily tasks in order to achieve a fluent lifestyle. But with all of these handy features at our reach, entertainment has emerged permanently accessible for most individuals and as a result people in general spend more time in front of digital screens. By putting our attention to this assumption we want to investigate how companies go about incentivicing us to spend more time infront of digital media and how this might affect us. We believe that a clearer understanding regarding our reward system in relation to media consumption can be beneficial for a lot of people. To examine this matter, we have studied and compared to relevant research as well as executed a qualitative study where we have questioned both professionals in the industry regarding how they think when creating services and consumers to find out how they perceive these services. Our conclusions were that companies aren’t as aware of the theoretical mechanisms for addiction and UX for forced behaviour as we anticipated. However, they still use brand-new design tools which maximize what in fact is this very effect, such as extensive data-collection to optimise things like retention. Our consumer interviews revealed almost the opposite, all civilians were well aware and had a shockingly big understanding of algorithms and other forces that guide their hand, but they still felt hopelessly addicted to something useless. The takeaway synthesis of these two results is that companies should consider another parameter than things like retention when evaluating. They should start considering what time wasted consumers find meaningful. And a datapoint won't do any good in that regard

The Max-Cut problem is a well-known NP-hard problem, for which numerous approximation algorithms have been developed over the years. In this thesis, we examine the special case where the degree of vertices in the graph is bounded. With minor modifications to existing algorithms, we are able to obtain an improved approximation ratio for general bounded-degree graphs. Furthermore we show additional improvements for graphs with at least a constant fraction of odd-degree vertices. We also identify some other possible areas for improvement in the general bounded-degree case. / Max-Cut-problemet är ett välkänt NP-svårt problem, för vilket ett flertal olika approximationsalgoritmer har utvecklats över åren. I det här arbetet undersöks specialfallet då grafens noder har begränsat gradtal. Med mindre förändringar av existerande algoritmer lyckas vi uppnå en förbättrad approximationskvot för generella gradtals-begränsade grafer. Vi visar också ytterligare förbättringar för grafer med minst en konstant andel noder med udda gradtal. Vi identifierar också några andra möjliga områden för förbättring i det allmänna gradtals-begränsade fallet.

The digital transformation has influenced everything from smaller government offices to big corporations, and the journalistic profession is no exception. This study examines what effect digital transformation has had on the journalistic profession in Sweden. We’ve conducted a literature review where we found four techniques that is being used internationally. Based on those techniques and relevant theories we’ve created a theoretical framework, with heavy inspiration from Gregory Vial’s research. An interview study was conducted with five informants, with different position, from different media organizations in Sweden, ranging from nationwide to local news. We found that all news outlets in Sweden we examined use some sort of digital tool to ease their workload or enhance their results. Organizations, for example, used robot journalists to write articles for them, algorithms to build their websites to ease their workload, and data driven journalism to scan great datasets to get results more efficiently.

Sveriges Radio sparar sin data i stora arkiv vilket gör det svårt att hitta specifik information. På grund av denna storlek blir uppgiften att hitta specifik information om händelser ett stort problem. För att lösa problemet krävs en mer konsekvent användning av metadata, därför har en undersökning om metadata och nyckelordsgenerering gjorts.Arbetet gick ut på att utveckla en algoritm som automatisk kan generera nyckelord från transkriberade radioprogram. Det ingick också i arbetet att göra en undersökning av tidigare arbeten för att se vilka system och algoritmer som kan användas för att generera nyckelord. Dessutom utvecklades en applikation som generar färdiga nyckelord som förslag till en användare. Denna applikation jämfördes och utvärderades med redan existerande program. Metoderna som använts bygger på både lingvistiska och statistiska algoritmer. En analys av resultaten gjordes och visade att den utvecklade applikationen genererade många precisa nyckelord, men även till antalet stora mängder nyckelord. Jämförelsen med ett redan existe-rande program visade att täckningen var bättre för den utvecklade applikationen, samtidigt som precisionen var bättre för det redan existerande programmet. / Sveriges Radio stores their data in large archives which makes it hard to retrieve specific information. The sheer size of the archives makes retrieving information about a specific event difficult and causes a big problem. To solve this problem a more consistent use of metadata is needed. This resulted in an investigation about metadata and keyword genera-tion.The appointed task was to automatically generate keywords from transcribed radio shows. This included an investigation of which systems and algorithms that can be used to generate keywords, based on previous works. An application was also developed which suggests keywords based on a text to a user. This application was tested and compared to other al-ready existing software, as well as different methods/techniques based on both linguistic and statistic algorithms. The resulting analysis displayed that the developed application generated many accurate keywords, but also a large amount of keywords in general. The comparison also showed that the recall for the developed algorithm got better results than the already existing software, which in turn produced a better precision in their keywords.

Recommended content is a big part of many people's everyday lives and shapes users' experience (UX) and media consumption on a daily basis. With a varied amount of knowledge about how algorithms affect people's media consumption, the decision-making process is influenced to varying extents. The focus of this study is therefore to examine the diversity of variations that exist around the perception of YouTube's algorithms and its influence on the users’ experience. We conducted a quantitative study in the form of a questionnaire, as well as semi-structured interviews to answer the questions of how the users assumptions regarding the recommendation algorithm on YouTube affects the user experience. The study suggests that the ignorance that arises as a result of the lack of transparency shown between algorithm and user, contributes to the user experience being influenced by the assumptions. To a large extent, we can see that these approaches depend on the mental models that users have built, which are often based on the assumptions made in the light of users' own experience.

Användningen av Artificiell Intelligens (AI) har ökat de senaste åren och blivit en del av vardagen, men när det kommer till automatiserade mjukvarutester har AI inte varit aktuellt. Produkten är den viktigaste tillgången för ett företag, av den anledningen bör de garantera att produkten är bra. För att göra detta används kvalitetssäkringar med hjälp av mjukvarutester. Denna process är tidskrävande, kostsam och det är omöjligt att testa produkten i helhet. Om AI kan komplettera automatiserade mjukvarutester kommer företag ha möjligheten att producera bättre och billigare produkter under en kortare tidsperiod. I denna studie undersöktes ämnet AI inom automatiserade mjukvarutester. Syftet med detta var att studera om AI kan förbättra automatiserade mjukvarutester inom svenska företag. För att undersöka detta utfördes intervjuer, denna information jämfördes sedan med den valda litteraturen. Informationen användes sedan för att besvara frågorna: kommer AI förbättra dagens mjukvarutester? Vilka hinder finns till implementering av AI? Vilka algoritmer är bäst anpassade för detta ändamål? Arbetet fördjupar sig i algoritmerna Genetic algorithm (GA), Natural Language Processing(NLP) samt Artificial Neural Network (ANN). Beslutet att använda dessa algoritmer togs för att de var prevalenta i litteraturen. Intervjuerna genomfördes med olika experter inom områdena AI och mjukvarutestning. Detta var för att skapa en kontrast och ge en större bild på användnings-/problemområden. Denna information jämfördes sedan med den tidigare forskningen för att se om några lösningar har tillkommit. I nuläget finns det problem med att införa AI inom mjukvarutestning och några av dessa problem är saknaden av ett optimalt test oracle, träningsdata och testmodeller. Alla algoritmer som undersöktes i detta arbete hade områden de excellerade i. Dock fanns det en algoritm som hade mer användningsområden och det är NLP. Den fungerar bäst i kombination med en djupinlärningsalgoritm som till exempel ANN.

Arbetet undersöker möjligheterna att prediktera sårbarheter för programvaruprodukter och vilken typ av sårbarhet som kommer hittas. Det är en indikation på hur utsatt ett system är med hur ofta en sårbarhet hittas. Maskininlärning är ett sätt att kunna utläsa mönster ur en stor mängd data och kan hjälpa till med prioritering. Med publikt tillgänglig data om sårbarheter har maskininlärning använts för att hitta en metod att göra prediktioner om antalet kommande sårbarheter. Fem olika prototyper har tagits fram och granskats om vilken prototyp som presterar bäst i testerna. En analys av resultaten visar att innehållet i datan borde vara jämnt fördelat mellan klasser i en sådan här typ av undersökning för att få ett bra och pålitligt resultat. Antalet publika sårbarheter som hittas och publiceras har ökat de senaste åren och ser ut att fortsätta i samma trend. En analys på hur marknaden och försäljningspriset ser ut för sårbarheter visar att den globala ekonomin ökar i stor takt och omsättningen för maskininlärning kommer att öka kraftigt då man inser dess fördelar inom fler områden. / The project explores the possibilities of predicting software product vulnerabilities and the type of vulnerability that will be found. It is an indication of how vulnerable a system is on how often a vulnerability is found. Machine learning is a way to read patterns from a large amount of data and can help with prioritization. With publicly available data on vulnerabilities, machine learning has been used to find a method of making predictions about the number of future vulnerabilities. prototypes have been developed and reviewed for which prototype that performs best. An analysis of the results shows that the content of the data should be evenly divided between classes in such type of survey to get a good and reliable result. The number of public vulnerabilities found and published has increased in recent years and appears to continue in the same trend. An analysis of how the market and selling price are looking for vulnerabilities shows that the global economy is growing rapidly and the turnover for machine learning will increase significantly as it recognizes its benefits to more areas.

This project is about the optimization of the capital management of a French global bank. Capital management corresponds here to allocating the available capital to the different business units. In this project, I focus on the optimization of the allocation of the risk weighted assets (RWA) between some of the business units of the bank, as a representation of the allocated capital. Emphasis is put on the market and retail part of the bank and the first step was to be able to model the evolution of a business unit given an economic environment. The second one was about optimizing the distribution of RWA among the selected parts of the bank. / Projektets ämne handlar om att optimering allokering av kapital inom en fransk global bank. Kapital management syftar här på hur kapital ska fördelas mellan olika avdelningar inom banken. I detta projekt fokuserar jag på optimering av allokeringen av riskvägda resurser (RWA) mellan några av bankens enheter, som en representation av det allokerade kapitalet. Uppsatsen inriktar sig främst emot retail-delen av banken. Första steget var att modellera utvecklingen av en bankavdelning givet en ekonomisk omgivning? Andra steget var att försöka optimera fördelningen av RWA mellan de utvalda bankavdelningarna.

Spatial data arises in applications such as geographical information systems, computer aided design and computer vision. A practical indexing method for spatial data is the R-tree [1]. A common query to an R-tree is a window query which outputs all spatial objects that intersect a rectangular region in space. The PR-tree is the first R-tree variant where window query performance is asymptotically optimal in the worst case. In this work a PR-tree is updated using algorithms defined by Antonin Guttman [2] and Beckmann et al. [3], respectively and query performance is evaluated. The conclusion is that the R*-tree algorithms by Beckmann et al. [3] is superior to the algorithms by Antonin Guttman [2] for maintaining good query performance while updating a PR-tree / Spatial data är vanligt förekommande i geografiska informationssystem, CAD och datorseende. Ett praktiskt index för spatial data är ett R-träd [1]. En vanlig sökfråga till ett R-träd är en så kallad window query som ges ett rektangulärt område och returnerar alla spatiala objekt som skär detta område. PR-trädet är det första R-trädet med asymptotiskt optimal tidskomplexitet för en window query. I detta arbete används PR-trädet som bas och det modifieras med respektiva algoritmer definerade av Antonin Guttman [2] och Beckmann m. fl. [3] och prestanda för rektangulära sökfrågor utvärderas. Slutsatsen är att om målet är att bibehålla bra prestanda för sökfrågor medan PR-trädet modifieras ska algoritmerna av Beckmann m. fl. [3] föredras.