No description available.

No description available.

An increase in distributed workspaces are influencing the way people work and thereby how meetings and presentations are conducted, making hybrid settings the standard for many organizations. Previous research has shown that hybrid settings decrease engagement due to technical issues, lack of inclusiveness, changing social dynamics and difficulties in evaluating participant engagement. Due to the need to diminish the negative effect the hybrid setting has, this study aims to evaluate the effect Audience Engagement Platforms have on increasing and evaluating engagement. The study was conducted by interviewing 31 users and non-users of Audience Engagement Platforms (AEPs) on meeting and presentation engagement, with 6 of them focusing on the hybrid setting. Thereafter a survey was conducted with AEP users on functionalities and effect on social dynamics. The interviewees generally agreed that anonymity and the possibility of presentation interaction were important aspects of the platform. Most hosts traditionally used visual cues as methods of engagement evaluation, and a diverse set of AEP use cases were described for all meeting and presentation types. The survey showed that all evaluated functionalities had a positive impact on engagement, where Wordclouds, Rankings and Quizzes increased perceived engagement the most. Furthermore, voluntary Likes, Reactions, Comments and Q&A from the participants was both perceived to increase engagement and suitable for evaluating participant engagement. In conclusion, the platform was shown to increase engagement both due to its platform characteristics as well as its functionalities. Anonymity was an important characteristic for lowering the barriers to participation and democratizing each input. Also, sharing the same interaction medium between remote and co-located participants helped to create a shared sense of belonging. Highly scored engagement features in the survey, such as Wordclouds and Rankings, can be both moderately low-effort in terms of how active a participant must be to give input on, whilst still directly asking each participant to give their opinion on a subject or statement. The quiz function was rated highly, which some interviewees suggested was due to its competitive nature. During the interviews however, many interviewees put a large emphasis on asking questions on a subject to be an important engagement tool, which would mostly correlate to the open-ended question functionality. The evaluation of engagement was concluded to be mostly helped by the functionalities Likes, Comments and the Q&A, as they are signs of voluntary participation. However, as the actual engagement level may not be correctly interpreted through the usage of these functionalities, it may still be insufficient to do a  correct evaluation. / En ökning av distribuerade arbetsplatser påverkar hur folk arbetar och har gjort den hybrida miljön till standard för många organisationer. Tidigare forskning har visat att hybrida möten har minskat engagemang på grund av tekniska problem, bristande delaktighet, förändrad social dynamik och svårigheter att utvärdera deltagarnas engagemang. På grund av behovet av att minska den negativa effekten den hybrida miljön har på engagemang, syftar denna studie till att utvärdera effekten Publik Engagerande Plattformar (AEPs) har på att öka och utvärdera engagemang. Studien genomfördes genom att intervjua 31 användare och icke-användare av AEPs om mötes-och presentationsengagemang, varav sex av dem fokuserade på den hybrida aspekten. Därefter genomfördes en undersökning med AEP-användare om dess funktionaliteter och effekt på social dynamik. Intervjupersonerna var generellt överens om att anonymitet och möjligheten till interaktion i presentationen var viktiga funktioner i plattformen. De flesta mötesledare använde visuella signaler som metod för utvärderin gav engagement, och användningsområden för AEPs beskrevs för alla typer av möten och presentationer. Undersökningen visade att alla utvärderade funktionaliteter hade en positiv inverkan på engagemanget, där Wordclouds, quiz och rankningar ökade engagemanget mest. Vidare upplevdes frivilliga gillningar, reaktioner, kommentarer och Q&A från deltagarna att både öka engagemanget och vara lämpliga för att utvärdera engagemang. Sammanfattningsvis visades plattformen öka engagemanget både på grund av dess plattformsegenskaper såväl som dess funktionaliteter. Anonymitet var en viktig aspekt för att sänka barriären för deltagande och demokratisera input. Att dela samma interaktionsmedium mellan distansbelägna och samlokaliserade deltagare bidrog också till att skapa en delad känsla av tillhörighet. Högt rankade funktioner i undersökningen, såsom Wordcloud och Rankningar, kan ses ha både relativt lågt krävd aktiv insats från deltagare att besvara, samtidigt som man direkt ber varje deltagare att ge sina synpunkter på ett ämne. Quiz fick högt betyg, vilket några intervjupersoner menade berodde på dess tävlingsaspekt. Under intervjuerna lade dock många intervjupersoner stor vikt vid att ställa frågor som ett viktigt verktyg för engagemang, vilket främst skulle korrelera med funktionen Open-ended Questions. Resultaten visade också att mötesledare får hjälp av gilla-markeringar, kommentarer och Q&A, för att utvärdera engagemang. Men eftersom den faktiska engagemangsnivån troligtvis inte kan tolkas korrekt genom användningen av dessa funktioner, kan det fortfarande vara otillräckligt för att göra en rättvis utvärdering.

Mentimeter is one of the fastest-growing startups in Sweden. They are an audience engagement platform that allows users to create interactive presentations and engage an audience. As online information spreads increasingly faster, methods of analyzing, understanding, and categorizing information are developing and improving rapidly. Natural Language Processing (NLP) is the ability to break down input, for instance, text or audio, and process it using technologies such as computational linguistics and statistical learning, machine learning, and deep learning models. This thesis aimed to investigate if a tool that applies multi-class emotion classification of text could benefit end users when they are creating presentations using Mentimeter. A case study was conducted where a pre-trained BERT base model that had been fine-tuned and trained to the GoEmotions data set was applied as a tool to Mentimeter’s presentation software and then evaluated by end users. The results found that the tool was accurate; however, overall was not helpful for end users. For future research, improvements such as including emotions/tones that are more related to presentations would make the tool more applicable to presentations and would be helpful according to end users. / Mentimeter är en av Sveriges snabbast växande startupbolag som erbjuder en tjänst där användare kan skapa interaktiva presenationer och engagera sin publik. Medan infomration online sprids allt snabbare utvecklas och förbättras metoder för att kunna analysera, förstå och kategorisera information. Natural Language Processing (NLP) är förmågan att kunna bryta ner indata, som text och ljud, och processera det med hjälp av teknologier som datalingvistik och statistisk inlärnings, maskininlärnings, och djupinlärnings modeller. Syftet med denna uppsats var att undersöka om ett verktyg som applicerar multi-class emotion classification med text skulle gynna användare när de skapar presentation med Mentimeter. En fallstudie utfördes där en förtränad BERT modell som hade finjusterats och tränats på GoEmotions dataset applicerades som ett verktyg på Mentimeters programvara som användare sen fick utvärdera. Resultaten visar att verktyget var motsvarande men övergripande fann användarna att verktyget inte var hjälpsamt. För framtida forskning skulle förbättringar av verktyget som att använda känslor/toner som är mer relterade till presentationer göra verktyget mer hjälpsamt enligt användare.

In recent years, there has been a significant increase in the usage of audience engagement platforms, which have allowed for engaging interactions between presenters and their audiences. The increased popularity of the platforms comes from the fact that engaging and interactive presentations have been shown to improve learning outcomes and create positive presentation experiences. However, using the platforms does not guarantee that your audience is engaged and participating. Given that the added value of engaging presentations only applies if the audience is actually engaged, it increases the need to know if and how engaged your audience is. The usage of audience engagement platforms has allowed for new ways of engagement to be studied. By utilizing the data gathered from the interactive presentation sessions, engagement can be studied and quantified through the modeling of the data. As the usage of audience engagement platforms and the study of presentation engagement is relatively new, there exists a limited amount of labeled data quantifying the level of engagement during presentations. To model the data, machine learning models should therefore be trained to generalize by being exposed to a limited number of presentation samples. This technique of training machine learning models is also referred to as few-shot learning. Distance-based machine learning models are defined in this study as models that make classifications and inferences by calculating distances between observations or observation class representations. Distance-based models have previously shown relatively good performance in few-shot learning applications, and interest therefore lies in expanding their application areas. This study presents a comparative evaluation of distance- and non-distance-based machine learning models given the problem of classifying presentations as being engaged or non-engaged, and estimating presentation class likelihoods in a few-shot learning context. A presentation-level dataset was gathered from the interactive presentation sessions, and each presentation observation was labeled as being engaged or non-engaged. The machine learning models were then trained to model the data and evaluated in terms of how well they were able to generalize to unseen testing samples by being exposed to a limited number of training observations. In particular, their classification and class likelihood estimation performances were evaluated. The results conclude that the distance-based models outperformed the non-distance-based models artificial neural network and relevance-vector machine given the presentation class likelihood estimation problem. The metric learning nearest neighbor classifier was the only distance-based model that outperformed all the non-distance-based models given both the presentation classification and class likelihood estimation problems. / Under de senaste åren har det skett en betydande ökning av användningen av plattformar för publikengagemang, vilket har möjliggjort engagerande interaktioner mellan presentatörer och deras publik. Plattformarnas ökade popularitet kommer från det faktum att engagerande och interaktiva presentationer har visat sig förbättra läranderesultat och skapa positiva presentationsupplevelser. Att använda plattformarna garanterar dock inte att din publik är engagerad och deltagande. Med tanke på att mervärdet av engagerande presentationer bara gäller om publiken faktiskt är engagerad, ökar det behovet av att veta om och hur engagerad din publik är. Användningen av plattformar för publikengagemang har gjort det möjligt att på nya sätt studera engagemang. Genom att använda data som samlats in från de interaktiva presentationssessionerna kan engagemang studeras och kvantifieras genom modellering av data. Eftersom användandet av plattformar för publikengagemang och studien av presentationsengagemang är relativt nytt, finns det en begränsad mängd märkt data som kvantifierar nivån av engagemang under presentationerna. För att modellera datan så bör maskininlärningsmodeller tränas att generalisera genom att utsättas för ett begränsad antal presentations observationer. Denna teknik för att träna inlärningsmodeller kallas också few-shot lärande. Distans-baserade maskininlärningsmodeller definieras i denna studie som modeller som gör klassificeringar genom att beräkna avstånd mellan observationer eller observationsklass representationer. Distans-baserade modeller har tidigare visat relativt goda resultat i few-shot inlärning problem, och intresset ligger därför i att utöka deras tillämpningsområden. Denna studie presenterar en jämförande utvärdering av distans- och icke-distans baserade maskininlärningsmodeller givet problemet med att klassificera presentationer som engagerade eller icke-engagerade, och uppskattning av presentation klasssannolikheter i ett few-shot inlärnings sammanhang. Ett dataset på presentationsnivå samlades in från de interaktiva presentationssessionerna, och varje presentation märktes som engagerad eller icke-engagerad. Maskininlärningsmodellerna tränades sedan för att modellera data och utvärderades i termer av hur väl de kunde generalisera till osedda testobservationer givet att de exponeras mot ett begränsat antal träningsobservationer. I synnerhet utvärderades deras klassificering och uppskattning av klasssannolikheter. Resultaten visade att alla distans-baserade modeller var bättre än de icke-distansbaserade modellerna artificial neural network och relevence-vector machine givet problemet med uppskattning av klasssannolikheter. Den distans-baserade metric learning nearest neighbor klassificeraren var den enda avståndsbaserade modellen som överträffade alla icke-distansbaserade modeller givet problemen med presentations klassificering och klasssannolikhets uppskattning.