Denna empiriska undersökning bygger teori som stödjer det faktum att undervisning om hållbar utveckling bör leda till att utveckla elevernas förmåga att agera demokratiskt och ansvarsfullt. Detta agerande består både att kunna ta ställning i frågor som berör dem och deras framtid, och att kunna använda sin kunskap och sina förmågor för att handla i kommande situationer. Studiens syfte är att kartlägga skolungdomars uppfattningar gällande deras lärande och deras aktivism samt engagemang i miljö- och klimatfrågor. Undersökningen genomfördes genom att samla in skolungdomars uppfattningar via en enkät bestående av 5 öppna frågor. Svaren analyserades och kategoriserades i fenomenografiska beskrivningskategorier. Analysen visade att det fanns stor variation i elevers uppfattningar om deras lärande i samband med undervisning om hållbar utveckling. Resultaten visar att ett djuplärande som främjar förståelse uppfattas både som essentiellt och att undervisningen utvecklar dessa förmågor. Intressant var att både formellt och informellt lärande ansågs viktigt för skolungdomarnas lärande. Dessutom åskådliggjordes en problematik som bestod i att skolungdomars positiva uppfattningar om aktivism och engagemang inte speglades i uppfattningarna om skolungdomarnas egen roll.

Photoplethysmography (PPG) is a method to detect blood volume changes in every heartbeat. The peaks in the PPG signal corresponds to the electrical impulses sent by the heart. The duration between each heartbeat varies, and these variances are better known as heart rate variability (HRV). Thus, finding peaks correctly from PPG signals provides the opportunity to measure an accurate HRV. Additional research indicates that deep learning approaches can extract HRV from a PPG signal with significantly greater accuracy compared to other traditional methods. In this study, deep learning classifiers were built to detect peaks in a noise-contaminated PPG signal and to recognize the performed activity during the data recording. The dataset used in this study is provided by the PhysioBank database consisting of synchronized PPG-, acceleration- and gyro data. The models investigated in this study were limited toa one-layer LSTM network with six varying numbers of neurons and four different window sizes. The most accurate model for the peak classification was the model consisting of 256 neurons and a window size of 15 time steps, with a Matthews correlation coefficient (MCC) of 0.74. The model consisted of64 neurons and a window duration of 1.25 seconds resulted in the most accurate activity classification, with an MCC score of 0.63. Concludingly, more optimization of a deep learning approach could lead to promising accuracy on peak detection and thus an accurate measurement of HRV. The probable cause for the low accuracy of the activity classification problem is the limited data used in this study.