Mitt examensarbete är en video på drygt sex minuter. Videon är animerad i Adobe After Effects. Den har för avsikt att på ett informativt, enkelt och snyggt sätt förklara NASAs Curiosity-uppdrag på Mars, samt summera planetens roll i popkultur genom tiderna. Målgruppen är människor som hellre får information via internet än via papperstidningar, och som gärna vill få en övergripande bild av olika fenomen (i det här fallet Mars och Curiosity). Den är utformad med mobilt tittande i åtanke, vilket också speglas i målgruppsanpassningen. Denna reflektionsrapport är ett komplement till videon, och här har jag för avsikt att berätta om hur (och varför) jag gjort videon. Den kommer även diskutera fenomenet explainer-journalistik. Vad är explainer-journalistik, och varför är det ett viktigt fenomen att förstå för samtida och framtida journalister?

Genom en kommunikationsteoretisk analys diskuteras grafiska element i förklaringsvideor publicerade av Sveriges Television. Vi har i dagens samhälle ett allt kortare koncentrationsspann då information har blivit mer lättillgängligt genom teknisk utveckling. Det ligger därför i designutvecklingens intresse att undersöka hur format som förklaringsvideor kan användas för att presentera ett ämne utan att tappa mottagarens intresse. Resultatet av analysen visar att alla Sveriges Televisions förklaringsvideor hjälper mottagaren att förstå innehållet med hjälp av gester, pilar, färg- och storlekskrontrast samt skriftliga nyckelord. Däremot finns det en problematik kring statistisk presentation som bryter mot matematiska konventioner. Det blir tydligt att de grafiska element som används i dessa videor är beroende av den verbala informationen för att skapa mening.Rollen för Sveriges Television och public service i ett digitalt medielandskap problematiseras i en avslutande diskussion.

This research explores the potential of improving the explainability of outliers using Bayesian Belief Networks as background knowledge. Outliers are deviations from the usual trends of data. Mining outliers may help discover potential anomalies and fraudulent activities. Meaningful outliers can be retrieved and analyzed by using domain knowledge. Domain knowledge (or background knowledge) is represented using probabilistic graphical models such as Bayesian belief networks. Bayesian networks are graph-based representation used to model and encode mutual relationships between entities. Due to their probabilistic graphical nature, Belief Networks are an ideal way to capture the sensitivity, causal inference, uncertainty and background knowledge in real world data sets. Bayesian Networks effectively present the causal relationships between different entities (nodes) using conditional probability. This probabilistic relationship shows the degree of belief between entities. A quantitative measure which computes changes in this degree of belief acts as a sensitivity measure . The first contribution of this research is enhancing the performance for measurement of sensitivity based on earlier research work, the Interestingness Filtering Engine Miner algorithm. The algorithm developed (IBOX - Interestingness based Bayesian outlier eXplainer) provides progressive improvement in the performance and sensitivity scoring of earlier works. Earlier approaches compute sensitivity by measuring divergence among conditional probability of training and test data, while using only couple of probabilistic interestingness measures such as Mutual information and Support to calculate belief sensitivity. With ingrained support from the literature as well as quantitative evidence, IBOX provides a framework to use multiple interestingness measures resulting in better performance and improved sensitivity analysis. The results provide improved performance, and therefore explainability of rare class entities. This research quantitatively validated probabilistic interestingness measures as an effective sensitivity analysis technique in rare class mining. This results in a novel, original, and progressive research contribution to the areas of probabilistic graphical models and outlier analysis.

I takt med coronaviruspandemin arbetade myndigheten för samhällsskydd och beredskap (MSB) med att utveckla information om coronaviruset. En del av den nya informationen publicerades på krisinformation.se. Informationen som fanns på krisinformation.se var överlag textbaserad. I det här arbetet har jag utifrån ett kvalitativt förhållningssätt arbetat med att göra delar av den textbaserade informationen multimodal, men med särskild hänsyn till de med dyslexi. Syftet är att med en informationsvideo visualisera textbaserad information på ett multimodalt sätt. Målet med arbetet var att utforma ett gestaltningsförslag som informerar och engagerar betraktaren till att vilja bromsa takten som smittspridningen sprider sig på. I ett försök att uppnå syftet och målet utformades följande frågeställning: Hur tillgängliggörs information med illustrationer och animationer i en informationsvideo? Frågeställningen besvarades genom att samla empiri utifrån en ikonologisk analys av en befintlig informationsvideo. Vidare utformades ett gestaltningsförslag som testades vid två tillfällen via intervjuer. Vid det första tillfället testades en storyboard och vid det andra tillfället testades en informationsvideo. Vid utformandet av gestaltningsförslaget var kognitions- och retorik-teori av särskild stor betydelse.  Det främsta fyndet är att de med dyslexi inte verkar ha några större problem med att ta till sig information som kommuniceras med illustrationer, animationer och ljud i en informationsvideo. / In line with the coronavirus pandemic, the Swedish Civil Contingencies Agency (MSB) worked to develop information about the coronavirus. Some of the new information was published on krisinformation.se. The information found on krisinformation.se was generally text-based. In this essay I have worked on making parts of the text-based information multimodal with a qualitative approach, but with a special attention to those with dyslexia. The purpose is to visualize text-based information in a multimodal way with an information video. The goal was to create a design proposal that can inform and engages the viewer to slow down the spread of infection. In order to achieve the purpose, the following question was designed: How is information made available with illustrations and animations in an information video? The question was answered by collecting empirical data based on an iconological analysis of an existing explainer video. Furthermore, I created a design proposal that was tested on two occasions via interviews. On the first occasion, a storyboard was tested and on the second occasion an information video was tested. When designing the design proposal, cognition- and rhetoric-theory was of particular importance.  The main finding is that those with dyslexia do not seem to have any major problems in acquiring information that is communicated with illustrations, animations and sounds in an information video.