This knowledge overview aims to examine the importance of decoding for students learning how to read and if it can be used as a tool to measure approximate future development in reading comprehension. The study aims to answer the questions “What does current research say about decoding and its implications for monolingual students and their future reading comprehension?” and “What tests are used by researchers to measure students decoding, reading comprehension and fluency”. Reading comprehension is explained as an umbrella term for several smaller groups. Mainly decoding, phonological awareness and language comprehension.  In this overview several scientific studies about decoding and its potential implications will be analyzed and compared with each other and prior research. This research was collected through the database ERIC (EBSCO) with key words with the purpose of finding scientific papers pertaining to the subject in question.  These studies examine students' current decoding abilities to try to distinguish what their reading comprehension levels will be in the future. These results are then followed up with reading comprehension tests to see if the approximations were correct.  The results indicate that the majority of researchers agree that decoding is a good way of estimating students' future performance and growth in reading comprehension. These results lay the foundation for further research that will examine three things: What is the best way to teach kids decoding in order to help with future reading, How do bi- and multilingual students feel about the Swedish subject in schools and how are students with dyslexia affected by the current strategy used to teach them to read. / Denna kunskapsöversikt ämnar att undersöka hur viktig avkodning är för elevers läsutveckling samt om den kan användas som ett verktyg för att mäta framtida läsförståelseutveckling. Frågeställningarna “Vad säger nuvarande didaktisk forskning om avkodning och dess implikationer för enspråkiga elevers framtida läsförståelse i grundskolan?” och “Vilka tester använder forskarna för att mäta elevers avkodning, läsförståelse och läsflyt?”. Läsförståelse används som ett paraplybegrepp för flera mindre delar. Främst avkodning, fonologisk medvetenhet och språkförståelse.  I denna översikt analyseras och jämförs flera forskningar om avkodning och dess potentiella implikationer, både med varandra och med tidigare forskning. Denna forskning samlades genom databasen ERIC (EBSCO) med hjälp av nyckelord med anledning av att hitta vetenskapliga studier som behandlade ämnet.  Forskningarna undersöker elevers avkodningsförmåga och försöker uppskatta hur deras läsförståelsenivåer kommer vara i framtiden. Resultaten grundas i läsförståelsetest för att se om de uppskattade resultaten var korrekta. Resultaten indikerar att majoriteten av forskarna var överens om att avkodning är ett bra verktyg för att uppskatta elevers framtida prestation och utveckling när det gäller läsförståelse. Resultaten lägger grund för vidare forskning som kommer undersöka tre saker: “Hur lär man elever att avkoda på bästa sätt för att ge dem bra förutsättningar inför deras framtida läsning?”, “Hur upplever flerspråkiga elever svenskämnet i skolan?” och “Hur påverkas elever med problematiken dyslexi av de nuvarande strategier som används för att lära dem läsa?

Train delays occur on a daily basis in the commuter rail of Stockholm. This means that the travellers might become delayed themselves for their particular destination. To find the most accurate method for predicting train delays, the machine learning methods decision tree with and without AdaBoost and neural network were compared with different settings. Neural network achieved the best result when used with 3 layers and 22 neurons in each layer. Its delay predictions had an average error of 122 seconds, compared to the actual delay. It might therefore be the best method for predicting train delays. However the study was very limited in time and more train departure data would need to be collected. / Tågförseningar inträffar dagligen i Stockholms pendeltågstrafik. Det orsakar att resenärerna själva kan bli försenade till deras destinationer. För att hitta den mest träffsäkra metoden för att förutspå tågförseningar jämfördes maskininlärningsmetoderna beslutsträd, med och utan AdaBoost, och artificiella neuronnät med olika inställningar. Det artificiella neuronnätet gav det bästa resultatet när det användes med 3 lager och 22 neuroner i varje lager. Dess förseningsförutsägelse hade ett genomsnittligt fel på 122 sekunder jämfört med den verkliga förseningen. Det kan därför vara den bästa metoden för att förutspå tågförseningar. Den här studien hade dock väldigt begränsat med tid och mer information om tågavgångar hade behövts samlas in.

Multivariate regression of several different quantum chemical descriptors was used to build a model for the reactivity of nucleophilic aromatic substitution reactions, i.e. SNAr reactions, through predictingthe molecular reaction site’s Gibb’s free activation energy (ΔG‡). The datasets used for training provided data of ΔG‡ for several differing halide leaving groups including chloride, bromide, and fluoride. A set of descriptors were tested for the different leaving groups revealing that dissimilar leaving groups are more dependent on certain descriptors than others, meaning each model has to be tailored for the specific leaving groups. Excellent correlations (R2 = 0.93) were achieved between the predicted ΔG‡ and the experimental ΔG‡.The ability of the model to predict regioselectivity in aromatic compounds with multiple leaving groups was tested and successfully predicted the correct regioselectivity through the calculation of ΔΔG‡ in each case tested. However, the model’s validity outside of the training dataset was put into doubt through low R2 values when the model was tested with several external datasets. An unknown factor arose which is speculated to be because of how differing nucleophiles and solvents affect the ΔG‡. One of these tests yielded excellent correlations (R2 = 0.9525) which could be because of similarities between solvents and nucleophiles between the training dataset but a similar factor between predicted ΔG‡ and the experimental ΔG‡ could still be observed.

Background. Weather and weather effects are important features when trying to immerse the viewer into a virtual world. Lightning and thunder is one of those effects when attempting to create rough weather, realistic lightning however requires heavy computations, using physics, weather systems, and knowledge of the 3d world. Objectives. This thesis investigates the possibility of leveraging the predictive power of machine learning to generate animated lightning bolts inside of images, and then investigates the possibility to generate the animated lightning bolts in real time.   Methods. A new data-set for training will be created consisting of videos of lightning bolts. Four image to video machine learning architectures will be investigated and two will be tested in an attempt to find a suitable model for generating the animated lightning bolts. The selected model will be used to generate videos for a questionnaire to collect qualititive data regarding the perceived realism of the animated lightning bolts. To figure out if it is possible to generate the animated lightning bolts in real time the final model will be performance measured and compared to real time requirements of video games and video editing software. Results. For the training data-set 106 curated and pre-processed videos were collected. By gathering four and testing two different machine learning architectures it was found that the architecture based on stochastic Image-to-Video Synthesis using conditional invertible neural networks were the most suited for generating animated lightning bolts. The questionnaire received a 77% positive rating for the generated lightning bolts, with a 1% statistical significance a p-value of 0.00005 was obtained. The performance of the selected machine learning model were measured to be inadequate for real time applications like video games but more than enough for video editing software. Conclusions. The goal of generating animated lightning bolts percieved as real were achieved by creating a new data-set and investigating multiple machine learning architectures. Real time generation is achievable for video editing applications, but real time generation for video games is not yet possible unless the background is static. / Bakgrund. Väder och vädereffekter är viktiga verktyg för att skapa en virtuell värld som fördjupar användaren. Åska och blixtar kan användas för att skapa en upplevelse av dåligt väder men verklighetstrogna representationer kräver tunga matematiska beräkningar och kunskap om den virtuella världen. \newline\textbf{ Syfte. Den här uppsatsen undersöker möjligheten att utnyttja kraften bakom maskininlärning för att generera blixtar som ser verklighetstrogna ut. Uppsatsen undersöker också om det är möjligt att generera blixtar i realtid. Metod. Ett nytt data-set som består av videos av blixtar skapas med syftet att träna modellerna. Fyra bild till video maskininlärnings arkitekturer kommer undersökas och två kommer testas i ett försök att finna en lämplig modell för att generera de animerade blixtarna. Videos från den utvalda modellen kommer användas i ett frågeformulär. Detta formulär kommer användas för att samla in kvalitativ data gällande den upplevda realismen av de genererade blixtarna. För att ta reda på om det är möjligt att generera blixtarna i realtid prestandamäts den slutgiltiga modellen och jämförs med kraven för spel och videoredigeringsverktyg i realtid. Resultat. Modellens träningsdata består av 106 insamlade videoklipp som blivit förbearbetade. Genom att testa två olika maskininlärnings arkitekturer visade det sig att stokastiska bild-till-video arkitekturen baserad på cINN konceptet var den mest lämpade för att generera videos av blixtar. Frågeformuläret mottog ett positivt betyg på 77\% gällande de genererade blixtarna, med en 1\% statistisk signifikans framkom ett p-värde på 0.00005. Prestandan av den utvalda maskin inlärningsmodellen uppmättes vara undermålig för en realtidsapplikation som digitala spel men tillräcklig för videoredigering. Slutsatser. Målet att generera animerade blixtar som uppfattas som realistiska uppnåddes genom att skapa ny träningsdata och undersöka flera olika bild till video maskininlärnings arkitekturer. Realtidsgenerering går att uppnås av applikationer för video redigering, men för applikationer som spel nås inte realtidskraven i dagsläget om kameran i spelet inte står stilla.

The Cloud Radio Access Network (RAN) is a technology used in the telecommunications industry. It provides a flexible, scalable, and costeffective solution for managing and delivering seamless wireless network services. However, the testing of Cloud RAN applications poses formidable challenges due to its complex nature, resulting in potential delays in product delivery and amplified costs. Using the power of test automation is an approach to tackling these challenges. By automating the testing process, we can reduce manual efforts, enhance the accuracy and efficiency of testing procedures, and ultimately expedite the delivery of high-quality products. In this era of cutting-edge advancements, artificial intelligence (AI) and machine learning (ML) can be used to aid Cloud RAN testing. These technologies empower us to swiftly identify and address complex issues. The goal of this thesis is to have a data-driven approach toward Cloud RAN test automation. Machine learning along with natural language processing techniques are used to automatically predict test cases from test instructions. The test instructions are analyzed and keywords are extracted from them using natural language processing techniques. The performance of two keyword extraction techniques is compared. SpaCy was the best-performing keyword extractor. Test script prediction from these keywords is done using two approaches; using test script names and using test script contents. Random Forest was the best performing model for both these approaches when the data were oversampled and when it was undersampled as well. / Cloud Radio Access Network (RAN) är en revolutionerande teknik som används inom telekommunikationsindustrin. Det ger en flexibel, skalbar och kostnadseffektiv lösning för att hantera och leverera sömlösa trådlösa nätverkstjänster. Testningen av Cloud RAN-applikationer innebär dock enorma utmaningar på grund av dess komplexa natur, vilket resulterar i potentiella förseningar i produktleverans och förstärkta kostnader. Att använda kraften i testautomatisering är en avgörande metod för att tackla dessa utmaningar. Genom att automatisera testprocessen kan vi dramatiskt minska manuella ansträngningar, avsevärt förbättra noggrannheten och effektiviteten i testprocedurerna och i slutändan påskynda leveransen av högkvalitativa produkter. I denna era av banbrytande framsteg kan artificiell intelligens (AI) och maskininlärning (ML) användas för att revolutionera Cloud RAN-testning. Dessa banbrytande teknologier ger oss möjlighet att snabbt identifiera och ta itu med komplexa problem. Målet med detta examensarbete är att ha ett datadrivet förhållningssätt till Cloud RAN-testautomatisering. Maskininlärning tillsammans med naturliga språkbehandlingstekniker används för att automatiskt generera testfall från testinstruktioner. Testinstruktionerna analyseras och nyckelord extraheras från dem med hjälp av naturliga språkbehandlingstekniker. Resultatet av två sökordsextraktionstekniker jämförs. SpaCy var den bäst presterande sökordsextraktorn. Förutsägelse av testskript från dessa nyckelord görs med två metoder; använda testskriptnamn och använda testskriptinnehåll. Random forests var den bäst presterande modellen för båda dessa tillvägagångssätt när data överstämplades och även undersamplades.

Time-consuming code builds within the Continuous Integration pipeline is a common problem in today’s software industry. With fast-evolving trends and technologies, Machine Learning has become a more popular approach to tackle and solve real problems within the software industry. It has been shown to be successful to train Machine Learning models that can classify whether a code change is likely to be successful or fail during a code build. Reducing the time it takes to run code builds within the Continuous Integration pipeline can lead to higher productivity in software development, faster feedback for developers, and lower the cost of hardware resources used to run the builds. To answer the research question: How accurate can success or failure in code build be predicted by using Machine Learning techniques on the historical data collection? The important factor is the historical data available and understanding the data. Thorough data analysis was conducted on the historical data and a data cleaning process to create a dataset suitable for feeding the Machine Learning models. The dataset was imbalanced, favouring the successful builds, and to balance the dataset the SMOTE method was used to create synthetic samples. Binary classification and supervised learning comparison of four Machine Learning models were performed; Random Forest, Logistic Regression, Support Vector Machine, and Neural Network. The performance metrics used to measure the performance of the models were recall, precision, specificity, f1-score, ROC curve, and AUC score. To reduce the dimensionality of the features the PCA method was used. The outcome of the Machine Learning models revealed that historical data can be used to accurately predict if a code change will result in a code build success or failure. / Den tidskrävande koden bygger inom pipeline för kontinuerlig integration är en vanlig faktor i dagens mjukvaruindustri. Med trender och teknologier som utvecklas snabbt har maskininlärning blivit ett mer populärt tillvägagångssätt för att ta itu med och lösa verkliga problem inom programvaruindustrin. Det har visat sig vara framgångsrikt att träna maskininlärningsmodeller som kan klassificeras om en kodändring sannolikt kommer att lyckas eller misslyckas under en kodbyggnad. Genom att förbättra och minska den tid det tar att köra kodbyggnader i den kontinuerliga integrationsrörledningen kan det leda till högre produktivitet inom mjukvaruutveckling och snabbare feedback för utvecklare. För att svara på forskningsfrågan: Hur korrekt kan förutsäga framgång eller misslyckande i kodbyggnad med hjälp av Machine Learning-tekniker för historisk datainsamling? Den viktiga faktorn är den tillgängliga historiska informationen och förståelsen för data. Noggrann dataanalys utfördes på historiska data och en datarengöringsprocess för att skapa en datamängd lämplig för matning av maskininlärningsmodellerna. Datauppsättningen var obalanserad och för att balansera användes uppsättningen SMOTE-metoden. Med binär klassificering och övervakad inlärningsjämförelse gjordes fyra maskininlärningsmodeller, Random Forest, Logistic Regression, Support Vector Machine och Neural Network. Prestandamätvärdena som används för att mäta prestandan hos modellerna är återkallelse, precision, f1-poäng och genomsnittlig ROCAUC-poäng. För att minska dimensionaliteten hos funktionerna användes PCA-metoden. Resultatet av modellerna avslöjar att de med god noggrannhet kan klassificeras om en kodändring misslyckas eller lyckas baserat på den datamängd som skapats från historiska data som används för att träna modellerna.

Predicting student performance is an important topic in academia, especially so in programming context, where identification of struggling students allows teachers to offer early and continuous assistance to help them improve their performance. It is thus essential to analyze student programming behavior to detect those at-risk students. This thesis uses data generated from 220 students in a master’s level programming course at a large European university. The students run unit tests in order to test their code when solving assignments, with a snapshot being taken of each test as it is executed. Unit testing is a method of testing software where individual units of source code are tested for correctness. A data set with simple features is derived from a database of snapshots and labeled with students’ grades. Then, the machine learning models support vector machine (SVM), naive Bayes (NB), random forest, and neural networks with one, two and three hidden layers each are trained, evaluated and performance is compared. The results show that SVM and neural networks models are likely the best performing all-rounders, with a possible naive Bayes selection depending on what goal one has. The thesis contributes by training machine learning models on students’ programming behavior. By arming teacher with models such as these, more students that need assistance can get in-time support and thus improve their performance. Future work can improve the models by using or combining other types of student data as features or use a larger data set. / Att förutsäga studenters prestationer är ett viktigt ämne inom akademin, särskilt i programmeringssammanhang, där identifiering av studenter som kämpar med sina studier gör det möjligt för lärare att erbjuda tidig och kontinuerlig hjälp för att hjälpa dem att förbättra sina prestationer. Det är därför viktigt att analysera studenternas programmeringsbeteende för att upptäcka dessa studenter som är vid risk. Denna uppsats använder data från 220 studenter i en programmeringskurs på masternivå vid ett stort europeiskt universitet. Studenterna kör enhetstester för att testa sin kod när de löser uppgifter, och en snapshot tas av varje test när det körs. Enhetstestning är en metod för att testa programvara där enskilda enheter av källkoden testas för korrekthet. En datamängd med enkla features härleds från en databas med snapshots och märks med studenternas betyg. Därefter tränas och utvärderas maskininlärningsmodellerna support vector machine (SVM), naive Bayes (NB), random forest och neurala nätverk med ett, två och tre dolda lager vardera och deras prestanda jämförs. Resultaten visar att SVM och neurala nätverk sannolikt är de bäst presterande allroundmodellerna, med ett möjligt naivt Bayes-val beroende på vilket mål man har. Uppsatsen bidrar genom att träna maskininlärningsmodeller på studenters programmeringsbeteende. Genom att utrusta lärare med modeller som dessa kan fler studenter som behöver hjälp få stöd i tid och därmed förbättra sina prestationer. Framtida arbete kan förbättra modellerna genom att använda eller kombinera andra typer av studentdata som features eller använda en större datamängd.

<p>Open and flexible learning can offer the prospective student a smorgasbord of possible learning activities. This study will investigate if this form of education really suits all students through an examination of relevant factors such as learning process expectations, attendance motives, study approaches (Biggs SPQ), communication initiative, expectation-based study and, finally, background variables such as socioeconomic status. Are there any variables that correlate positive to academic performance? If so, what are these variables and which are most important? This case study is an analysis of academic success involving 174 students in a business administration course in higher education.</p><p>Open and flexible learning is an approach in which distance education and campus mode converge. The emphasis shift is to the individual student’s needs and preferences, which enables students to choose there own learning paths and thus stimulates active and independent learning. The goal is to enable more effective management of learning by the learner. Open and flexible learning is often mentioned as a way to access higher education for non-traditional students. There is a large body of research, with a wide variety of theoretical frameworks and models, that try to explain, describe or predict students’ success. The research points to the fact that there is no one simple explanation or solution to help students towards degree completion or fulfilment of their goals.</p><p>A statistical correlation analysis is conducted in this study and a binary logistic regression is used to construct three models of the most important variables. The first model is based on data about the students that is known before a course starts. The second model includes variables that could be collected at the course start. The third model includes variables that could be collected when the students have attended the course. The result shows that the most important variable for academic success in the course is an achievement-oriented approach to learning. The second most important variable is expectation of the learning process as an individual activity. Other variables such as socioeconomic status and other background variables have less impact. The possibility to predict the academic success is 81 % and the third model explains 46-64 % of the variance of the academic outcome. The conclusion in this study is that the non-traditional students in the Business Administration course receives equal to, if not better results as the other students.</p>

Open and flexible learning can offer the prospective student a smorgasbord of possible learning activities. This study will investigate if this form of education really suits all students through an examination of relevant factors such as learning process expectations, attendance motives, study approaches (Biggs SPQ), communication initiative, expectation-based study and, finally, background variables such as socioeconomic status. Are there any variables that correlate positive to academic performance? If so, what are these variables and which are most important? This case study is an analysis of academic success involving 174 students in a business administration course in higher education. Open and flexible learning is an approach in which distance education and campus mode converge. The emphasis shift is to the individual student’s needs and preferences, which enables students to choose there own learning paths and thus stimulates active and independent learning. The goal is to enable more effective management of learning by the learner. Open and flexible learning is often mentioned as a way to access higher education for non-traditional students. There is a large body of research, with a wide variety of theoretical frameworks and models, that try to explain, describe or predict students’ success. The research points to the fact that there is no one simple explanation or solution to help students towards degree completion or fulfilment of their goals. A statistical correlation analysis is conducted in this study and a binary logistic regression is used to construct three models of the most important variables. The first model is based on data about the students that is known before a course starts. The second model includes variables that could be collected at the course start. The third model includes variables that could be collected when the students have attended the course. The result shows that the most important variable for academic success in the course is an achievement-oriented approach to learning. The second most important variable is expectation of the learning process as an individual activity. Other variables such as socioeconomic status and other background variables have less impact. The possibility to predict the academic success is 81 % and the third model explains 46-64 % of the variance of the academic outcome. The conclusion in this study is that the non-traditional students in the Business Administration course receives equal to, if not better results as the other students.

The number of dementia cases is increasing worldwide. Most research and development in this area is related to the prevention of dementia, and to the development of various prediction tools for dementia. The tools made available take most of the medical data into account while calculating risk scores, with only a small amount of non-medical data. There is a lot of data related to medical and non-medical risk factors available from various sources which can be retrieved and analysed in real time, but this is today not used in any risk score tool for risk score calculation. As part of the project Multimodal strategies to promote a healthy brain in ageing: Innovative evidence-based tools (MULTI-MODE), a new risk score is being developed to be used in a new ICT-based tool for dementia prediction. Identification of non-medical data and a good model to fill the gap between data available at the server and using this data in risk score calculation may help in increasing the predictability of tools. In this thesis, some of the existing risk factors for the prediction of dementia are described, and the importance of non-medical factors in calculating risk scores is discussed. Additional non-medical factors are identified that could be included in future versions of the risk score. A database design for storing risk score information efficiently is presented, as is an app structure that can be used at the server side to validate the user input and to increase the effectiveness of a prediction tool. / Antal demensfall ökar över hela världen. Forskning och utveckling inom detta område är relaterat till att förebygga demens och att utveckla olika prognosverktyg för demens. Flera tillgängliga verktyg tar hänsyn till medicinska data i beräkning av riskpoäng, med endast en liten mängd av icke-medicinska data. Det finns en hel del data om medicinska och icke-medicinska faktorer online, men de används idag inte för riskpoängberäkning. Som en del av projektet Multimodala strategier för att främja en frisk hjärna i åldrande: Innovativa evidensbaserade verktyg (MULTI-MODE), så har en ny metod utvecklats för att användas i ett nytt IT-baserat verktyg för demensförutsägelse. Identifiering av icke-medicinska data och en bra modell för att överbrygga gapet mellan tillgängliga data på servern och använda dessa data i riskberäkning kan bidra till att öka precisionen hos verktyg. I den här studien beskrivs en del befintliga riskfaktorer för förutsägelse av demens och vikten av icke-medicinska faktorer i beräkning av risk diskuteras. Ytterligare icke-medicinska faktorer identifieras som skulle kunna ingå i framtida versioner av riskverktyg (såsom appar). Vissa identifierade riskfaktorer har analyserats och visade att effekten av att införa icke-medicinska faktorer ökar precisionen i resultaten. En databasdesign för lagring av riskinformation på ett effektivt sätt presenteras, liksom en appstruktur som kan användas på serversidan för att validera några av de parametrar som kan öka effektiviteten av verktyget.