Generative machine learning models are capable of generating remarkably realistic samples. Some models generate images that look entirely natural, and others generate text that reads as if a human wrote it. However, judging the quality of these models is a major challenge. Today, the most convincing method is to use humans to evaluate the quality of generated samples. However, humans are biased, costly, and inefficient. Therefore, there is a great need for automatic methods. MAUVE is a recent advancement in the evaluation of generative text models. It compares generated data with real data and returns a score that quantifies their similarity. This is accomplished with the help of a neural network, which provides the understanding of text required to evaluate its quality. MAUVE is motivated by its correspondence with human judgment, and this is shown in multiple experiments. This thesis contributes in two significant ways: First, we complement experiments and discussions made in the original paper. Importantly, we demonstrate that MAUVE sometimes fails to recognize quality differences between generative models. This failure is due to the choice of neural network. Later, we demonstrate that MAUVE can be used for more than just text evaluation. Specifically, we show that it can be applied to images. This is accomplished by using a neural network specialized in image recognition. However, the steps can be repeated for any data type, meaning that MAUVE can potentially become a more generalized measurement than suggested in the original paper. Our second contribution is an extension toMAUVEcalled Sequence-MAUVE (S-MAUVE). The score MAUVE produces can be seen as an average of the overall quality of generated text. However, some generative models initially produce excellent text, but see drops in quality as the sequences grow longer. Therefore, a single score that represents entire sequences is likely to omit important details. Instead, S-MAUVE evaluates generated text at the smallest possible level. The result is a sequence of scores, which give users more detailed feedback about the behavior of a generative model. / Generativa maskininlärningsmodeller kan generera data av enastående kvalitet. Vissa modeller genererar bilder av ansikten som ser helt realistiska ut, och andra genererar text som verkar varit skriven av en människa. Trots detta så är det inte klart hur dessa modeller ska evalueras. Idag så är den främsta metoden mänsklig evaluering: En person får utgöra huruvida generade data verkar realistisk eller inte. Mänsklig evaluering har flera nackdelar. Människor är partiska, dyra och långsamma. Därför behövs det automatiska evalueringsverktyg. MAUVE är ett ny metod för att evaluera generative textmodeller som jämför hur lik genererad data är med äkta data. Detta åstadkoms med hjälp av ett neuralt nätverk, som bidrar med den förståelse av text som krävs för att evaluera den. MAUVE är motiverat av att dess omdömen överensstämmer med mänsklig evaluering. Den här uppsatsen bidrar på två sätt. Till att börja med komplementerar vi experiment och diskussioner gjorda i den ursprungliga rapporten o m MAUVE. Till exempel så visar vi att MAUVE ibland inte lyckas känna av kvalitetsskillnader mellan olika generativa modeller. Detta på grund av val av neuralt nätverk. Efteråt så demonstrerar vi att MAUVE kan appliceras på andra typer av data än text. Mer specifikt så applicerar vi MAUVE på bilder. Detta åstadkoms genom att använda ett neuralt nätverk specialiserat på bildigenkänning, istället för text. Stegen vi följer kan upprepas för vilken typ av data som helst, vilket innebär att MAUVE kan användas som ett mer generellt mått än vad den ursprungliga artikeln ger sken för. Vårt andra bidrag är att utveckla MAUVE till det vi kallar för S-MAUVE. MAUVE använder bara sammanfattningar av hela texter som bas för sina jämförelser. En konsekvens av det är att den endast gör påståenden om textdatas genomsnittliga kvalitet. Men, det är välkänt att kvaliteten hos genererad textdata kan variera beroende på var i texten man befinner sig. Många generativa textmodeller producerar sekvenser som är verklighetstrogna i början, men blir sämre och repetitiva senare. Till skillnad från MAUVE så evaluerar S-MAUVE genererad text på minsta möjliga detaljnivå. Resultaten är en sekvens av poäng, som ger användare mer information om egenskaperna hos den studerade generativa modellen.

In recent years Generative AI tools have become increasingly ubiquitous and have given rise to much discussion concerning their impact on jobs, both in personal use and corporate settings. Despite Generative AI being a rapidly growing field, there is currently an existing research gap regarding the adoption of these tools across different domains. This study aims to fill this gap by contributing with knowledge on how designers might integrate Generative AI into their workflows. By adopting a Research through design (RtD) approach, three workshops were held where designers used generative AI tools to co-create design fictions envisioning how AI tools would permeate their future workflows. Thematic analysis of the workshop data revealed both desirable and undesirable futures from the designers’ perspectives situating AI at various stages of design – from assisting designers with mundane tasks to helping with ideation and testing. The futures brought up reflections on designers in control of the workflow, the dynamics of human-AI collaboration and the evolving role of the designer. The study contributes knowledge about different forms human-AI interactions could take in the near future, and highlights the importance of careful consideration when deploying these tools in a human-centric manner. / De senaste åren har generative AI-verktyg blivit alltmer vanliga, vilket har skapat många diskussioner angående deras påverkan på arbetet, både för personligt bruk och inom företagsmiljöer. Trots att generativ AI är ett snabbt växande fält, finns det en forskningslucka när det gäller anpassning av dessa verktyg inom olika domäner. Syftet med studien är att fylla detta gap genom att generera kunskap om hur designers kan integrera generativ AI i sina arbetsflöden. Genom att använda en forskning-genom-design (RtD) metod, hölls tre workshops där designers skulle använda generativa AIverktyg för att gemensamt skapa “designfiktioner” för att föreställa sig hur AI-verktyg skulle påverka deras arbetsflöden. Tematisk analys av workshopdata uppvisade både önskvärda och oönskade framtidsscenarier som placerade generativ AI i olika stadier av design — från att assistera designers med repetativa uppgifter till att hjälpa till med kreativitet och testning. Framtiderna inspirerade reflektioner över designers kontroll över processen, dynamiken i mänsklig-AIsamverkan och designers egna roller. Studien bidrar med kunskap om olika former av mänsklig-AI-interaktioner skulle kunna se ut i en nära framtid och belyser vikten av noggranna överväganden vid implementering av dessa verktyg på ett människocentrerat sätt.

De senaste åren har generativa AI-modeller såsom ChatGPT blivit ett populärt fenomen inom fleraområden, inklusive utbildning inom programmering. Frågor som uppstår i samband med detta är hur verktyg som ChatGPT kan påverka studenter samt hur utbildning kan anpassas med tanke på verktyget inverkan. Denna studie har valt att rikta in på hur användning av generativ AI påverkar studenters inlärningsmotivation och tilltro till att klara av programmeringsuppgifter. Studien syftar även till att fånga in studenters perspektiv kring hur de uppfattar att man bör anpassa utbildning för att hantera detta nya fenomen med utgångspunkt i utlärning av prompter. Studien har kommit fram till att studenterna som intervjuats har upplevt ökat tilltro till att klara av och lösa uppgifter med vid användning av generativ AI. Flera av studenterna hade också upplevt en ökning i inlärningsmotivationen på grund av generativ AI. Perspektiven studenterna hade gällande anpassning av utbildning uppfattade flera att utlärning av prompter som ett effektivt sätt att integrera generativ AI inom programmeringsutbildningar. Samtidigt uppfattade andra studenter vissa aspekter som viktigare att fokusera på gällande hur utbildning bör förhålla sig till generativ AI där bland annat ökad redovisning av uppgifter och ändring av svårighetsgraden på uppgifter beskrevs som viktigare anpassningar.

The emergence of generative AI has sparked significant hype in recent years, fueled by its ability to perform tasks autonomously and augment human capabilities. This technology has led to excitement in organizations all over the world, with promises of revolutionizing various industries. This study aims to explore the effects of generative AI in workplace environments and how different professional roles may be affected by this. Furthermore, this study seeks to shine light on possible barriers to achieve the positive effects that generative AI enables. More specifically, this study focuses on effects of the generative AI tool Copilot for M365 within a large global organization. By employing qualitative methods including interviews with employees who have been using Copilot in the workplace, this research aspires to uncover how humans interact with AI and what the effects of this might be. The results show that Copilots primarily induces efficiency through automation in the researched organization, while also suggesting signs of augmenting human cognition, where creativity and innovation emerge as effects. Furthermore, the findings indicate that there are no significant profession-specific effects. Lastly, the study has gained insight that there are barriers to achieve the full potential and value of generative AI.

Programming education is on the rise, leading to an increase in learning resources needed for universities and online courses. Questions are crucial for promoting good learning, and providing students with ample practice opportunities. Learning a subject relies heavily on a structured progression of topics and complexity. Yet, creating numerous questions has been proven to be a time-consuming task. Recently the technology world has been introduced to Generative AI (GenAI) systems using Large Language Models (LLMs) capable of generating large amounts of text and performing other text-related tasks. How can GenAI be used to solve problems related to creating learning materials while ensuring good quality? This study aims to investigate how well GenAI can create a sense of progression in a set of programming questions based on different prompt strategies. The method involves three question-generation cases using Chat-GPT API. Then, a qualitative evaluation of questions complexity, order, and quality is conducted. The first case aims to be the most simple way of asking Chat-GPT to generate 10 MCQs about a specific topic. The second case introduces defined complexity levels and desires of logical order and progression in complexity. The final case is the more advanced prompt building upon the second case along with a skill map as inspiration to the LLM. The skill map is a structured outline that highlights key points when learning a topic. According to the results, providing more instructions along with a skill map had a better impact on the progression of questions generated compared to a simpler prompt. The first case prompt still resulted in questions with good order but lacking in increasing complexity. The results indicate that while GenAI is capable of creating questions with a good progression that could be used in a real teaching context, it still requires quality control of the content to find outliers. Further research should be done to investigate optimal prompts and what constitutes a good skill map. / Programmeringsutbildningar blir allt fler, vilket leder till en ökning av behovet för lärresurser för universtitet och onlinekurser. Frågor är avgörande för att främja bra lärande och ge eleverna övningsmöjligheter. Att lära sig ett ämne är starkt beroende av en strukturerad progression av ämnen och komplexitet. Men att skapa många frågor har visat sig vara en tidskrävande uppgift. Nyligen har teknikvärlden introducerats till Generativa AI (GenAI)-system som använder Stora språkmodeller (LLM) som kan generera stora mängder text och utföra andra textrelaterade uppgifter. Hur kan GenAI användas för att lösa problem relaterade till att skapa läromedel samtidigt som man säkerställer en god kvalitet? Denna studie syftar till att undersöka hur väl GenAI kan skapa en känsla av progression i en uppsättning programmeringsfrågor baserade på olika prompt strategier. Metoden använder tre olika sätt att generera frågor med hjälp av Chat-GPTs API. Därefter genomförs en kvalitativ utvärdering av frågornas komplexitet, ordning och kvalité. Det första sättet syftar till att vara det enklaste sättet att be Chat-GPT att generera 10 flervalsfrågor om ett specifikt ämne. Det andra fallet introducerar definierade komplexitetsnivåer och önskemål om logisk ordning och progression i komplexitet. Det sista fallet är den mer avancerade prompten som bygger på det andra fallet tillsammans med en färdighetskarta som inspiration. Färdighetskartan är en strukturerad disposition av ett ämne som lyfter fram nyckelpunkter när man lär sig ett ämne. Resultaten visade att tillhandahålla fler instruktioner tillsammans med en färdighetskarta hade en bättre inverkan på progressionen av de genererade frågorna jämfört med det första sättet. Den första prompten resulterade fortfarande i frågor med god ordning men som saknade stegrande komplexitet. Resultaten indikerar att även om GenAI kan skapa frågor med god progression som skulle kunna användas i ett verkligt undervisningssammanhang, så krävs fortfarande en kvalitetskontroll av innehållet för att hitta felaktigheter. Ytterligare forskning bör göras för att undersöka optimala prompt och hur en bra färdighetskarta bör se ut.

Syftet med studien är att skapa en djupare förståelse för hur marknadsförare upplever att generativ artificiell intelligens förändrar marknadsföringsarbetet samt dess kreativa processer.  Studien antar en kvalitativ forskningsmetod. Sju stycken semistrukturerade intervjuer genomfördes och detta följdes av en tematisk analys. Den teoretiska referensramen baseras på tidigare studier. Resultatet påvisar att marknadsförare upplever att generativ AI (GAI) har en betydande påverkan på marknadsförares arbetsuppgifter och på marknadsföringsbranschen. Denna påverkan uppfattas mestadels som positiv. Trots fördelarna som GAI bringar, finns det utmaningar vid implementeringen, särskilt etiska frågor är en utmaning då det ännu inte finns tydliga riktlinjer och lagar för användandet. GAI kommer inte att ersätta marknadsförare helt, men teknologin tar över allt fler uppgifter och effektiviserar många processer, såsom skapande av innehåll, idéer, insikter samt personalisering av innehåll. Människor har en viktig roll i att ställa rätt frågor till GAI, kontrollera, redigera samt utveckla det som genereras. Det är tvetydigt huruvida GAI kan generera kreativt innehåll autonomt, då det framgår att modellerna syntetiserar sin träningsdata snarare än genererar nytt och unikt innehåll. Det är däremot tydligt att kreativitet kan ta sig uttryck på olika sätt, och att GAI effektivt kan stötta marknadsförare i att uppnå kreativa resultat. Denna stöttning kan ske på flera olika sätt.  Studien bidrar med en ökad förståelse för hur marknadsförare upplever att GAI förändrar marknadsföringsarbetet, kreativa processer och möjligheten att nå kreativa resultat. Studien bidrar utöver det med praktiska bidrag till företag. Det föreslås att forska vidare kring samma frågor i takt med att teknologin utvecklas. Vidare föreslås en studie där urvalet avgränsas mer, i syfte att skapa djupare förståelse för ett specifikt område. Utöver det föreslås en kvantitativ studie för att fånga in en mer representativ grupp och därmed kunna generalisera resultatet mer. Avslutningsvis föreslås en kvalitativ studie kring hur lagstiftning kan utformas. / The purpose of this study is to gain a deeper understanding of how marketers perceive the impact of generative artificial intelligence on marketing work and its creative processes. The study adopts a qualitative research method. Seven semi-structured interviews were conducted followed by a thematic analysis. The theoretical framework is based on previous studies. The results indicate that marketers perceive generative AI (GAI) as having a significant impact on their tasks and the marketing industry, the impact is largely perceived as positive. Although GAI offers advantages, challenges exist in its implementation, particularly regarding ethical issues, as clear guidelines and regulations are still lacking. While GAI will not completely replace marketers, it is increasingly taking over tasks and streamlining various processes, such as content creation, idea generation, insights, and content personalization. Humans play a crucial role in posing the right questions to GAI, verifying, editing, and refining the generated content. It remains ambiguous whether GAI can autonomously generate creative content, as it appears that the models synthesize training data rather than produce entirely new and unique content. Nonetheless, it is evident that creativity can manifest in diverse ways, and GAI can effectively support marketers in achieving creative outcomes in various capacities. The study contributes to an enhanced understanding of how marketers perceive that GAI changes marketing work, creative processes, and the ability to achieve creative outcomes. Additionally, the study provides practical insights and contributions for businesses. It is proposed that further research be conducted on the same questions as technology advances. Additionally, a study with a more narrowly defined sample is suggested to gain a deeper understanding of a specific area. Furthermore, a quantitative study is recommended to capture a more representative group, thereby allowing for greater generalization of the results. Finally, a qualitative study on how legislation can be formulated is proposed.

Det är svårt att undgå de återkommande diskussionerna om artificiell intelligens (AI), specifikt generativ AI och dess allt mer utbredda användning. Utvecklingen av exempelvis chatbotar, såsom ChatGPT, markerar en övergång mot teknik som anpassar sig efter människan och inte tvärtom, vilket väckt frågor kring användarupplevelser och design. Därför ämnar den här undersökningen att skapa djupare förståelse för vad som motiverar människor att börja och fortsätta använda ChatGPT, den senaste generationen av chatbot. För att göra det används Uses and gratification theory som ramverk för undersökningen då den kan identifiera bakomliggande motivation och vilka tillfredsställelser användaren får vid användandet av ett visst medium. I motsats till tidigare forskning som huvudsakligen använt enkäter och frågeformulär, använder denna studie semistrukturerade intervjuer för att få insikt i användarnas perspektiv och upplevelser. För att sortera den empiri som samlats in gjordes ett affinitetsdiagram. Den sorterade datan har sedan analyserats genom linsen av Uses and gratification theory.  Resultatet från undersökningen visar att det finns fyra primära motivationer för att börja och fortsätta sin användning av ChatGPT: tidseffektivitet, produktivitet, nyfikenhet och tillit. Det framgår att nyfikenhet initierar användningen medan tidseffektivitet och produktivitet är de primära motivationerna till fortsatt användning. Vidare anses tillit vara den kritiska motivationen som behöver tillfredsställas för att bibehålla användares engagemang. Slutsatsen är att framtida forskning och designprocesser kan med fördel inkludera personer som idag inte använder den här typen av tjänster för att kunna identifiera fler bakomliggande orsaker till bristande tillit och motivation. Det finns även ett behov av att utöka eller ta fram nya ramverk för att undersöka och identifiera nya motivationsfaktorer och tillfredsställelser i det föränderliga landskapet av digitala tjänster. Slutligen anses det kritiskt att den fortsatta utvecklingen av ChatGPT och liknande tjänster antar en användarcentrerad approach för att säkerställa en positiv användarupplevelse. / It is difficult to avoid the recurring discussions about artificial intelligence (AI), specifically generative AI and its increasingly widespread use. The development of chatbots, such as ChatGPT, marks a transition toward technology that adapts to humans rather than the other way around, raising questions about user experiences and design. Therefore, this study aims to create a deeper understanding of what motivates people to start and continue using ChatGPT, the latest generation of chatbots. To achieve this, the Uses and Gratifications Theory is used as the framework for the study, as it can identify underlying motivations and the gratifications users derive from using a particular medium. In contrast to previous research that mainly used surveys and questionnaires, this study employs semi-structured interviews to gain insights into users' perspectives and experiences. Affinity diagrams were used to sort the collected empirical data. The sorted data has then been analyzed through the lens of the Uses and Gratifications Theory. The results of the study show that there are four primary motivations for starting and continuing the use of ChatGPT: time efficiency, productivity, curiosity, and trust. It appears that curiosity initiates usage, while time efficiency and productivity are the primary motivations for continued use. Furthermore, trust is considered the critical motivation that needs to be satisfied to maintain user engagement. The conclusion is that future research and design processes could benefit from including people who do not currently use this type of service to identify more underlying causes of lack of trust and motivation. There is also a need to expand or develop new frameworks to explore and identify new motivational factors and gratifications in the evolving landscape of digital services. Finally, it is deemed critical that the continued development of ChatGPT and similar services adopts a user-centered approach to ensure a positive user experience.

AI-implementeringar inom organisationer har på den senare tiden växt explosionsartat där chatbotar baserade på generativ AI beräknas bli allt mer populärt. Tidigare forskning har framförallt bedrivit kvantitativa studier som dessutom fokuserat på externa chatbotar, där syftet varit att kommunicera med intressenter utanför organisationen. Den här studien fokuserar därför på interna chatbotar som ämnar stötta de anställda i deras vardagliga arbetsuppgifter, med fokus på hur samspelet ser ut mellan medarbetarna och AI på arbetsplatsen. Med hjälp av att använda en kvalitativ forskningsmetod, i form av tio semistrukturerade intervjuer på managementkonsultföretaget Centigo, var studiens syfte att bidra till en djupare förståelse för hur medarbetare på den utvalda organisationen upplever och skapar mening i förhållande till den AI-baserade chatboten på arbetsplatsen, samt vilken påverkan det har på deras självbild och den kommunikation som de för inom verksamheten. Genom att analysera empirin med en socialkonstruktivistisk utgångspunkt och meningsskapande som huvudsakligt analysverktyg, visade resultatet att chatboten både påverkar medarbetarnas självbild och de kommunikationsprocesser som medarbetarna för inom organisationen. Framförallt i form av att den digitala identiteten riskerar att bli alltmer generisk, vilket gör att de anställdas personlighet och karisma får en större betydelse i det fysiska rummet. Enklare problem tas dessutom numera med chatboten istället för med en kollega, vilket öppnar upp för ett nytt sätt att kommunicera på arbetsplatsen. Sammantaget var det tydligt att de mänskliga relationerna fyller en viktig funktion på arbetsplatsen, där det fanns skepticism mot att AI någonsin kommer kunna ersätta det. / AI implementations within organizations have recently grown exponentially, with chatbots based on generative AI expected to become increasingly popular. Previous research has primarily conducted quantitative studies, focusing on external chatbots aimed at communicating with external stakeholders. This study therefore focuses on internal chatbots intended to support employees in their daily work tasks, with a focus on the interaction between employees and AI in the workplace. By employing a qualitative research method through ten semi-structured interviews at the management consulting firm Centigo, the aim of the study was to contribute to a deeper understanding of how employees in the selected organization perceive and create meaning in relation to the AI-based chatbot in the workplace, and its impact on their self-image and the communication they engage in within the organization. By analyzing the empirical data from a social constructivist perspective and using sensemaking as the main analytical tool, the results showed that the chatbot affects both employees' self-image and the communication processes within the organization. Particularly, the digital identity risks becoming more generic, emphasizing the importance of employees' personality and charisma in physical interactions. Also, simpler issues are now handled with the chatbot rather than with a colleague, which introduces a new way of communicating in the workplace. Overall, it was evident that human relationships serve a vital function in the workplace, with skepticism towards AI ever being able to replace them.

Satsflätor med subjektsextrahering över en kvarstående subjunktion har beskrivits som ogrammatiskt i modern svenska men inte i finlandssvenska. I generativa termer beskrivs detta som att modern svenska är en varietet med en that-trace effect och att finlandssvenska är en varietet utan. Uppsatsen syfte är att undersöka om satser med en utebliven that-trace effect kan återfinnas i modern svenska. Uppsatsen ämnar även redogöra för i vilken utsträckning de i så fall kan återfinnas och att diskutera möjliga hypoteser till satsernas förekomst. Två korpusundersökningar genomförda med hjälp av analysverktyget Korp visar att satsflätor med subjektsextrahering över en kvarstående subjunktion i viss utsträckning återfinns i svenska sociala medier men också att förekomsten är ytterst sparsam. Det diskuteras om förekomsten kan förklaras som misstag, som producerade av andraspråkstalare eller finlandssvenska talare, men åtminstone en delmängd av satserna bör kunna tolkas som grammatiska för sverigesvenska talare. Grammatikaliteten kan eventuellt förklaras med att att här har nominala egenskaper eller att subjunktionen lexikaliseras i ForceP istället för FinP, förutsatt antagandet av en uppdelad CP.

Die Arbeit analysiert das Lasermikrosintern von Metallen in seiner Gesamtheit durch kalkulierbare Modelle und Formulierungen. Hierfür wird der Sintervorgang in relevante Prozessschritte untergliedert. Die darauf aufbauenden Berechnungen der Prozessparameter werden in Form analytischer Ansätze und durch numerische Simulation analysiert. Anfänglich werden die Modelle der Einzelschritte und deren Resultate werden auf Übereinstimmung mit den experimentellen Daten und Beobachtungen geprüft. Hierbei dienen die Modelle, Algorithmen und analytischen Beziehungen als nachhaltiges Instrumentarium für Analysen und Beschreibungen dieses und ähnlicher Prozesse. Mithilfe der entwickelten Algorithmen werden die bisherigen Vorstellungen zum Prozessmechanismus verifiziert, korrigiert, ergänzt und offene Fragen zur Prozessmechanik beantwortet. Abschließend werden die mechanistischen Modelle der Einzelschritte zur Diskussion experimenteller Ergebnisse und beobachteter Prozessphänomene in Form einer Gesamtinterpretation der betreffenden Lasermikrosinterregime zusammengeführt. Zunächst werden die Prozessbedingungen und Prozessbeschreibungen sowie die Modelle zur Strahlungsabsorption in Pulvern in Arbeiten fremder Autoren vorgestellt. Zur Beschreibung der Ursache und Wirkung laserinduzierter Plasmen, ein besonders beim Lasermikrosintern bedeutsames Phänomen, wird auf eigene frühere Arbeiten zurückgegriffen. Aus den besonderen Bedingungen des Lasermikrosinterns wird die formale Gliederung des Prozessverlaufs in drei separate Dissipationsphasen abgeleitet. Die drei relevanten Reaktionsphasen sind hierbei, die Absorption der Strahlung, die Wärmeausbreitung und Schmelzerzeugung sowie die Wärmeleitung im Pulverbett. Die ablaufenden Einzelmechanismen als Folge der gepulsten Laserstrahlung werden durch geeignete Näherungen beschrieben und berechnet. Die Resultate werden mit grundlegender Aussage mit experimentellen Beispielen verglichen und verifiziert. Die Betrachtung unterschiedlicher Regime des Lasermikrosinterns erfolgt, gestützt auf die Ergebnisse der Kalkulationen der energetisch-thermodynamischen Synthese. Es werden Aussagen zu den regimespezifischen Prozessmerkmalen getroffen und mit den Beobachtungen verglichen. Oder, es werden regimespezifische Beobachtungen mit Hilfe der im vorhergehenden Abschnitt entwickelten prozessanalytischen Werkzeuge interpretiert. Auswirkungen von Parametervariationen auf den Gesamtprozess werden im Hinblick auf das Optimierungspotential diskutiert.