Undersökningens syfte är att jämföra datorskrivna och handskrivna elevtexter för att ta reda på om gymnasieelevers texter skiljer sig åt utifrån vissa språkliga aspekter beroende på om eleverna skriver på dator eller för hand. I undersökningen har en komparativ studie av fem datorskrivna och fem handskrivna elevtexter genomförts utifrån en kvalitativ textanalys med fokus på texternas språkfunktion, disposition, textbindning, syntax och ortografi. Utöver dessa har även två kvantitativa analyspunkter tillämpats i undersökningen: textlängd och genomsnittlig meningslängd. Undersökningen visar att det finns skillnader mellan elevernas datorskrivna och handskrivna text, men bara på vissa områden. De största skillnaderna berör främst de kvantitativa analyspunkterna som visar att både textlängd och meningslängd är längre i de datorskrivna texterna. Likaså går att fastställa små skillnader mellan texternas språkfunktion, referentbindning och satsradning. I övrigt förekommer inga markanta skillnader mellan texterna.

Undersökningens syfte är att ta reda på hur datoranvändning vid skrivprov påverkar elevtexters kvalitet. 37 handskrivna och 37 datorskrivna elevtexter från skrivprov jämförs utifrån både kvantitativa och kvalitativa aspekter. Texterna är skrivna av elever från det tekniska programmet i gymnasiet årskurs 3. Jämförelsen mellan elevernas handskrivna och datorskrivna texter visar att de datorskrivna texterna är längre, går snabbare att skriva och har en mer korrekt styckeindelning. De datorskrivna texterna får något högre omdöme vad gäller innehållet i texterna men de bedöms språkligt inte vara bättre än de handskrivna. Skillnaderna är små när det gäller texternas disposition. Skillnaderna mellan texterna är dock inte tillräckligt stora för att det ska påverka betygsbedömningen när den sker med den fyragradiga betygsskalan (IG – MVG) utan betygsresultatet blir lika för de två grupperna. Bland de handskrivna texterna finns dock något fler underkända texter. När bedömningen sker med den tiogradiga skalan (med + och - på betygsstegen) syns några fler skillnader på de lägre betygsstegen. Det verkar som att datorn hjälper de svagaste eleverna, dels så att några fler klarar G-gränsen, dels så att texterna blir något bättre inom betygssteget. Utöver elevtexterna har även svar från en enkät som eleverna fyllt i sammanställts för information om elevernas datorvana och inställning till datorskrivande. Sammanställningen visar att eleverna i undersökningen har stor datorvana och alla utom två föredrar datorskrivande framför att skriva för hand. Undersökningen visar att datoranvändning vid skrivprov för denna elevgrupp inte påverkar texternas kvalitet utom för elever i det lägsta betygsskiktet där en liten förbättring märks.

Huvudsyftet med denna uppsats är att undersöka om elevers texter skiljer sig åt utifrån vissa språkliga variabler beroende på om eleverna skriver med hjälp av digitalt verktyg eller för hand samt hur elevernas attityd är till sitt skri-vande på iPad kontra för hand. I den komparativa undersökningen har 51 iPadskrivna texter och 51 handskrivna texter undersökts utifrån kvantitativa aspekter med fokus på disposition, syntax och ortografi. Texterna är skrivna under två olika tillfällen av elever i årskurs 8. Undersökningen visar att det finns skillnader mellan elevernas iPadskrivna och handskrivna text, men endast på vissa områden. De största skillnaderna berör främst textlängd och meningslängd, eftersom båda variablerna visar sig vara längre i de iPadskrivna texterna. I övrigt framkom inga markanta skillnader mellan texterna. Vad gäller elevernas attityd till skrivverktygen visar det sig att majoriteten föredrar att skriva med hjälp av iPad, men att de flesta inte tror att detta påverkar kvaliteten utan endast gör att de hinner skriva längre texter. / <p>Godkänt datum 2020-06-07</p>

Datorer och mobiltelefonerna är idag allestädes närvarande i skolan och elever, lärare eller skolledning funderar sällan på hur detta påverkar lärandet. Den större delen av den tidigare forskningen visar att med ökad mobiltelefonanvändning kommer försämrade skolresultat. Kemididaktiken innebär ofta att hjärnans spatiala och mer visuella förmågor behövs i kemin och där är den handskrivna anteckningen bättre än anteckningen på tangentbord. Syftet med detta examensarbete var att undersöka om frånvaro av dator och mobiltelefon, kan förbättra elevers lärande i kemi, mätt i deras förmåga att prestera på kemiprov. Dessa elevers resultat på kemiproven jämfördes med en kontrollgrupp som hade med sig datorer och mobiltelefonen i klassrummet. Jag valde positivismen kvantitativa ansats tillsammans med Karl Poppers kritiska rationalismen till den vetenskapsteori ur vilket perspektiv jag analyserade undersökningens resultat. Metoden som användes var kvantitativ analys där de två olika gruppernas provresultat på 4 olika kemiprov jämfördes statistiskt med ett Students t-test. Resultat: Students t-test visade att där inte fanns någon skillnad mellan grupperna; t(120) = 1,98, p = 0,19. En subgruppsanalys gjordes på gruppen med svagare elever, alltså elever som före undersökningen presterat sämre i kemi och Students t-test visade att inte heller här fanns någon skillnad mellan grupperna; t(56) = 2,00, p = 0,11. Medelpoängen för hela gruppen med datorer och mobiltelefoner blev 12,4 poäng och de utan 14,4 poäng. Medelpoängen för subgruppen med de svaga eleverna, blev för gruppen med datorer och mobiltelefoner 7,2 poäng och gruppen utan 9,8 poäng. Slutsatsen blev att mobiltelefonen är en för gymnasieeleven essentiell del av livet och mobiltelefonen bär eleven alltid med sig, ibland även om man vill hjälpa sin kemilärare att ta examen och bli en legitimerad lärare genom att deltaga i hans undersökning.

Dysgraphia is a rather widespread learning disorder in the current society. It is well established that an early diagnosis of this writing disorder can lead to improvement in writing skills. However, as of today, although there is no comprehensive standard process for the evaluation of dysgraphia, most of the tests used for this purpose must be done at a physician’s office. On the other hand, the pandemic triggered by COVID-19 has forced people to stay at home and opened the door to the development of online medical consultations. The present study therefore aims to propose an automated pipeline to provide pre-clinical diagnosis of dysgraphia. In particular, it investigates the possibility of applying deep learning techniques to the most widely used test for assessing writing difficulties in Italy, the BVSCO-2. This test consists of several writing exercises to be performed by the child on paper under the supervision of a doctor. To test the hypothesis that it is possible to enable children to have their writing impairment recognized even at a distance, an innovative system has been developed. It leverages an already developed customized tablet application that captures the graphemes produced by the child and an artificial neural network that processes the images and recognizes the handwritten text. The experimental results were analyzed using different methods and were compared with the actual diagnosis that a doctor would have provided if the test had been carried out normally. It turned out that, despite a slight fixed bias introduced by the machine for some specific exercises, these results seemed very promising in terms of both handwritten text recognition and diagnosis of children with dysgraphia, thus giving a satisfactory answer to the proposed research question. / Dysgrafi är en ganska utbredd inlärningsstörning i dagens samhälle. Det är väl etablerat att en tidig diagnos av denna skrivstörning kan leda till en förbättring av skrivförmågan. Även om det i dag inte finns någon omfattande standardprocess för utvärdering av dysgrafi måste dock de flesta av de tester som används för detta ändamål göras på en läkarmottagning. Å andra sidan har den pandemi som utlöstes av COVID-19 tvingat människor att stanna hemma och öppnat dörren för utvecklingen av medicinska konsultationer online. Syftet med denna studie är därför att föreslå en automatiserad pipeline för att ge preklinisk diagnos av dysgrafi. I synnerhet undersöks möjligheten att tillämpa djupinlärningstekniker på det mest använda testet för att bedöma skrivsvårigheter i Italien, BVSCO-2. Testet består av flera skrivövningar som barnet ska utföra på papper under överinseende av en läkare. För att testa hypotesen att det är möjligt att göra det möjligt för barn att få sina skrivsvårigheter erkända även på distans har ett innovativt system utvecklats. Det utnyttjar en redan utvecklad skräddarsydd applikation för surfplattor som fångar de grafem som barnet producerar och ett artificiellt neuralt nätverk som bearbetar bilderna och känner igen den handskrivna texten. De experimentella resultaten analyserades med hjälp av olika metoder och jämfördes med den faktiska diagnos som en läkare skulle ha ställt om testet hade utförts normalt. Det visade sig att, trots en liten fast bias som maskinen införde för vissa specifika övningar, verkade dessa resultat mycket lovande när det gäller både igenkänning av handskriven text och diagnos av barn med dysgrafi, vilket gav ett tillfredsställande svar på den föreslagna forskningsfrågan.

Analysing handwritten texts and creating labelled data sets can facilitate novel research on languages and advanced computerized analysis of authors works. However, few handwritten works have word wise labelling or data sets associated with them. More often a transcription of the text is available, but without any exact coupling between words in the transcript and word representations in the document images. Can an algorithm be created that will take only an image of handwritten text and a corresponding transcript and return a partial alignment and data set? An algorithm is developed in this thesis that explores the use of a convolutional neural network trained on English handwritten text to be able to align some words on pages and create a data set given a handwritten page image and a transcript. This algorithm is tested on handwritten English text. The algorithm is also tested on Swedish shorthand, which was the inspiration for the development of the algorithm in this work. In testing on several pages of handwritten English text, the algorithm reaches an overall average classification of 68% of words on one page with 0% miss-classification of those words. On a sequence of pages, the algorithm reaches 84% correctly classified words on 10 pages and produces a data set of 551 correctly labelled word images. This after being shown 10 pages with an average of 70.6 words on each page, with0% miss-classification. / Analys av handskrivna texter och skapande av dataset kan främja ny forskning inom språk och avancerad datoranalys av olika författares verk. Det finns dock få handskrivna verk med information om vad varje handskrivet ord betecknar eller dataset relaterade till texten. Oftare finns en transkribering av texten, utan någon exakt koppling mellan de transkriberade orden och handskrivna ord i bilden av ett dokument. Genom att skapa en algoritm som kan ta tillvara handskrivna texter och motsvarande transkription kan potentiellt fler verk datoranalyseras. Kan en algoritm skapas som bara tar in en bild av ett handskrivet dokument och en motsvarande transkription och som returnerar en partiell placering av ord till ordbilder och ett dataset? En algoritm skapas i detta arbete som utforskar möjligheten att använda ett djupt neuralt nätverk tränat på engelsk handskriven text för att koppla ord i ett dokumentet till en transkription, och använda dessa för att skapa ett dataset. Denna algoritm är testad på engelsk handskriven text. Algoritmen testas också på svensk stenografi, vilket är inspirationen till skapandet av algoritmen. Algoritmen testades på ett antal sidor handskriven engelsk text. Där kunde algoritmen klassificera i genomsnitt 68% av orden på en handskriven sida med 0% av dessa ord felklassificerade. På en serie sidor når algoritmen en genomsnittlig klassificering av 84% klassificerade ord, och producerar ett dataset av 551 korrekt klassificerade ordbilder. Detta är efter att ha visat algoritmen 10 sidor med i snitt 70.6 ord per sida. I dessa test nåddes också en felklassificering på 0%.