On the foundation of Multiliteracies presented by The New London Group (Cazden m.fl.1996) that calls for recognising students’ multilingualism and multimodality, this study seeks to explore what beliefs in-service teachers in linguistically diverse classrooms express about usage of multimodal resources for meaning making. This study strives in particular at understanding whether teachers view such usage as beneficial for multilingual students’ learn­ing. In addition, this longitudinal qualitative study inspired of both intervention studies and design-based studies seeks to understand the connections between teachers’ beliefs and professional develop­ment programs. My data consists of six teachers’ beliefs expressed in reflections and in their reported teaching during a year of professional develop­ment. Through content analysis, the results show that all teachers view usage of multimodal meaning making resources as giving extended learning opportunities. Five of the teachers also see extended participation through this usage. A significant result is that the teachers view multimodal meaning making as scaffolding, rather than recognizing multimodal resources as an insepar­­­able part of all communication. Accordingly, the implicit meaning making through multimodal resources for scaffolding understanding seems to be more implemented in their teaching design than explicit teaching of multimodal usage for functional communicative purpose. However, four of the teachers aims at building explicit awareness of multimodal choices and its effects through their teaching design. These results show inter­connections between the professional development to both content and form.

Syftet med denna studie är att undersöka hur visuellt stöd används av lärare i årskurs 1–3 i språkligt heterogena klassrum, med fokus på dess användning, implementering och betydelse för undervisningen. Frågeställningarna är utformade efter de klassiska frågorna inom didaktiken, vad, hur och varför med inriktning på visuellt stöd i det språkligt heterogena klassrummet. Studien utgår från två multimodala teorier, den socialsemiotiska teorin och design för lärande. Dessa teorier är valda utifrån ämnetundervisning med visuellt stöd i det språkligt heterogena klassrummet. Metoden som används i studien är semistrukturerade lärarintervjuer som utgår från en intervjuguide.Det gjordes även observationer för att upptäcka det språkliga landskapet i klassrummet. Analysen är gjord utifrån en tematisk analysmetod. Analysen av resultatet visar att lärarnas användning av visuellt stöd koncentreras till bildstöd. De bildstöd som finns, utifrån studien, är en grund i den språkutvecklande undervisningen. Bristen av förståelse kring konceptet visuellt stöd och dess olika funktioner visar vikten av en fortbildning hos lärarna för att på ett effektivt sätt stötta eleverna. Det är viktigt att inte överösa eleverna med bildstöd då det kan distrahera mer än hjälpa i deras läs- och skrivutveckling.

During the period 1967-1995, Swedish mental healthcare underwent a complete re-organisation, starting with county councils taking over responsibility for mental healthcare from the state. Asylums were then phased out and mental health care moved closer to patients. The Mental Health Reform of 1995 completed this decentralisation and put the emphasis on an independent and integrated life as a citizen in society and the idea of a dwelling of one’s own. This thesis describes and analyses spatial aspects of decentralised mental healthcare in Sweden, focusing on the decentralisation discourse regarding organisation, localisation, patient care and working methods behind decentralisation and its spatial performance. A case study of decentralised mental healthcare in Nacka, a Stockholm suburb, between 1958-1999 examines in particular the emerging decentralisation discourse 1958-1973, The Nacka Project 1974-1980 (one of the first examples of community care in Sweden), psychiatry in Nacka 1980-1994 and the official report Welfare and Freedom of Choice from 1995. The methods used include studies of documents, interviews, visual and architectural drawing analysis. The theoretical point of departure for the analysis is a post-structural heterogeneous concept of space where spatial materiality and discursiveness are looked upon as intertwined.    The result shows that the re-organisation of mental healthcare brought about a substantial spatial transformation. Normalisation of patients’ lives involved integration into society and support for independent living. The local environment was the main trope for the early stage of decentralised mental healthcare, but the notion of a dwelling of one’s own became the important trajectory to an independent life after 1995. The idea of the patient is challenged by the independence discourse, which could be said to contain an idea of the ‘non-patient’. Overall, it can be concluded that spatial organisations of the built environment are never value-free or neutral. They reflect, enable and constrain power relations in a society and material space can contribute to the power of one group at the expense of another. Furthermore, the results of the spatialities, or the meanings, cannot be predicted. It is therefore crucial to distinguish power in all its configurations and scales and to keep negotiations alive, especially within the field of mental healthcare, but also in the care sector as a whole and in other societal institutions where policies buildings and built environment interact with user practices. This kaleidoscopic perspective can be used for examining complexities in the past and present and for encouraging future potentialities in the process of making/enacting spatial relations. / QC 20120306

In this qualitative case-study, EFL teachers’ experience and views regarding homogeneous and heterogeneous ability groups are investigated. Four EFL teachers working in the Introduction program in upper secondary school were interviewed through semi-structured questions. The interviews were held individually and conducted by the researcher. The questions focused on a teacher perspective as well as a student perspective and the teachers were also asked whether they preferred any of the two ability groups and possible reasons for this. The answers were quite similar and the teachers mentioned some common factors, such as time and efficiency, assignments, lectures, student interaction and learning progression. It was clear that the teachers found homogeneous ability groups easier to manage and this was also the group that three of them preferred working with. Additional reasons for this choice was the experience that this type of group was more beneficial for students and the teachers also felt more successful in their roles as teachers. Although one teacher mostly agreed with the others she was more in favour of heterogeneous ability groups, or a mix of both groups, because it allowed students to develop in their own pace and from their individual preferences and she also experienced more satisfaction in finding the right structure and strategies for each student. / I den här kvalitativa fallstudien undersöks engelsklärares erfarenheter och perspektiv angående homogena och heterogena nivågrupper. Fyra engelsklärare som arbetar på introduktionsprogrammen inom gymnasieskolan intervjuades genom semistrukturerade frågor. Intervjuerna genomfördes individuellt och av forskaren. Frågorna fokuserade på ett lärarperspektiv likväl som ett elevperspektiv och lärarna fick också svara på frågan om de föredrog någon av de två nivågrupperingarna och ange möjliga orsaker till detta. Svaren var någorlunda lika och samtliga lärare lyfte några gemensamma nämnare så som tid och effektivitet, uppgifter, genomgångar, elevinteraktion samt inlärningsprogression. Det var tydligt att lärarna ansåg det enklare att hantera homogena nivågrupper och det var även den typ av grupp som tre av dem föredrog att arbeta med. Ytterligare orsaker till detta var upplevelsen att denna typ av grupp var mer gynnsam för elever och lärarna kände sig även mer framgångsrika i rollen som lärare. Även om en lärare ofta höll med övriga så föredrog hon heterogena nivågrupper, alternativt en blandning av båda grupper, då detta lät elever utvecklas i sin egen takt och utifrån sina individuella förutsättningar. Hon upplevde också mer tillfredsställelse av att hitta rätt struktur och strategier för varje elev.

The electricity grids have become a key player in the society. An increased usage of electricity is both a result from the more electrified society, but also as a main solver in reaching the climate goals by reducing emissions. This thesis work explores some of the new features for the electricity grid from integration of electrification from renewable energy resources (RES) and from strategies for energy optimization related to the loads and specifically from thermal heat pumps. These strategies lie in the field of demand response, which takes advantage of the flexibility of loads in terms of willingness to switch or decrease their consumption at a particular moment of the day. This research proposes a three-step framework to harness the flexibility of Thermo-Statically controlled loads (TCLs) based on a simulated grey-box building model that uses historical outside temperature and prices data and learns the thermal parameters such as Thermal Resistance, Thermal Capacitance, but also price responsiveness (pth ) through a Differential Evolution (DE) based optimization algorithm. The price responsiveness is used to provide further insight into the flexibility of the loads and is employed in the last step to propose a price policy estimation algorithm also based on DE that minimizes the gap between supply and demand while preserving supplier and customer profitability. The proposed approach has proven to be accurate for a large number of parameters but also effective with reduced training data (prediction errors around 2.5% on the power average and standard deviation), as well as to be successful in providing a Day-Ahead Real-Time Price policy that maximizes supplier and customer utility. The price policy provides a lower total price for the customer compared with a tariff without demand response (reduction up to 53.63 %), reduces the gap between RES-based energy sources and heating demand, and respects grid technical constraints. / Elnätet har blivit en nyckelaktör i samhället. En ökad elanvändning är både ett resultat av det mer elektrifierade samhället, men också som en huvudlösare för att nå klimatmålen genom att minska utsläpp. Detta examensarbete undersöker några av de nya funktionerna för elnätet från integration av elektrifiering från förnybara energiresurser (RES) och från strategier för energioptimering relaterade till ellaster och specifikt från termiska värmepumpar. Dessa strategier ligger inom området för efterfrågerespons, som drar fördel av lasternas flexibilitet när det gäller viljan att byta eller minska sin konsumtion vid en viss tidpunkt på dagen. Den här forskningen föreslår ett ramverk i tre steg för att utnyttja flexibiliteten hos termostatiskt kontrollerade laster (TCL) baserat på en simulerad gråbox-byggnadsmodell som använder historisk utomhustemperatur och prisdata och lär sig de termiska parametrarna som termisk motstånd, termisk kapacitans , men också priskänslighet (pth) genom en Differential Evolution (DE) baserad optimeringsalgoritm. Priskänsligheten används för att ge ytterligare insikt om lasternas flexibilitet och används i det sista steget för att föreslå en prispolitisk uppskattningsalgoritm också baserad på DE som minimerar klyftan mellan utbud och efterfrågan samtidigt som leverantörs- och kundlönsamheten bevaras. Det föreslagna tillvägagångssättet har visat sig vara korrekt för ett stort antal parametrar men också effektivt med reducerad träningsdata (förutsägelsefel runt 2,5% på effektmedelvärde och standardavvikelse), samt vara framgångsrik i att tillhandahålla en Day-Ahead Real -Tidsprispolicy som maximerar leverantörs- och kundnyttan. Prispolicyn ger ett lägre totalpris för kunden jämfört med en tariff utan efterfrågerespons (reduktion upp till 53, 63 %), minskar gapet mellan RES-baserade energikällor och värmebehov samt följer nättekniska begränsningar.

Cloud-native is a new computing paradigm that takes advantage of key characteristics of cloud computing, where applications are packaged as containers. The lifecycle of containerized applications is typically managed by container orchestration tools such as Kubernetes, the most popular container orchestration system that automates the containers’ deployment, maintenance, and scaling. Kubernetes has become the de facto standard for container orchestrators in the cloud-native era. Meanwhile, with the increasing demand for High-Performance Computing (HPC) over the past years, containerization is being adopted by the HPC community and various processors and special-purpose hardware are utilized to accelerate HPC applications. The architecture of cloud systems has been gradually shifting from homogeneous to heterogeneous with different processors and hardware accelerators, which raises a new challenge: how to exploit different computing resources efficiently? Much effort has been devoted to improving the use efficiency of computing resources in heterogeneous systems from the perspective of task scheduling, which aims to match different types of tasks to optimal computing devices for execution. Existing proposals do not take into account the variation in I/O performance between heterogeneous nodes when scheduling tasks. However, I/O performance is an important but often overlooked factor that can be a potential performance bottleneck for HPC tasks. This thesis proposes an I/O-aware scheduler named cmio-scheduler for containerized data-intensive HPC tasks in Kubernetes-based heterogeneous clusters, which is aware of the I/O throughput of compute nodes when making task placement decisions. In principle, cmio-scheduler assigns data-intensive HPC tasks to the node that fulfills the tasks’ requirements for CPU, memory, and GPU and has the highest I/O throughput. The experimental results demonstrate that cmio-scheduler reduces the execution time by 19.32% for the overall workflow and 15.125% for parallelizable tasks on average. / Cloud-native är ett nytt dataparadigm som drar nytta av de viktigaste egenskaperna hos molntjänster, där applikationer paketeras som behållare. Livscykeln för applikationer i containrar hanteras vanligtvis av verktyg för containerorkestrering, t.ex. Kubernetes, det mest populära systemet för containerorkestrering, som automatiserar installation, underhåll och skalning av containrar. Kubernetes har blivit de facto-standard för containerorkestrar i den molnnativa eran. Med den ökande efterfrågan på högpresterande beräkningar (HPC) under de senaste åren har containerisering antagits av HPC-samhället och olika processorer och specialhårdvara används för att påskynda HPC-tillämpningar. Arkitekturen för molnsystem har gradvis skiftat från homogen till heterogen med olika processorer och hårdvaruacceleratorer, vilket ger upphov till en ny utmaning: hur kan man utnyttja olika datorresurser på ett effektivt sätt? Mycket arbete har ägnats åt att förbättra utnyttjandet av datorresurser i heterogena system ur perspektivet för uppgiftsfördelning, som syftar till att matcha olika typer av uppgifter till optimala datorutrustning för utförande. Befintliga förslag tar inte hänsyn till variationen i I/O-prestanda mellan heterogena noder vid schemaläggning av uppgifter. I/O-prestanda är dock en viktig men ofta förbisedd faktor som kan vara en potentiell flaskhals för HPC-uppgifter. I den här avhandlingen föreslås en I/O-medveten schemaläggare vid namn cmio-scheduler för containeriserade dataintensiva HPC-uppdrag i Kubernetes-baserade heterogena kluster, som är medveten om beräkningsnodernas I/O-genomströmning när den fattar beslut om placering av uppdrag. I princip tilldelar cmio-scheduler dataintensiva HPC-uppgifter till den nod som uppfyller uppgifternas krav på CPU, minne och GPU och som har den högsta I/O-genomströmningen. De experimentella resultaten visar att cmio-scheduler i genomsnitt minskar exekveringstiden med 19,32 % för det totala arbetsflödet och med 15,125 % för parallelliserbara uppgifter.

Cyber attacks are ubiquitous and increasingly prevalent in industry, society, and governmental departments. They affect the economy, politics, and individuals. Ever-increasingly skilled, organized, and funded threat actors combined with ever-increasing volumes and modalities of data require increasingly sophisticated and innovative cyber defense solutions. Current state-of-the-art security systems conduct threat detection on dynamic graph representations of computer systems and enterprise communication networks known as provenance graphs. Most of these security systems are statistics-based, based on rules defined by domain experts, or discard temporal information, and as such come with a set of drawbacks (e.g., incapability to pinpoint the attack, incapability to adapt to evolving systems, reduced expressibility due to lack of temporal information). At the same time, there is little research in the machine learning community on graphs such as provenance graphs, which are a form of largescale, heterogeneous, and continuous-time dynamic graphs, as most research on graph learning has been devoted to static homogeneous graphs to date. Therefore, this thesis aims to bridge these two fields and investigate the potential of learning-based methods operating on continuous-time dynamic provenance graphs for cyber threat detection. Without loss of generality, this work adopts the general Temporal Graph Networks framework for learning representations and detecting anomalies in such graphs. This method explicitly addresses the drawbacks of current security systems by considering the temporal setting and bringing the adaptability of learning-based methods. In doing so, it also introduces and releases two large-scale, continuoustime temporal, heterogeneous benchmark graph datasets with expert-labeled anomalies to foster future research on representation learning and anomaly detection on complex real-world networks. To the best of the author’s knowledge, these are one of the first datasets of their kind. Extensive experimental analyses of modules, datasets, and baselines validate the potency of continuous-time graph neural network-based learning, endorsing its practical applicability to the detection of cyber threats and possibly other semantically meaningful anomalies in similar real-world systems. / Cyberattacker är allestädes närvarande och blir allt vanligare inom industrin, samhället och statliga myndigheter. De påverkar ekonomin, politiken och enskilda individer. Allt skickligare, organiserade och finansierade hotaktörer i kombination med ständigt ökande volymer och modaliteter av data kräver alltmer sofistikerade och innovativa cyberförsvarslösningar. Dagens avancerade säkerhetssystem upptäcker hot på dynamiska grafrepresentationer (proveniensgrafer) av datorsystem och företagskommunikationsnät. De flesta av dessa säkerhetssystem är statistikbaserade, baseras på regler som definieras av domänexperter eller bortser från temporär information, och som sådana kommer de med en rad nackdelar (t.ex. oförmåga att lokalisera attacken, oförmåga att anpassa sig till system som utvecklas, begränsad uttrycksmöjlighet på grund av brist på temporär information). Samtidigt finns det lite forskning inom maskininlärning om grafer som proveniensgrafer, som är en form av storskaliga, heterogena och dynamiska grafer med kontinuerlig tid, eftersom den mesta forskningen om grafinlärning hittills har ägnats åt statiska homogena grafer. Därför syftar denna avhandling till att överbrygga dessa två områden och undersöka potentialen hos inlärningsbaserade metoder som arbetar med dynamiska proveniensgrafer med kontinuerlig tid för detektering av cyberhot. Utan att för den skull göra avkall på generaliserbarheten använder detta arbete det allmänna Temporal Graph Networks-ramverket för inlärning av representationer och upptäckt av anomalier i sådana grafer. Denna metod tar uttryckligen itu med nackdelarna med nuvarande säkerhetssystem genom att beakta den temporala induktiva inställningen och ge anpassningsförmågan hos inlärningsbaserade metoder. I samband med detta introduceras och släpps också två storskaliga, kontinuerliga temporala, heterogena referensgrafdatauppsättningar med expertmärkta anomalier för att främja framtida forskning om representationsinlärning och anomalidetektering i komplexa nätverk i den verkliga världen. Såvitt författaren vet är detta en av de första datamängderna i sitt slag. Omfattande experimentella analyser av moduler, dataset och baslinjer validerar styrkan i induktiv inlärning baserad på kontinuerliga grafneurala nätverk, vilket stöder dess praktiska tillämpbarhet för att upptäcka cyberhot och eventuellt andra semantiskt meningsfulla avvikelser i liknande verkliga system.

This work presents an investigation of tailoring Network Representation Learning (NRL) for an application in the Financial Industry. NRL approaches are data-driven models that learn how to encode graph structures into low-dimensional vector spaces, which can be further exploited by downstream Machine Learning applications. They can potentially bring a lot of benefits in the Financial Industry since they extract in an automatic way features that can provide useful input regarding graph structures, called embeddings. Financial transactions can be represented as a network, and through NRL, it is possible to extract embeddings that reflect the intrinsic inter-connected nature of economic relationships. Such embeddings can be used for several purposes, among which Anomaly Detection to fight financial crime.This work provides a qualitative analysis over state-of-the-art NRL models, which identifies Graph Convolutional Network (ConvGNN) as the most suitable category of approaches for Financial Industry but with a certain need for further improvement. Financial Industry poses additional challenges when modelling a NRL solution. Despite the need of having a scalable solution to handle real-world graph with considerable dimensions, it is necessary to take into consideration several characteristics: transactions graphs are inherently dynamic since every day new transactions are executed and nodes can be heterogeneous. Besides, everything is further complicated by the need to have updated information in (near) real-time due to the sensitivity of the application domain. For these reasons, GraphSAGE has been considered as a base for the experiments, which is an inductive ConvGNN model. Two variants of GraphSAGE are presented: a dynamic variant whose weights evolve accordingly with the input sequence of graph snapshots, and a variant specifically meant to handle bipartite graphs. These variants have been evaluated by applying them to real-world data and leveraging the generated embeddings to perform Anomaly Detection. The experiments demonstrate that leveraging these variants leads toimagecomparable results with other state-of-the-art approaches, but having the advantage of being suitable to handle real-world financial data sets. / Detta arbete presenterar en undersökning av tillämpningar av Network Representation Learning (NRL) inom den finansiella industrin. Metoder inom NRL möjliggör datadriven kondensering av grafstrukturer till lågdimensionella och lätthanterliga vektorer.Dessa vektorer kan sedan användas i andra maskininlärningsuppgifter. Närmare bestämt, kan metoder inom NRL underlätta hantering av och informantionsutvinning ur beräkningsintensiva och storskaliga grafer inom den finansiella sektorn, till exempel avvikelsehantering bland finansiella transaktioner. Arbetet med data av denna typ försvåras av det faktum att transaktionsgrafer är dynamiska och i konstant förändring. Utöver detta kan noderna, dvs transaktionspunkterna, vara vitt skilda eller med andra ord härstamma från olika fördelningar.I detta arbete har Graph Convolutional Network (ConvGNN) ansetts till den mest lämpliga lösningen för nämnda tillämpningar riktade mot upptäckt av avvikelser i transaktioner. GraphSAGE har använts som utgångspunkt för experimenten i två olika varianter: en dynamisk version där vikterna uppdateras allteftersom nya transaktionssekvenser matas in, och en variant avsedd särskilt för bipartita (tvådelade) grafer. Dessa varianter har utvärderats genom användning av faktiska datamängder med avvikelsehantering som slutmål.