Denna studie har syftat till att nå ökad kunskap om hur myndigheter kan utveckla sin kriskommunikation med barn i åldern 12-13 år, utifrån ett barnrättsperspektiv. Webbplatsen Lilla Krisinfo har utgjort ett exempel för studien. Studiens teoretiska perspektiv har bestått av inkodning- och avkodningsmodellen, användning- och gratifikationsteorin, förväntning-bekräftelseteorin samt retorik, vilka har sammanförts i en egen teoretisk modell. Metoderna som användes var retorisk analys av webbplatsen och fokusgruppsintervjuer med barn. Genom att undersöka barns informationsbehov och informationssökningsstrategier gällande kriser samt deras uppfattning av Lilla Krisinfos webbplats har studien kunnat nå ökad kunskap för att besvara syftet. De huvudsakliga resultaten innefattar att myndigheter bör betona krisers relevans för barn, skapa trygghet men samtidigt inte undanhålla information, anpassa sitt språk efter olika nivåer och sträva efter att vara och upplevas trovärdiga. / This study has aimed to reach further knowledge about how authorities can develop their crisis communication with children aged 12-13, based on a children's rights perspective. The website Lilla Krisinfo has been an example for the study. The study's theoretical perspective has consisted of the encoding and decoding model, the uses and gratification theory, the expectation-confirmation theory and rhetoric, which were brought together in a theoretical model. The methods used were rhetorical analysis of the website and focus group interviews with children. By investigating children's needs of information and strategies for searching information regarding crises as well as their perception of Lilla Krisinfo's website, the study has been able to achieve further knowledge to answer to the study’s purpose. The main results include that authorities should accentuate the relevance of a crisis for children, create a feeling of security but at the same time not withhold information, adapt the language to different levels and strive to be perceived as credible.

Bakgrund Ett ökat engagemang har under de senaste åren noterats på den svenska börsen och intresset för aktier är det starkaste sedan år 2004. Forskning har tidigare studerat engagemanget på börsen utifrån demografiska faktorer, däremot identifieras en kunskapslucka som medföljt med det ökade engagemanget där en ny och utvecklad empirisk grupp noterats. Syfte För att bidra till en förståelse om engagemanget på den svenska börsen syftar denna studie till, med hjälp av en kvantitativ metod, att kartlägga engagemanget på den svenska börsen utifrån de demografiska faktorerna kön, ålder och utbildningsnivå. Metod Denna studie har tillämpat en kvantitativ metod med en deduktiv ansats och en tvärsnittsdesign. Det empiriska underlaget har samlats in med hjälp av en digital enkätundersökning där ett sannolikhetsurval applicerats. Materialet bestod av användbara svar från 116 respondenter som vidare har analyserats med hjälp av korrelationsmatriser, bi- och multivariata regressionsanalyser. Resultat Analysen som genomförts påvisade att kön har ett negativt signifikant samband med engagemang på den svenska börsen, medan ålder och utbildningsnivå inte har visat på ett signifikant samband till variabeln. Slutsats Ett negativ signifikant samband har identifierats där män konstateras ha ett högre engagemang på den svenska börsen än kvinnor. Därutöver har inget ytterligare samband fastställts, ålder och utbildningsnivå kan alltså inte användas vid kartläggning av engagemang på den svenska börsen. / Background In recent years, an increased level of enthusiasm on the Swedish stock market has been recognized, which has not been noted since 2004. While prior research has explored the engagement of individuals on the stock market based on demographic factors, a knowledge gap has been identified with regards to this increased engagement. Specifically, a new and evolved empirical group has been noticed, which warrants further exploration. Purpose In order to contribute to an analysis of the engagement on the Swedish stock market, this study aims to, with the use of a quantitative method, map the engagement on the Swedish stock market through the demographic factors gender, age and education level. Methodology This study utilizes a quantitative method with a deductive approach and a cross-sectional design. The empirical data has been collected through a digital survey where a probability sample was used. The material consisted of 116 appropriate answers, which were further analyzed with the assistance of correlation matrices, bi- and multivariate regression analyses. Results The analysis conducted demonstrated a negative significance between gender and engagement on the Swedish stock market, while no significance could be observed between the variable studied and, age and education level. Conclusion The negative significance that has been identified indicates that men have a higher engagement rate on the Swedish stock market compared to women. No further relation has been established, resulting in that age and level of education cannot be used to map the engagement on the Swedish stock market.

Millennials har ett starkt avvikande köpbeteende på börsen jämfört med äldre generationer. De har högre riskbenägenhet och är benägna att ta betydligt större risker vid köp av aktier och fonder. Oväntade kursrörelser och en mer oberäknelig börs blir konsekvenser av Millennials oberäkneliga och nyckfulla beteende. Syftet med denna studie var att undersöka Millennials köpbeteende när det kommer till aktier och fonder med fokus på deras risktagande. Studien hade en kvalitativ och deduktiv ansats och ett deskriptivt forskningssyfte. Data samlades in genom fallstudier och semistrukturerade intervjuer på ett selektivt urval av Millennials där frågor baserat på portföljsammansättning, informationsinhämtning, urvalskriterier och riskbenägenhet besvarades. Studiens resultat visade att Millennials sparar på lång sikt, gärna i framtidsbranscher inom teknologi eller medicin. Millennials är vinstsökande och högre risk med potentiellt bättre avkastning föredras över att investera med lägre risk och potentiellt lägre avkastning. Teknologiska framsteg i from av internet och nätmäklare är verktyg Millennials använde sig av vid köp av aktier och fonder. Studien bidrar med kvalitativa data och en djupare förståelse om Millennials och hur samspelet mellan informationsinhämtning, urvalskriterier och risk påverkar Millennials portföljsammansättning. Millennials använder sig av peer reviews och word-of-mouth i stor utsträckning vid köp av aktier men har samtidigt en hög grad av källkritik.

This thesis presents a method which reduces the amount of labour required to translate the English question answering dataset SQuAD into Swedish. The purpose of the study is to contribute to shrinking the gap between natural language processing research in English and research in lesser-resourced languages by providing a method for creating datasets in these languages which are counterparts to those used in English. This would allow for the results from English studies to be evaluated in more languages. The method put forward by this thesis uses multilingual sentence embeddings to search for and rank answers to English SQuAD questions in SwedishWikipedia articles associated with the question. The resulting search results are then used to pair SQuAD questions with sentences that contain their answers. We also estimate to what extent SQuAD questions have answers in the Swedish edition of Wikipedia, concluding that this proportion of questions is small but still useful in size. Further, the evaluation of the method shows that it provides a clear reduction in the labour required for translating SQuAD into Swedish, while impacting the amount of datapoints retained in a resulting translation to a degree which is acceptable for many use-cases. Manual labour is still required for translating the SQuAD questions and for locating the answers within the Swedish sentences which contain them. Researching ways to automate these processes would further increase the utility of the approach, but are outside the scope of this thesis. / I detta examensarbete presenteras en metod som syftar till att minska mängden arbete som krävs för att översätta fråga-svarskorpuset SQuAD från engelska till svenska. Syftet med studien är att bidra till att minska glappet mellan språkteknologisk forskning på engelska och forskningen på språk med mindre resurser. Detta åstadkoms genom att beskriva en metod för att skapa korpusar liknande dem som används inom forskning på engelska och som kan användas för att utvärdera i vilken utsträckning resultat från den forskningen generaliserar till andra språk. Metoden använder språkagnostiska meningsvektorer för att söka efter svar på engelska SQuAD-frågor i svenska Wikipedia-artiklar, och sedan ranka dessa. Sökresultaten används sedan för att para samman SQuAD-frågor med de svenska meningar som innehåller deras svar. Även utsträckningen i vilken svar på engelska SQuAD-frågor står att finna i den svenska upplagan av Wikipedia undersöktes. Andelen SQuAD-frågor där ett svar fanns i den svenska Wikipedia-artikel som var associerad med frågan var liten men ändå användbar. Vidare visar utvärderingen av metoden att den innebär en tydlig minskning av mängden arbete som krävs för att översätta SQuAD till svenska. Denna minskning åstadkoms samtidigt som mängden fråga-svarspar som missas som en konsekvens av detta är acceptabel för många användningsområden. Manuellt arbete krävs fortfarande för att översätta SQuAD-frågorna från engelska och för att hitta var i de svenska meningarna som svaren finns. Vidare studier kring dessa frågor skulle bidra till att göra metoden än mer användbar, men ligger utanför avgränsningen för denna uppsats.

Loggar är en viktig del av alla system, det ger en inblick i vad som sker. Att analysera loggar och extrahera väsentlig information är en av de största trenderna nu inom IT-branchen. Informationen i loggar är värdefulla resurser som kan användas för att upptäcka anomalier och hantera dessa innan det drabbar användaren. I detta examensarbete dyker vi in i grunderna för informationssökning och analysera undantagsutskrifter i loggar från COSMIC för att undersöka om det är möjligt att upptäcka anomalier med hjälp av retrospektivdata. Detta examensarbete ger även en inblick i möjligheten att visualisera data från loggar och erbjuda en kraftfull sökmotor. Därför kommer vi att fördjupa oss i de tre välkända program som adresserar frågorna i centraliserad loggning: Elasticsearch, Logstash och Kibana. Sammanfattningsvis visar resultatet att det är möjligt att upptäckta anomalier genom att tillämpa statistiska metoder både på retrospektiv- och realtidsdata. / Logs are an important part of any system; it provides an insight into what is happening. One of the biggest trends in the IT industry is analyzing logs and extracting essential information. The information in the logs are valuable resources that can be used to detect anomalies and manage them before it affects the user In this thesis we will dive into the basics of the information retrieval and analyze exceptions in the logs from COSMIC to investigate whether it is feasible to detect anomalies using retrospective data. This thesis also gives an insight into whether it’s possible to visualize data from logs and offer a powerful search engine. Therefore we will dive into the three well known applications that addresses the issues in centralized logging: Elasticsearch, Logstash and Kibana. In summary, our results shows that it’s possible to detected anomalies by applying statistical methods on both in retrospective and real time data.

The purpose of this study is to generate an understanding of first-time buyers of high involvement products, by examine how they search for information and evaluate alternatives. Three research questions were formulated to achieve the purpose of the study. Two of them concern first-time buyers’ behavior and the third one aims to answer if any possible explanations to their behavior could be identified. The study is based on theories within the research field of consumer behavior regarding purchase behavior, the consumer decision process, decision making style, involvement and knowledge along with uncertainty. In order to answer the purpose and the associated research questions, data was collected with a qualitative approach through semi structured interviews. The empirical data was analyzed by a thematic analysis, derived from a model based on the theoretical framework. The results of the study indicate that first-time buyers do not consider their internal information search adequate, and therefore search for further information externally. Their external information search tends to involve several sources. The sources credibility seems to be based on previous experiences from other situations. How they evaluate alternatives also seems to be influenced by previous use of cut-offs and decision rules, to simplify their decision making. Further the results argue that the stages search for information and evaluation of alternatives is rather integrated and iterative than detached. However, it appears that the decision-making style of first-time buyers of high involvement products differ in their degree of involvement, levels of knowledge and experienced uncertainty. Both the complex and the dissonance reducing buying behavior is occurring in first-time buyers of high involvement products. Additionally, the results indicate that tendencies of both a complex and dissonance reducing buying behavior could be identified in one individual.This study is written in Swedish. / Syftet med den här studien är att skapa en förståelse för förstagångsköpare av högengagemangsprodukter genom att undersöka hur de söker information och utvärderar alternativ. Tre forskningsfrågor formulerades utifrån studiens syfte, varav två rör förstagångsköpares beteende och den tredje ämnar ge svar på eventuella förklaringar till deras agerande. Studien utgår från teorier inom forskningsfältet för konsumentbeteende som berör köpbeteende, köpbeslutsprocessen, beslutsfattarstil, engagemang samt kunskap och osäkerhet. Med ett kvalitativt angreppssätt samlades data in genom semistrukturerade intervjuer för att ge svar på syftet med tillhörande forskningsfrågor. En modell togs fram baserat på den teoretiska referensramen som sedan låg till grund för en tematisk analys av empirin. Studiens resultat visar att förstagångsköpares interna informationssökning inte är tillräcklig vid högengagemangsköp, vilket resulterar i att ytterligare information söks externt. I den externa sökningen tenderar de att söka information från flera källor. Källornas trovärdighet verkar bedömas utifrån deras tidigare erfarenheter från andra sammanhang. Även utvärderingen influeras av tidigare tillämpning av brytpunkter och beslutsregler som underlättar beslutsfattandet. Det framgår också att stadierna informationssökning och utvärdering av alternativ snarare sker integrerat, i en iterativ process, än var för sig. Studiens resultat bekräftar att beslutsfattarstil, engagemang samt kunskaps- och osäkerhetsnivå influerar informationssöknings- och utvärderingsprocessen hos förstagångsköpare av högengagemangsprodukter. Däremot framgår det att förstagångsköpare av högengagemangsprodukter har olika beslutsfattarstil, grad av engagemang samt besitter olika nivåer av kunskap och upplever varierad grad av osäkerhet. Både ett komplext och dissonansreducerande köpbeteende förekommer hos förstagångsköpare av högengagemangsprodukter. Dessutom visar resultatet att det kan identifieras tendenser som tyder på både ett komplext och dissonansreducerande köpbeteende hos en och samma individ. Studien är skriven på svenska.

Trouble and bug reports are essential in software maintenance and for identifying faults—a challenging and time-consuming task. In cases when the fault and reports are similar or identical to previous and already resolved ones, the effort can be reduced significantly making the prospect of automatically detecting duplicates very compelling. In this work, common methods and techniques in the literature are evaluated and compared on domain-specific and multimodal trouble reports from Ericsson software. The number of samples is few, which is a case not so well-studied in the area. On this basis, both traditional and more recent techniques based on deep learning are considered with the goal of accurately detecting duplicates. Firstly, the more traditional approach based on natural language processing and machine learning is evaluated using different vectorization techniques and similarity measures adapted and customized to the domain-specific trouble reports. The multimodality and many fields of the trouble reports call for a wide range of techniques, including term frequency-inverse document frequency, BM25, and latent semantic analysis. A pipeline processing each data field of the trouble reports independently and automatically weighing the importance of each data field is proposed. The best performing model achieves a recall rate of 89% for a duplicate candidate list size of 10. Further, obtaining knowledge on which types of data are most important for duplicate detection is explored through what is known as Shapley values. Results indicate that utilizing all types of data indeed improve performance, and that date and code parameters are strong indicators. Secondly, a Siamese network based on Transformer-encoders is evaluated on data fields believed to have some underlying representation of the semantic meaning or sequentially important information, which a deep model can capture. To alleviate the issues when having few samples, pre-training through automatic data labeling is studied. Results show an increase in performance compared to not pre-training the Siamese network. However, compared to the more traditional model it performs on par, indicating that traditional models may perform equally well when having few samples besides also being simpler, more robust, and faster. / Buggrapporter är kritiska för underhåll av mjukvara och för att identifiera fel — en utmanande och tidskrävande uppgift. I de fall då felet och rapporterna liknar eller är identiska med tidigare och redan lösta ärenden, kan tiden som krävs minskas avsevärt, vilket gör automatiskt detektering av dubbletter mycket önskvärd. I detta arbete utvärderas och jämförs vanliga metoder och tekniker i litteraturen på domänspecifika och multimodala buggrapporter från Ericssons mjukvara. Antalet tillgängliga träningsexempel är få, vilket inte är ett så välstuderat fall. Utifrån detta utvärderas både traditionella samt nyare tekniker baserade på djupinlärning med målet att detektera dubbletter så bra som möjligt. Först utvärderas det mer traditionella tillvägagångssättet baserat på naturlig språkbearbetning och maskininlärning med hjälp av olika vektoriseringstekniker och likhetsmått specialanpassade till buggrapporterna. Multimodaliteten och de många datafälten i buggrapporterna kräver en rad av tekniker, så som termfrekvens-invers dokumentfrekvens, BM25 och latent semantisk analys. I detta arbete föreslås en modell som behandlar varje datafält i buggrapporterna separat och automatiskt sammanväger varje datafälts betydelse. Den bäst presterande modellen uppnår en återkallningsfrekvens på 89% för en lista med 10 dubblettkandidater. Vidare undersöks vilka datafält som är mest viktiga för dubblettdetektering genom Shapley-värden. Resultaten tyder på att utnyttja alla tillgängliga datafält förbättrar prestandan, och att datum och kodparametrar är starka indikatorer. Sedan utvärderas ett siamesiskt nätverk baserat på Transformator-kodare på datafält som tros ha en underliggande representation av semantisk betydelse eller sekventiellt viktig information, vilket en djup modell kan utnyttja. För att lindra de problem som uppstår med få träningssexempel, studeras det hur den djupa modellen kan förtränas genom automatisk datamärkning. Resultaten visar på en ökning i prestanda jämfört med att inte förträna det siamesiska nätverket. Men jämfört med den mer traditionella modellen presterar den likvärdigt, vilket indikerar att mer traditionella modeller kan prestera lika bra när antalet träningsexempel är få, förutom att också vara enklare, mer robusta, och snabbare.

Diagnostic Captioning is described as “the automatic generation of a diagnostic text from a set of medical images of a patient collected during an examination” [59] and it can assist inexperienced doctors and radiologists to reduce clinical errors or help experienced professionals increase their productivity. In this context, tools that would help medical doctors produce higher quality reports in less time could be of high interest for medical imaging departments, as well as significantly impact deep learning research within the biomedical domain, which makes it particularly interesting for people involved in industry and researchers all along. In this work, we attempted to develop Diagnostic Captioning systems, based on novel Deep Learning approaches, to investigate to what extent Neural Networks are capable of performing medical image tagging, as well as automatically generating a diagnostic text from a set of medical images. Towards this objective, the first step is concept detection, which boils down to predicting the relevant tags for X-RAY images, whereas the ultimate goal is caption generation. To this end, we further participated in ImageCLEFmedical 2022 evaluation campaign, addressing both the concept detection and the caption prediction tasks by developing baselines based on Deep Neural Networks; including image encoders, classifiers and text generators; in order to get a quantitative measure of my proposed architectures’ performance [28]. My contribution to the evaluation campaign, as part of this work and on behalf of NeuralDynamicsLab¹ group at KTH Royal Institute of Technology, within the school of Electrical Engineering and Computer Science, ranked 4th in the former and 5th in the latter task [55, 68] among 12 groups included within the top-10 best performing submissions in both tasks. / Diagnostisk textning avser automatisk generering från en diagnostisk text från en uppsättning medicinska bilder av en patient som samlats in under en undersökning och den kan hjälpa oerfarna läkare och radiologer, minska kliniska fel eller hjälpa erfarna yrkesmän att producera diagnostiska rapporter snabbare [59]. Därför kan verktyg som skulle hjälpa läkare och radiologer att producera rapporter av högre kvalitet på kortare tid vara av stort intresse för medicinska bildbehandlingsavdelningar, såväl som leda till inverkan på forskning om djupinlärning, vilket gör den domänen särskilt intressant för personer som är involverade i den biomedicinska industrin och djupinlärningsforskare. I detta arbete var mitt huvudmål att utveckla system för diagnostisk textning, med hjälp av nya tillvägagångssätt som används inom djupinlärning, för att undersöka i vilken utsträckning automatisk generering av en diagnostisk text från en uppsättning medi-cinska bilder är möjlig. Mot detta mål är det första steget konceptdetektering som går ut på att förutsäga relevanta taggar för röntgenbilder, medan slutmålet är bildtextgenerering. Jag deltog i ImageCLEF Medical 2022-utvärderingskampanjen, där jag deltog med att ta itu med både konceptdetektering och bildtextförutsägelse för att få ett kvantitativt mått på prestandan för mina föreslagna arkitekturer [28]. Mitt bidrag, där jag representerade forskargruppen NeuralDynamicsLab² , där jag arbetade som ledande forskningsingenjör, placerade sig på 4:e plats i den förra och 5:e i den senare uppgiften [55, 68] bland 12 grupper som ingår bland de 10 bästa bidragen i båda uppgifterna.