The purpose of the survey is to answer the following question: How is the learning process in digital games affected by an informative sound design? The survey analyzes the adaptation of sound design in digital games for optimized learning regarding the digital environment's responses to the actor's interaction. The work investigates actors' decisions in a digital environment and the changes in decision after a change in sound design. The study resulted in a reinforced perception when auditory icons occurred in a non-representative environment, these interactions were recorded and recalled to a greater extent in relation to remaining auditory methods. Analysis of Kolb's learning patterns in a digital environment enhanced by informative sound design was documented in the following steps: observation of interaction, reflection on interaction, implementation of hypothesis on a similar interaction, reflection on differences and similarities of varying results of interaction. / Undersökningens syfte är att besvara följande frågeställning: Hur påverkas inlärningsprocessen i digitala spel med hjälp av en informativ ljuddesign?Undersökningen analyserar anpassning av ljuddesign i digitala spel för en optimerad inlärning gällande den digitala miljöns reaktioner till aktörers interaktion. Arbetet undersöker aktörers beslut i en digital miljö och förändringarna i beslut efter en förändring i ljuddesign.Undersökningen resulterade i en förstärkt uppfattningsförmåga då Auditory Icons uppstod i en icke-representativ miljö, dessa interaktioner registrerades och återkallas i en större omfattning i förhållande till resterande auditiva metoder.Analys av Kolb’s inlärningsmönster i en digital miljö stärkt av informativ ljuddesign dokumenterades i följande steg: observation av interaktion, reflektion över interaktion, implementation av hypotes på en liknande interaktion, reflektion över skillnader och likheter av varierande resultat av interaktion.

This thesis investigates the feasibility of supervised learning models in the decision-making problem to package products and predict an optimal packaging solution. The decision-making problem was broken down into a multi-class classification and a regression problem using relevant literature. Supervised learning models from the field of logistics were shortlisted namely; Generalized Linear Models, Support Vector Machines, Random Forest and Gradient Boosted Trees using CatBoost. The performance of the models were evaluated based on relevant metrics, interpretability and ease of implementation. The results from this thesis show that the Random Forest model had the best performance on all the aforementioned criteria in both the classification and regression problems. / Denna avhandling undersöker möjligheten att genomföra övervakade inlärningsmodeller i syfte att förbättra beslutsprocessen kring produktpaketering samt att förutsäga en optimal förpackningslösning. Beslutsfattandeprocessen bröts ner i klassificeringsdelar samt ett regressionsproblem med hjälp av relevant litteratur. De övervakade inlärningsmodeller från logistikområdet som har använts är ”Generalized Linear Models”, ”Support Vector Machines”, ”Random Forest” och ”Gradient Boosted Trees using CatBoost”. Modellerna har utvärderades utifrån relevanta mätvärden, tolkbarhet och enkelhet avseende implementering. Resultaten i denna avhandling visar att ”Random Forest”-modellen har bäst prestanda på alla ovannämnda kriterier, både vad gäller klassificerings- och regressionsproblemen.