Recommender System is a tool helping users find content and overcome information overload. It predicts interests of users and makes recommendation according to the interest model of users. The original content-based recommender system is the continuation and development of collaborative filtering, which doesn’t need the user’s evaluation for items. Instead, the similarity is calculated based on the information of items that are chose by users, and then make the recommendation accordingly. With the improvement of machine learning, current content-based recommender system can build profile for users and products respectively. Building or updating the profile according to the analysis of items that are bought or visited by users. The system can compare the user and the profile of items and then recommend the most similar products. So this recommender method that compare user and product directly cannot be brought into collaborative filtering model. The foundation of content-based algorithm is acquisition and quantitative analysis of the content. As the research of acquisition and filtering of text information are mature, many current content-based recommender systems make recommendation according to the analysis of text information. This paper introduces content-based recommender system for the movie website of VionLabs. There are a lot of features extracted from the movie, they are diversity and unique, which is also the difference from other recommender systems. We use these features to construct movie model and calculate similarity. We introduce a new approach for setting weight of features, which improves the representative of movies. Finally we evaluate the approach to illustrate the improvement. / Recommender System är ett verktyg som hjälper användarna att hitta innehåll och övervinna informationsöverflöd. Det förutspår användarnas intressen och gör rekommendation enligt räntemodellen användare. Den ursprungliga innehållsbaserade recommender är en fortsättning och utveckling av samarbete filtrering, som inte behöver användarens utvärdering artiklar. Istället är likheten beräknas baserat på informationen objekt som har varit valde av användare, och sedan göra rekommendationen därefter. Med förbättringen av maskininlärning, kan nuvarande innehållsbaserad recommender systemet bygga profil för användare och produkt respektive. Bygga eller uppdatera profilen enligt analysen av objekt som köps eller besöks av användare. Systemet kan jämföra användaren och profilen av artiklar och rekommendera den mest liknande produkt. Så här recommender metod som jämför användaren och produkten direkt kan inte föras in collaborative filtreringsmodell. Grunden för innehållsbaserad algoritm är förvärv och kvantitativ analys av innehållet. Eftersom forskning förvärv och filtrering av textinformation är mogen, många aktuella innehållsbaserade recommender system gör rekommendation enligt analysen av textinformation. Denna uppsats införa innehållsbaserad recommender system för film webbplats VionLabs. Det finns en mängd funktioner som extraherats från en film, är de mångfald och unik, vilket är också skillnaden med andra recommender system. Vi använder dessa funktioner för att konstruera film vektor och beräkna likheter. Vi introducerar en ny metod för att fastställa vikten av funktioner, vilket förbättrar företrädare för filmer. Slutligen utvärderar vi tillvägagångssättet för att illustrera förbättringen.

Bakgrund: Bristande kommunikation och informationsöverföring är huvudorsaken till upp-komsten av vårdskador i hälso- och sjukvården. Komplexiteten i hälso- och sjukvårds organisat-ion i kombination med den mänskliga faktorn ställer krav på struktur i kommunikationen med hjälp av standardisering. En utmaning för hälso- och sjukvården är att implementera och studera standardiserade kommunikationsmetoder och studera effekten på patientsäkerhet och arbets-miljö. SBAR (Situation-Bakgrund-Aktuell Status-Rekommendation) är en kunskapsbaserad kommunikationsmetod, utvecklad för överföring av kritisk information i komplexa arbetssituat-ioner. Metoden hjälper till att skapa den struktur och förutsägbarhet som krävs för effektiv kommunikation i komplexa arbetssituationer såväl under normala förhållanden som under stress. Syfte: Att studera implementering av SBAR på en kardiologisk vårdavdelning med fokus på stra-tegier som kan underlätta processen. Metod: Studien är en kvalitativ intervjustudie med analytisk ansats. Den baseras på tio intervjuer med sjuksköterskor och läkare som arbetar på vårdavdelningen. Dessutom har en kvantitativ basundersökning om samarbets- och säkerhetsklimatet (enligt Safety Attitude Questionnaire) och kommunikationen genomförts under implementeringen, mars 2011-december 2011. Resultat: På vårdavdelningen har ca 95 % av sjuksköterskor och ca 70 % av läkare har fått ut-bildning i SBAR och flertalet av dessa har fått repetitionsutbildning. Sjuksköterskorna upplever en förbättring i den intraprofessionella kommunikationen efter att SBAR implementerats. Sjuk-sköterskorna beskriver att kommunikationen efter implementeringen följer SBAR strukturen i högre utsträckning, den är saklig och mer avgränsad samt innehåller i högre omfattning än tidi-gare en planering för och uppföljning av patientens vård. Endast enstaka läkare anger att de an-vänder SBAR i den intra- och interprofessionella kommunikationen. I den kvalitativa studien har såväl strategier som underlättar implementeringen av SBAR som fallgropar identifierats och beskrivits. De strategier som identifierats handlar om bl.a. ledningsan-svar, definiering av ansvar och roller i vård-teamet, skapande av mötesstrukturer för tvärprofess-ionellt samarbete, kommunikation och helhetssyn, identifiering och förebyggande av hierarkiska strukturer och introducering av förbättringskunskap i projektets genomförande. De fallgropar som identifierats har att göra med bristande föranalys, otydliga uppdrag, brister i resurser som metodstöd och tid, bemötande av kritiska röster, bristande läkarmedverkan, yttre påverkans fak-torer. Resultaten av den kvantitativa enkätundersökningen visade att det inte finns några skillna-der mellan läkarnas och sjuksköterskornas uppfattning om säkerhetsklimat eller samarrbete och kommunikation med den egna arbetsgruppen. Däremot finns det signifikanta skillnader mellan läkare och sjuksköterskor beträffande det gemensamma samarbetet och kommunikationen där sjuksköterskor uppfattar samarbetet och kommunikationen som mindre väl fungerande (Bilaga 1-3) Diskussion: Implementeringsprocessen visat sig vara kunskaps- och meningsskapande genom den ovan beskrivna analytiska ansatsen. Resultaten visar att implementeringen av SBAR behöver kompletteras med flera andra åtgärder som kan bidra till att skapa förutsättningar för ökat tvär-professionellt samarbete och kommunikation. Studien bekräftar det kommunikationsgap som finns mellan sjuksköterskor och läkare och behovet av förståelse för varandras olika roller och ansvar för att kunna skapa en helhetssyn med fokus på patienten i vården. Identifiering och före-byggande av de hierarkiska strukturer samt tydliggörande av innebörden i ledarskapet i vårdtea-met har visat sig vara avgörande. Implementering av SBAR är en satsning på en av de viktigaste patientsäkerhetsfrågorna och kräver tydlig och engagerat ledning. / Background: Poor professional communication and information transfer are main causes for medical error in the health care systems. The complexity in health care organisations in combina-tion with human factors issues raises a demand for structured and standardised communication. One challenge is to implement standardised communication models and study its effect on pa-tient safety and working conditions. SBAR (Situation, Background, Assessment and Recommen-dation) is a knowledge based communication model, developed to transfer critical information in complex work environments, both in normal and stressful conditions. Aim: To study implementation of SBAR on a Cardiology ward with focus on strategies that could facilitate the process. Method: Ten qualitative interviews with members of staff during the implementation process and quantitative data (130 anonymous questionnaires among staff, Safety Attitude Questionnaire, SAQ, during the implementation of SBAR have been collected (March- December 2011) Results: 95 % of the nurses and 70 % of the physicians have received SBAR education. In the interviews, the nurses describe an improved intra-professional communication after the imple-mentation of SBAR. The nurses also describe the communication to be more focused on the patients’ care, follow the SBAR process. However, only a few physicians explain that they are using SBAR in the intra- and/or inter professional communication. Strategies (leadership, role definitions within the team, structure for multi-professional cooperation, identification and prevention of hierarchical structures and introduc-tion of improvement knowledge) and hinders (limited clinical analyses before the project, unclear assignment, limited resources e.g. time and methodology, handling critical voices, limited input from physicians and external impact factors) for implementation of the SBAR model were identi-fied. The response rate for the baseline SAQ questionnaire was 94 % among nurses and 69% among physicians. No differences were found in nurses and physicians’ attitudes on safety climate and teamwork within their own groups. Some significant differences however were found concerning cooperation and communication between the two groups; nurses were less satisfied with cooperation and communication compared to the level of satisfaction in the group of physi-cians. Discussion: The implementation process has been meaningful in regards to an increase in knowledge trough the analytic outlook of the study. The result indicates that the actual imple-menting of SBAR requires further steps to create optimal conditions to achieve better results in communication and collaboration in cross-professional teams. The study confirms the communi-cation gap that exist between doctors and nurses and highlights the need for a better understand-ing of each other`s roles and responsibilities, in order to achieve an integral patient-centred ap-proach. It is crucial to identify and to prevent existing structures of hierarchy and to clarify the meaning of leadership within the team. The process of implementing SBAR is an effort to ad-dress one of the most important issues in patient safety and requires firm and committed leader-ship.

In modern industrial environments, human-robot collaboration is a trend in automation to improve performance and productivity. Instead of isolating robot from human to guarantee safety, collaborative robotics allows human and robot working in the same area at the same time. New hazards and risks, such as the collision between robot and human, arise in this situation. Safety analysis is necessary to protect both human and robot when using a collaborative robot.To perform safety analysis, robots need to perceive the surrounding environment in realtime. This surrounding environment is perceived and stored in the form of scene graph, which is a direct graph with semantic representation of the environment, the relationship between the detected objects and properties of these objects. In order to generate the scene graph, a simulated warehouse is used: robots and humans work in a common area for transferring products between shelves and conveyor belts. Each robot generates its own scene graph from the attached camera sensor. In the graph, each detected object is represented by a node and edges are used to denote the relationship among the identified objects. The graph node includes values like velocity, bounding box sizes, orientation, distance and directions between the object and the robot.We generate scene graph in a simulated warehouse scenario with the frequency of 7 Hz and present a study of Mask R-CNN based on the qualitative comparison. Mask R-CNN is a method for object instance segmentation to get the properties of the objects. It uses ResNetFPN for feature extraction and adds a branch to Faster R-CNN for predicting segmentation mask for each object. And its results outperform almost all existing, single-model entries on instance segmentation and bounding-box object detection. With the help of this method, the boundaries of the detected object are extracted from the camera images. We initialize Mask R-CNN model using three different types of weights: COCO pre-trained weight, ImageNet pre-trained weight and random weight, and the results of these three different weights are compared w.r.t. precision and recall.Results showed that Mask R-CNN is also suitable for simulated environments and can meet requirements in both detection precision and speed. Moreover, the model trained used the COCO pre-trained weight outperformed the model with ImageNet and randomly assigned initial weights. The calculated Mean Average Precision (mAP) value for validation dataset reaches 0.949 with COCO pre-trained weights and execution speed of 11.35 fps. / I modern industriella miljöer, för att förbättra prestanda och produktivitet i automatisering är human-robot samarbete en trend. Istället för att isolera roboten från människan för att garantera säkerheten, möjliggör samarbets robotar att man och robot arbetar i samma område samtidigt. Nya risker, såsom kollisionen mellan robot och människa, uppstår i denna situation. Säkerhetsanalys är nödvändig för att skydda både människa och robot när man använder en samarbets robot.För att utföra säkerhetsanalys måste robotar uppfatta omgivningen i realtid. Denna omgivande miljö uppfattas och lagras i form av scen graf, som är ett direkt diagram med semantisk representation av miljön, samt förhållandet mellan de detekterade objekten och egenskaperna hos dessa objekt. För att skapa scen grafen används ett simulerat lager: robotar och människor arbetar i ett gemensamt område för överföring av produkter mellan hyllor och transportband. Varje robot genererar sin egen scen grafik från den medföljande kamerasensorn. I diagrammet presenteras varje detekterat objekt av en nod och kanterna används för att beteckna förhållandet mellan de identifierade objekten. Diagram noden innehåller värden som hastighet, gränsvärde, orientering, avstånd och riktningar mellan objektet och roboten.Vi genererar scen graf i ett simulerat lager scenario med frekvensen 7 Hz och presenterar en studie av Mask R-CNN baserat på den kvalitativa jämförelsen. Mask R-CNN är ett sätt att segmentera objekt exempel för att få objektens egenskaper. Det använder ResNetFPN för funktion extraktion och lägger till en gren till Snabbare R-CNN för att förutsäga segmenterings mask för varje objekt. Och dess resultat överträffar nästan alla befintliga, enkel modell poster, till exempel segmentering och avgränsning av objektiv detektering. Med hjälp av denna metod extraheras kanterna för det detekterade objektet från kamerabilderna. Vi initierar Mask R-CNN-modellen med tre olika typer av vikter: COCO-utbildade vikter, ImageNet-tränade vikter och slumpmässiga vikter, och resultaten av dessa tre olika vikter jämförs med avseende på precision och återkallelse.Resultaten visade att Mask R-CNN också är lämplig för simulerade miljöer och kan uppfylla kraven i både detekterings precision och hastighet. Dessutom använde den utbildade modellen de COCO-tränade vikterna överträffat modellen med slumpmässigt tilldelade initial vikter. Det beräknade medelvärdet för precision (mAP) för validerings dataset når 0.949 med COCO-pre-utbildade vikter och körhastighet på 11.35 fps.