Den här typen av cancer är en fulcancer, det är svårt att vänja sig vid. En kvalitativ studie om kvinnors upplevelser av sexualitet och sexuell funktion efter kirurgi i ändtarmen. Examensarbete i sexologi, 30 högskolepoäng. Malmö Universitet: Fakulteten för hälsa och samhälle, Institutionen för socialt arbete, 2020. Syftet med studien är att undersöka hur kvinnor som behandlats för ändtarmscancer upplever sexualiteten och den sexuella funktion genom att belysa frågor om den fysiska kroppen, interna processer som tankar och känslor samt yttre faktorer som sammanhang. Ambitionen med studien är att bidra med kunskap till professionella som möter cancerpatienter. Empirin i studien innefattar 7 semistrukturerade intervjuer som har analyserats genom kvalitativ innehållsanalys. Teman som framkom var; kroppen, hjärnan och kontexten, tankar om normalitet och upplevelsen av en avvikande kropp, den sexuella personligheten, sex i ett sammanhang; distinktionen mellan lust och incitament, strategier för att hantera utmaningar samt tankar om bemötande inom vården. Studien visar på att individuella variationer som grundas på kvinnornas kognitiva scheman påverkar hur sexuellt relevanta handlingar tolkas och vilka beteenden som följer, vilket är viktigt att beakta efter cancerbehandling. I materialet sågs ett samband mellan negativa tankeprocesser samt upplevda sexuella problem. Genomgående hos flera av informanterna fanns en rädsla för att bli dömd, av partner och av andra människor i allmänhet. Att få cancer i ändtarmen tolkades som stigmatiserande, genom att förlora en funktion som tidigare har kunnat styras mer diskret, upplevde flera av kvinnorna att det hämmade deras liv. Professionellt bemötande var betydelsefullt för den sexuella rehabiliteringen och för att hitta strategier som fungerar efter avslutad behandling. / This kind of cancer is the ugly kind, it’s difficult to get used to. A qualitative study of women’s experiences of sexuality and sexual function after rectal surgery. Master Thesis in Sexology, 30 credits. Malmö University: Faculty of Health and Society, Department of Social Work, 2020. The purpose of the study was to investigate how women who have been treated for colorectal cancer experience sexuality and sexual function with focus on questions considering the physical body, internal processes such as thoughts and feelings, and external factors such as context. The ambition of the study is to contribute knowledge to professionals in healthcare who meet cancer patients in general. The empirical data in the study includes 7 semi-structured interviews that have been analysed through qualitative content analysis. The themes that emerged were; body, brain and the context, thoughts about normality and the experience of an abnormal body, the sexual personality, sex in a context; the distinction between desire and incentives, strategies for dealing with challenges and perspectives on healthcare. The study shows that individual variations based on women's cognitive schemas influence how sexually relevant stimuli are interpreted and affects the behaviours that follow, which is important to consider after cancer treatment. The study shows a connection between negative thoughts and perceived sexual problems. The informants presented a fear of being judged, by partners and in general. Cancer in the rectum was interpreted as stigmatizing by losing a function that previously could be discreetly controlled, several of the women felt that they were inhibited in their lives. Professional help was important for sexual rehabilitation and finding positive sexual strategies.

In this paper, a study is conducted to investigate the use of Curriculum Learning as an approach to address accuracy issues in a neural network caused by training on a Long-Tailed dataset. The thesis problem is presented by a Swedish e-commerce company. Currently, they are using a neural network that has been modified by them using a CORAL framework. This adaptation means that instead of having a classic binary regression model, it is an ordinal regression model. The data used for training the model has a Long-Tail distribution, which leads to inaccuracies when predicting a price distribution for items that are part of the tail-end of the data. The current method applied to remedy this problem is Re-balancing in the form of down-sampling and up-sampling. A linear training scheme is introduced, increasing in increments of $10\%$ while applying Curriculum Learning. As a method for sorting the data in an appropriate way, inspiration is drawn from Knowledge Distillation, specifically the Teacher-Student model approach. The teacher models are trained as specialists on three different subsets, and furthermore, those models are used as a basis for sorting the data before training the student model. During the training of the student model, the Curriculum Learning approach is used. The results show that for Imbalance Ratio, Kullback-Liebler divergence, Class Balance, and the Gini Coefficient, the data is clearly less Long-Tailed after dividing the data into subsets. With the correct settings before training, there is also an improvement in the training speed of the student model compared to the base model. The accuracy for both the student model and the base model is comparable. There is a slight advantage for the base model when predicting items in the head part of the data, while the student model shows improvements for items that are between the head and the tail. / I denna uppsats genomförs en studie för att undersöka användningen av Curriculum Learning som en metod för att hantera noggrannhetsproblem i ett neuralt nätverk som är en konsekvens av träning på data som har en Long-Tail fördelning. Problemstälnningen som behandlas i uppsatsen är tillhandagiven av ett svensk e-handelsföretag. För närvarande använder de ett neuralt nätverk som har modifierats med hjälp av ett CORAL-ramverk. Denna anpassning innebär att det istället för att ha en klassisk binär regressionsmodell har en ordinal regressionsmodell. Datan som används för att träna modellen har en Long-Tail fördelning, vilket leder till problem vid prediktering av prisfördelning för diverse föremål som tillhör datans svans. Den nuvarande metod som används för att åtgärda detta problem är en Re-balancing i form av down-sampling och up-sampling. Ett linjärt träningschema introduceras, som ökar i steg om $10\%$ medan Curriculum Learning tillämpas. Metoden för att sortera datan på ett lämpligt sätt inspires av Knowledge-Distillation, mer specifikt lärar-elevmodell delen. Lärarmodellerna tränas som specialister på tre olika delmängder, och därefter används dessa modeller som grund för att sortera datan innan tränandet av elevmodellen. Under träningen av elevmodellen tillämpas Curriculum Learning. Resultaten visar att för Imbalance Ratio, Kullback-Libler-divergens, Class Balance och Gini-koefficienten är datat tydligt mindre Long-Tailed efter att datat delats in i delmängder. Med rätt inställningar innan tränandet finns även en förbättring i träningshastighet för elevmodellen jämfört med basmodellen. Noggrannheten för både elevmodellen och basmodellen är jämförbar. Det finns en liten fördel för basmodellen vid prediktering av föremål i huvuddelen av datan, medan elevmodellen visar förbättringar för föremål som ligger mellan huvuddelen och svansen.