Skolskjutningar eller andra skolattacker är tack och lov inte så vanliga i Sverige men då och då sker attacker, senast i Malmö i mars 2022. Det förväntade kunskapsbidrag som detta examensarbete är tänkt att bidra med är att presentera vad forskningsfältet säger om skolattacker runt om i världen mellan 1999–2021. För att kunna presentera forskningsfältet var syftet med detta arbete att göra en litteraturöversikt om skolattacker mellan 1999 – 2021 utifrån begreppen: School shooting, social exclusion, social isolation och bullying. Via denna sökning var syftet att försöka kartlägga vilka anledningar som förklaras ligga bakom attackerna, presentera om det finns en koppling mellan marginalisering och skolattacker samt sammanställa vad forskningen beskriver som framgångsfaktorer i skolors arbete kopplat till området. Ytterligare en aspekt som detta arbete syftade till att presentera i litteraturöversikten var vad forskningen säger om den specialpedagogiska rollen och arbetet i förhållande till marginaliseringen. Ansatsen till syftet tas genom följande frågeställningar: Vilka kopplingar mellan skolattacker och marginalisering presenteras i forskningen mellan 1999 – 2021?Vad visar forskningen för framgångsfaktorer i skolors arbete med att på individ-, grupp- , organisations- och samhällsnivå, motverka marginalisering av elever i skolan?Hur beskriver forskningen den specialpedagogiska rollen och arbetet i förhållande till marginaliseringen? För att göra litteraturöversikten användes SMART-metoden av Claes Nilholm som utgångspunkt för att sammanställa och på ett tydligt presentera resultatet. För att analysera resultatet och besvara de tre olika forskningsfrågorna användes tre olika teoretiska perspektiv som utgångspunkter: kritisk eller kategoriskt perspektiv, pragmatiskt perspektiv och verksamhetsteori. Resultatet visade att uttrycket marginalisering inte är vanligt förekommande och när, används det för att beskriva individer. I resultatet framkommer inte heller något om det specialpedagogiska perspektivet och inga beskrivningar av specialpedagogers arbete. Inte heller presenteras det några framgångsfaktorer som vilar på en vetenskaplig grund. De framgångsfaktorer som presenteras är främst riktade till individen genom psykologer och kuratorer. Vidare ges ett exempel på framgångsfaktor i form av förebyggande arbete som spänner hela vägen från samhälls- till individnivå genom möjligheten att ge anonyma tips. De specialpedagogiska implikationer som detta arbete är tänkt att bidra med är insikt om ett tomrum i informationen om hälsan för elever i skolan och betydelsen av specialpedagogens arbete. Denna uppsats är ett bidrag till forskningsfältet genom att sätta fingret på ett område som behöver utvecklas. Det blir synligt att resurser behövs för översyn och förändring av den psykosociala skolmiljön och här har specialpedagogen en roll att fylla.

Prior literature has investigated the connection between school shootings and factors of familial trauma and mental health. Specifically, experiences related to parental suicide, physical or sexual abuse, neglect, marital violence, or severe bullying have been associated with a propensity for carrying out a mass shooting. Given prior research has shown common histories among school shooters, it follows that a person's violent tendencies can be revealed by their previous communications with others, thus aiding in predicting an individual's proclivity for school shootings. However, previous literature found no conclusions were drawn from online posts made by the shooters prior to the mass shootings. This thesis applies NVivo-supported thematic analysis and Natural Language Processing (NLP) to study school shootings by comparing the online speech patterns of known school terrorists versus those of non-violent extremists and ordinary teenagers online. Findings indicate that out of all the possible NLP indicators, conversation, HarmVice, negative tone, and conflict are the most suitable school shootings indicators. Ordinary people score eight times higher than known school shooters and online extremists in conversation. Known shooters score more than 14 times higher in HarmVice, than in both ordinary people and online extremists. Known shooters also score higher in negative tone (1.37 times higher than ordinary people and 1.78 times higher than online extremists) and conflict (more than three times higher than ordinary people and 1.8 times higher than online extremists). The implications for domestic violence prediction and prevention can be used to protect citizens inside educational infrastructure by linking the flagged accounts to the schools or colleges that they attend. Further research is needed to determine the severity of emotional coping displayed in online posts, as well as the amount of information and frequency with which weapons and killing are discussed.

No description available.

Att använda maskininlärning för att detektera vapen eliminerar en konstant mänsklig övervakning, vilket också kan leda till en lägre responstid till polis. I den här rapporten undersöks hur en vapendetektor kan konstrueras och byggas som en del av en klient-server-lösning. / With the progress of deep learning methods the last couple of years, object detectionrelated tasks are improving rapidly. Using object detection for detecting guns in schoolsremove the need for human supervision and hopefully reduces police response time. Thispaper investigates how a gun detection system can be built by reading frames locally andusing a server for detection. The detector is based on a pre-trained SSD model and throughtransfer learning is taught to recognize guns. The detector obtained an Average Precisionof 51.1% and the server response time for a frame of size 1920 x 1080 was 480 ms, but couldbe scaled down to 240 x 135 to reach 210 ms, without affecting the accuracy. A non-gunclass was implemented to reduce the number of false positives and on a set of 300 imagescontaining 165 guns, the number of false positives dropped from 21 to 11.

With the progress of deep learning methods the last couple of years, object detection related tasks are improving rapidly. Using object detection for detecting guns in schools remove the need for human supervision and hopefully reduces police response time. This paper investigates how a gun detection system can be built by reading frames locally and using a server for detection. The detector is based on a pre-trained SSD model and through transfer learning is taught to recognize guns. The detector obtained an Average Precision of 51.1% and the server response time for a frame of size 1920 x 1080 was 480 ms, but could be scaled down to 240 x 135 to reach 210 ms, without affecting the accuracy. A non-gun class was implemented to reduce the number of false positives and on a set of 300 images containing 165 guns, the number of false positives dropped from 21 to 11.

No description available.

No description available.