Jag har i det här arbetet gjort en analys av skillnaden mellan analog och digital summering avljudspår. Analyserna gjordes med avseende på frekvensspektrum, transientrespons och fasdifferens.Det gjordes genom att jag skrev och spelade in två låtar att använda till analyserna, mixade dessaoch körde ut till 24 separata ljudspår per låt. De summerades sedan på tre olika mixerbord och i treolika mjukvaror, för att sedan med Adobe Audition analysera hur frekvensspektrum,transientrespons och fasdifferens ändrats. Därefter gjordes genomsnitt för de analoga och de digitalasummeringarna för att se om det fanns några skillnader dem emellan. Även om det fanns gott omskillnader mellan mixerborden så var fasdifferenser det enda som var genomgående för alla analogasummeringar mot de digitala.

I denna uppsats undersöks huruvida en lyssnare kan skilja på två ljudmixar som är mixade på samma sätt men summerade på olika sätt. Den ena summeras analogt och den andra digitalt. Om så är fallet, hur tycker lyssnaren att dessa skillnader yttrar sig? Som metod fick en testpanel i ett blindtest lyssna på två olika mixar, en rocklåt och en jazzlåt, som båda fanns i både analogt och digitalt summerade versioner. Dessa fick testsubjekten sedan besvara några frågor kring och tycka till om dessa olika versioner i en kvalitativ enkätundersökning Det visade sig att skillnader uppfattades av merparten av lyssnarna. Den vanligast förekommande beskrivningen var att det var skillnad på stereobredd, djup och dynamik i mixarna beroende på hur de summerats. Även ord som klarhet, värme och tydlighet förekom. Testpanelen var överlag även väldigt bra på att gissa vilken version som var summerad på vilket sätt. Dessa gissningar verkar i på många fall vara baserad på den förutfattade meningen att analogt borde vara bättre. Det är ganska tydligt att detta forskningsarbete i mångt och mycket är en fallstudie för just de variabler som förekom (märke på den analoga summeraren, ljudkvalité på de inspelade ljudet, programmaterial med mera). Fler tester och undersökningar behövs för att kunna dra generella slutsatser.

Antalet cyberattacker ökar ständigt och därav också antalet angreppssätt och försvarstekniker. Detta innebär att personer verksamma inom cybersäkerhet behöver spendera mer och mer tid på att hålla sig uppdaterade om de senaste utvecklingarna i branschen. Det är därför av intresse att hitta sätt som kan påskynda denna inhämtning av information. I denna studie utvecklas en prototyp med målet att på ett nytt sätt automatiskt summera en av de många sorters nyhetskällor som finns inom cybersäkerhetsdiskussioner på onlineforum. Prototypen använder sig av abstraktiv textsummering med zero-shot modellen GPT-3. Prototypen som utvecklades utvärderades genom att mäta de summeringar som skapades med SUPERT. Resultatet från mätningen gav ett värde av 0,269 vid mätning mot de originella texterna och 0,358 vid mätning mot ett dataset som städats från text som inte rör cybersäkerhet. Från dessa värdet dras slutsatsen att utvecklingen av prototypen lyckades.

Att manuellt välja en eller flera meningar ur en filmrecension att använda som citat kan vara en tidskrävande uppgift. Denna rapport utvärderar övervakade maskininlärningsmodeller för att skapa en prototyp som automatiskt kan välja lämpliga citat ur recensioner. Utifrån resultatet av en litteraturstudie valdes två modeller att implementera och utvärdera på data bestående av filmrecensioner och tillhörande manuellt valda citat. Av arbetets två implementerade modeller, BERT med Inter-Sentence Transformer och BERT med ett artificiellt neuronnät, visade den sistnämnda marginellt bättre resultat. Modellerna utvärderades med ROUGE och jämfördes med tidigare studiers toppresultat inom automatisk textsummering. Slutsatsen är att de modeller som utvärderades inte presterar tillräckligt väl inom problemområdet för att motivera en driftsättning utan ytterligare utvecklingsarbete. Dock visar resultaten att det finns potential i att de utvärderade tillvägagångssätten delvis kan ersätta manuella val av citat i framtiden. / To choose a number of sentences from a movie review to use as a quote can be time consuming if done manually. This thesis evaluates supervised machine learning models to create a prototype that automatically can choose such quotes. The thesis chose, based on a literature study, two models to implement and evaluate on data consisting of movie reviews and their respective corresponding manually chosen quotes. Out of the thesis two implemented models, BERT with Inter-Sentence Transformer and BERT with an artificial neural network, the latter showed marginally better results. The models were evaluated with ROUGE and was compared with state-of-the-art models regarding automatic text summarization. The conclusion is that the models that were evaluated do not perform well enough for the problem to motivate full deployment without further development efforts. However, the results show that there is potential that the evaluated methods can partially replace manual labour when choosing quotes.