<p>Vår studie gick ut på att undersöka vilka läs- och skrivinlärningsmetoder som används i skolan och hur lärare arbetar med att individanpassa dessa metoder. För att undersöka detta har vi genomfört en kvalitativ studie. Grunden för arbetet har varit enkätintervjuer med lärare och observationer i år ett. Resultatet visar att ett par metoder, Bornholmsmodellen och Umeåmodellen, premieras av våra informanter men en mängd andra metoder förekommer också. Oavsett metod arbetar dessa lärare med individualisering på likartat sätt nämligen med arbetsscheman baserade på elevernas olika förutsättningar.<strong></strong></p>

<p>Syftet med studien var att undersöka och beskriva pedagogers läs- och skrivundervisning på en skola i England.</p><p>Studien genomfördes med hjälp av etnografiskt inspirerade observationer och kvalitativa intervjuer. Fyra olika klassrum besöktes på en skola i London och sju lärare samt fyra barn intervjuades. Lärarna hade olika roller på skolan vilket gav intervjusvaren en bredd. Barnen var i åldrarna 5 till 6 år.</p><p>På den engelska skola som är utgångspunkten i studien är läs- och skrivundervisningen viktig. Lärarna arbetar medvetet utifrån mål och riktlinjer i form av styrdokument utgivna av regeringen. Det finns bland lärarna en strävan efter att varje barn ska lyckas i sitt lärande. Undervisningen på den engelska skolan kan se olika ut från lärare till lärare. I flera klasser används ett språkljudsinriktat material som hjälp i läs- och skrivundervisningen. Med utgångspunkt i teori kan det tolkas som att lärarna utgår från ett syntetiskt synsätt där språkljuden ses som en viktig del i läs- och skrivinlärningen. Ett analytiskt synsätt blir dock också synligt i lärarnas sätt att tänka kring lärande.</p>

<p>Sammanfattning</p><p>Detta arbete handlar om hur den första undervisningen av läs- och skrivinlärning kan bedrivas. Utgångspunkter för undersökningen var att jag anser att det är av stor vikt att lära sig läsa och skriva i dagens samhälle och det är ett högt prioriterat mål i läroplanen. Eftersom jag i mitt yrke ska arbeta med läs- och skrivinlärning tänkte jag att jag behövde mer kunskap om hur den egentligen går till. Jag ville också veta hur man kan bedriva undervisning på ett sätt som gynnar alla elever, eftersom alla lär på olika sätt. Jag har undersökt hur pedagoger som arbetar med elever i förskoleklass och klass 1 kan bedriva sin undervisning i ämnet.</p><p>Min problemprecisering lyder:</p><p>Hur kan man utforma läs- och skrivundervisningen i förskoleklass och klass 1?</p><p>Detta område har i arbetet diskuterats utifrån olika litteraturstudier. Jag har också gjort intervjuer med tre pedagoger; en förskollärare, en lågstadielärare och en 1-7 lärare.</p><p>Det viktigaste som kom fram i min undersökning är att undervisningen kan bedrivas på flera olika sätt och att varje lärare måste hitta sin egen fungerande metod. Man bör dock använda sig av en blandning av syntetiska och analytiska metoder och arbeta med bokstavsljud istället för namnen på bokstäverna. Man bör också ha en undervisning som är varierande och lustfylld för eleverna och det är viktigt att man individualiserar undervisningen efter elevers olika behov.</p><p>Nyckelord: analytisk metod, läsinlärning, skrivinlärning, syntesisk metod, undervisning</p> / <p>Abstract</p><p>This document is about how the first teaching of literacy learning can be done. I think that it is very important to learn how to read and write in the society of today and it´s clearly written in the curriculum that it is important for the pupils to learn how to read and write, this is the starting point of this examination. Since my profession means that I will be teaching literacy learning I felt that I needed more knowledge in the subject. I also wanted to know how to teach in a way that favour all pupils, since every child learn in different way. I did study how teachers that works with pupils in their first years at school can run their teaching in the subject.</p><p>My question at issue is:</p><p>How can the teaching of literacy learning be done with pupils in their first years at school?</p><p>This subject has in this document been discussed out of different literature. I have also done intervjues with three teachers.</p><p>The most important that I learned from this examination is that the teaching can be done in many different ways, every teacher needs to find their own way of working. You should however use a mixture of synthetic and analytic methods and work with the sounds of the letters instead of their names. You should also make the teaching varying and pleasurable for the pupils and it is important that you individualize the teaching to the different needs your pupils have got.</p><p>Keywords: literacy learning, synthetic method, analytic method, teaching</p>

Syftet med studien var att undersöka och beskriva pedagogers läs- och skrivundervisning på en skola i England. Studien genomfördes med hjälp av etnografiskt inspirerade observationer och kvalitativa intervjuer. Fyra olika klassrum besöktes på en skola i London och sju lärare samt fyra barn intervjuades. Lärarna hade olika roller på skolan vilket gav intervjusvaren en bredd. Barnen var i åldrarna 5 till 6 år. På den engelska skola som är utgångspunkten i studien är läs- och skrivundervisningen viktig. Lärarna arbetar medvetet utifrån mål och riktlinjer i form av styrdokument utgivna av regeringen. Det finns bland lärarna en strävan efter att varje barn ska lyckas i sitt lärande. Undervisningen på den engelska skolan kan se olika ut från lärare till lärare. I flera klasser används ett språkljudsinriktat material som hjälp i läs- och skrivundervisningen. Med utgångspunkt i teori kan det tolkas som att lärarna utgår från ett syntetiskt synsätt där språkljuden ses som en viktig del i läs- och skrivinlärningen. Ett analytiskt synsätt blir dock också synligt i lärarnas sätt att tänka kring lärande.

Vår studie gick ut på att undersöka vilka läs- och skrivinlärningsmetoder som används i skolan och hur lärare arbetar med att individanpassa dessa metoder. För att undersöka detta har vi genomfört en kvalitativ studie. Grunden för arbetet har varit enkätintervjuer med lärare och observationer i år ett. Resultatet visar att ett par metoder, Bornholmsmodellen och Umeåmodellen, premieras av våra informanter men en mängd andra metoder förekommer också. Oavsett metod arbetar dessa lärare med individualisering på likartat sätt nämligen med arbetsscheman baserade på elevernas olika förutsättningar.

Sammanfattning Detta arbete handlar om hur den första undervisningen av läs- och skrivinlärning kan bedrivas. Utgångspunkter för undersökningen var att jag anser att det är av stor vikt att lära sig läsa och skriva i dagens samhälle och det är ett högt prioriterat mål i läroplanen. Eftersom jag i mitt yrke ska arbeta med läs- och skrivinlärning tänkte jag att jag behövde mer kunskap om hur den egentligen går till. Jag ville också veta hur man kan bedriva undervisning på ett sätt som gynnar alla elever, eftersom alla lär på olika sätt. Jag har undersökt hur pedagoger som arbetar med elever i förskoleklass och klass 1 kan bedriva sin undervisning i ämnet. Min problemprecisering lyder: Hur kan man utforma läs- och skrivundervisningen i förskoleklass och klass 1? Detta område har i arbetet diskuterats utifrån olika litteraturstudier. Jag har också gjort intervjuer med tre pedagoger; en förskollärare, en lågstadielärare och en 1-7 lärare. Det viktigaste som kom fram i min undersökning är att undervisningen kan bedrivas på flera olika sätt och att varje lärare måste hitta sin egen fungerande metod. Man bör dock använda sig av en blandning av syntetiska och analytiska metoder och arbeta med bokstavsljud istället för namnen på bokstäverna. Man bör också ha en undervisning som är varierande och lustfylld för eleverna och det är viktigt att man individualiserar undervisningen efter elevers olika behov. Nyckelord: analytisk metod, läsinlärning, skrivinlärning, syntesisk metod, undervisning / Abstract This document is about how the first teaching of literacy learning can be done. I think that it is very important to learn how to read and write in the society of today and it´s clearly written in the curriculum that it is important for the pupils to learn how to read and write, this is the starting point of this examination. Since my profession means that I will be teaching literacy learning I felt that I needed more knowledge in the subject. I also wanted to know how to teach in a way that favour all pupils, since every child learn in different way. I did study how teachers that works with pupils in their first years at school can run their teaching in the subject. My question at issue is: How can the teaching of literacy learning be done with pupils in their first years at school? This subject has in this document been discussed out of different literature. I have also done intervjues with three teachers. The most important that I learned from this examination is that the teaching can be done in many different ways, every teacher needs to find their own way of working. You should however use a mixture of synthetic and analytic methods and work with the sounds of the letters instead of their names. You should also make the teaching varying and pleasurable for the pupils and it is important that you individualize the teaching to the different needs your pupils have got. Keywords: literacy learning, synthetic method, analytic method, teaching

Att barn i Sverige lär sig läsa och skriva är en självklarhet och en demokratisk rättighet. Det  är  dock  inte  en  självklarhet  hur  inlärningen  går  till.  Vi  vill  med  denna  studie undersöka hur ett mindre urval av läromedel introducerar bokstäver för elever i årskurs 1  utifrån  den  syntetiska  metoden,  vilket  innebär  att  bokstäver  lärs  ut  en  i  taget  och därefter  ljudas  ihop  till  enklare  ord.  Utifrån  det  sociokulturella  perspektivet  och pragmatismen undersöker vi om läromedlen har uppgifter som är utvecklande och bilder som är igenkänningsbara för eleverna.Syftet  med  undersökningen  är  att  ge  en  inblick  i  hur  läromedel  kan  introducera bokstäver och avkodning  för  elever. Vi vill  även veta om materialen använder sig av bokstavsbilder  för  att  hjälpa  eleverna  i  bokstavsinlärningen.  För  att  jämföra  dessa utvalda läromedel har vi använt oss av en kvalitativ textanalys med kvantitativa inslag, där  texterna  analyseras  komparativt  och  ur  ett  kunskapskritiskt  perspektiv.  Vi  jämför läromedlen  utifrån  dessa  fyra  punkter:  bokstavsföljden,  uppgifter  per  bokstav,  hur eleverna tränar avkodningsförmågan samt bokstavsbilder. Resultatet sammanställs först i  en  tabell  för  att  få  en  tydlig  överblick  över  läromedlen  och  sedan  följer  en  mer djupgående analys. Resultatet  visar  att  det  inte  finns  någon  generell  bokstavsföljd  som  förespråkas  utan bokstavsordningen varierar i läromedlen. Avkodningen introduceras på liknande sätt i alla  läromedel  och  uppgifter  per  bokstav  är  relativt  lika  men  omfattar  olika  många moment.  Det  är  mest  skriftliga  uppgifter  i  arbetsboken  som  sedan  kompletteras  med praktiska  uppgifter  som  finns  i  lärarhandledningarna.  Bokstavbilder  finns  i  tre  av  de fyra  läromedlen  vi  undersökt.  I  två  av  dessa  är  det  elevnära  och  igenkänningsbara föremål för eleverna. I ett av läromedlen är föremålen svåra för eleverna att känna igen.

Detta projekt har studerat hur syntetisk animation kan användas för att representera karaktäristiska drag hos barnbokskaraktärer. Fokus i projektet har varit att analysera tidigare karaktärsanimation från kända barnfilmer animerade i 3D, samt stop-motion och därefter skapa syntetiserad animation baserat på resultatet från analysen. Helkroppsanimation utan personifierade fysiska attribut som till exempel kläder eller hårstilar användes för projektets artefakt, genom att animera en ansiktslös 3D modell vilken skapades för projektet.

One of the areas propelled by the advancements in Deep Learning is Natural Language Processing. These continuous advancements allowed the emergence of new language models such as the Transformer [1], a deep learning model based on attention mechanisms that takes a sequence of symbols as input and outputs another sequence, attending to the input during its generation. This model is often used in translation, text summarization and text generation, outperforming previous used methods such as Recurrent Neural Networks and Generative Adversarial Networks. The problem statement provided by the company Syndata for this thesis is related to this new architecture: Given a tabular dataset, create a model based on the Transformer that can generate text fields considering the underlying context from the rest of the accompanying fields. In an attempt to accomplish this, Syndata has previously implemented a recurrent model, nevertheless, they’re confident that a Transformer could perform better at this task. Their goal is to improve the solution provided with the implementation of a model based on the Transformer architecture. The implemented model should then be compared to the previous recurrent model and it’s expected to outperform it. Since there aren’t many published research articles where Transformers are used for synthetic tabular data generation, this problem is fairly original. Four different models were implemented: a model that is based on the GPT architecture [2], an LSTM [3], a Bidirectional-LSTM with an Encoder- Decoder structure and the Transformer. The first two models are autoregressive models and the later two are sequence-to-sequence models which have an Encoder-Decoder architecture. We evaluated each one of them based on 3 different aspects: on the distribution similarity between the real and generated datasets, on how well each model was able to condition name generation considering the information contained in the accompanying fields and on how much real data the model compromised after generation, which addresses a privacy related issue. We found that the Encoder-Decoder models such as the Transformer and the Bidirectional LSTM seem to perform better for this type of synthetic data generation where the output (or the field to be predicted) has to be conditioned by the rest of the accompanying fields. They’ve outperformed the GPT and the RNNmodels in the aspects that matter most to Syndata: keeping customer data private and being able to correctly condition the output with the information contained in the accompanying fields. / Deep learning har lett till stora framsteg inom textbaserad språkteknologi (Natural Language Processing) där en typ av maskininlärningsarkitektur kallad Transformers[1] har haft ett extra stort intryck. Dessa modeller använder sig av en så kallad attention mekanism, tränas som språkmodeller (Language Models), där de tar in en sekvens av symboler och matar ut en annan. Varje steg i den utgående sekvensen beror olika mycket på steg i den ingående sekvensen givet vad denna attention mekanism lärt sig vara relevant. Dessa modeller används för översättning, sammanfattning och textgenerering och har överträffat andra arkitekturer som Recurrent Neural Networks, RNNs samt Generative Adversarial Networks. Problemformuleringen för denna avhandling kom från företaget Syndata och är relaterat till denna arkitektur: givet tabellbaserad data, implementera en Transformer som genererar textfält beroende av informationen i de medföljande tabellfälten. Syndata har tidigare implementerat ett RNN för detta ändamål men är övertygande om att en Transformer kan prestera bättre. Målet för denna avhandling är att implementera en Transformer och jämföra med den tidigare implementationen med hypotesen att den kommer att prestera bättre. Det underliggande målet är att givet data i tabellform kunna generera ny syntetisk data, användbar för industrin, där problem kring integritet och privat information kan minimeras. Fyra modeller implementerades: en Transformermodel baserad på GPT- arkitekturen[ 2], en LSTM[3]-modell, en encoder-decoder Transformer och en BiLSTM-modell. De två förstnämnda modellerna är auto-regressiva och de senare två är sequence-to-sequence som har en encoder-decoder arkitektur. Dessa modeller utvärderades och jämfördes givet tre kriterier: hur lik sannolikhetsfördelningen mellan den verkliga och den genererade datamängden, hur mycket varje modell baserade generationen på de medföljande fälten och hur mycket verklig data som komprometteras genom synteseringen. Slutsatsen var att Encoder-Decoder varianterna, Transformern och BiLSTM, var bättre för att syntesera data i tabellformat, där utdatan (eller fälten som ska genereras) ska uppvisa ett starkt beroende av resten av de medföljande fälten. De överträffade GPT- och RNN- modellerna i de aspekter som betyder mest för Syndata att hålla kunddata privat och att den syntetiserade datan ska vara beroende av informationen i de medföljande fälten.

Modern machine learning methods, utilising neural networks, require a lot of training data. Data gathering and preparation has thus become a major bottleneck in the machine learning pipeline and researchers often use large public datasets to conduct their research (such as the ImageNet [1] or MNIST [2] datasets). As these methods begin being used in industry, these challenges become apparent. In factories objects being produced are often unique and may even involve trade secrets and patents that need to be protected. Additionally, manufacturing may not have started yet, making real data collection impossible. In both cases a public dataset is unlikely to be applicable. One possible solution, investigated in this thesis, is synthetic data generation. Synthetic data generation using physically based rendering was tested for unsupervised anomaly detection on a 3D printed block. A small image dataset was gathered of the block as control and a data generation model was created using its CAD model, a resource most often available in industrial settings. The data generation model used randomisation to reduce the domain shift between the real and synthetic data. For testing the data, autoencoder models were trained, both on the real and synthetic data separately and in combination. The material of the block, a white painted surface, proved challenging to reconstruct and no significant difference between the synthetic and real data could be observed. The model trained on real data outperformed the models trained on synthetic and the combined data. However, the synthetic data combined with the real data showed promise with reducing some of the bias intentionally introduced in the real dataset. Future research could focus on creating synthetic data for a problem where a good anomaly detection model already exists, with the goal of transferring some of the synthetic data generation model (such as the materials) to a new problem. This would be of interest in industries where they produce many different but similar objects and could reduce the time needed when starting a new machine learning project.