I den alltjämt pågående digitaliseringen i skolan ökar också antalet digitala verktyg i skriftspråks­under­visningen. Som följd minskar kraven om handskrift och i media målas skrivande för hand upp som en döende konst. Syftet med denna litteraturstudie är att kartlägga vad pedagogisk forskning säger om grundärares attityder till handskrift som skrivmetod. Med följande syfte som utgångspunkt formulerades tre frågeställningar:                     ·            Vilken attityd har grundlärare till att undervisa i handskriftstekniker såsom exempelvis skrivstil?                     ·            Vad tror lärare om handskriftens framtidsutsikter?                     ·            Vilka argument har lärare för att undervisa eller inte undervisa i handskrifttekniker? Denna uppsats är en komparativ litteraturstudie, vilket betyder att olika vetenskapliga publikationer har lästs, jämförts och sammanställts. Studien innehåller sju vetenskapliga artiklar, en doktorsavhandling, en masteruppsats och en kandidatuppsats. Kandidatuppsatsen representerar det nationella perspektivet i ett urval som i huvudsak består av internationellt genomförda studier.  Resultatet av studien visar att lärares attityder till handskrift är varierande. En majoritet av lärarna vill fortsatt praktisera handskriftsundervisning och har en positiv attityd till att undervisa i handskriftstekniker, men intresset avtar ju högre årskurs läraren undervisar i. Lärare anser att handskrif­tens betydelse minskat i skolorna, där brister i lärarutbildningen, tidsbrist, styrdokumentens utformning samt ett större fokus på digital teknik tros ligga bakom minskningen. Målet med handskriftsundervis­ningen är enligt lärare ökad läslighet, samtidigt som de upplever att elevernas handstil har försämrats. Endast lärarstudenter påtalar de kognitiva fördelar som kommer av att skriva för hand. Slutligen upplever lärare en osäkerhet kring handskrivandets framtid.

Diagnostic Captioning is described as “the automatic generation of a diagnostic text from a set of medical images of a patient collected during an examination” [59] and it can assist inexperienced doctors and radiologists to reduce clinical errors or help experienced professionals increase their productivity. In this context, tools that would help medical doctors produce higher quality reports in less time could be of high interest for medical imaging departments, as well as significantly impact deep learning research within the biomedical domain, which makes it particularly interesting for people involved in industry and researchers all along. In this work, we attempted to develop Diagnostic Captioning systems, based on novel Deep Learning approaches, to investigate to what extent Neural Networks are capable of performing medical image tagging, as well as automatically generating a diagnostic text from a set of medical images. Towards this objective, the first step is concept detection, which boils down to predicting the relevant tags for X-RAY images, whereas the ultimate goal is caption generation. To this end, we further participated in ImageCLEFmedical 2022 evaluation campaign, addressing both the concept detection and the caption prediction tasks by developing baselines based on Deep Neural Networks; including image encoders, classifiers and text generators; in order to get a quantitative measure of my proposed architectures’ performance [28]. My contribution to the evaluation campaign, as part of this work and on behalf of NeuralDynamicsLab¹ group at KTH Royal Institute of Technology, within the school of Electrical Engineering and Computer Science, ranked 4th in the former and 5th in the latter task [55, 68] among 12 groups included within the top-10 best performing submissions in both tasks. / Diagnostisk textning avser automatisk generering från en diagnostisk text från en uppsättning medicinska bilder av en patient som samlats in under en undersökning och den kan hjälpa oerfarna läkare och radiologer, minska kliniska fel eller hjälpa erfarna yrkesmän att producera diagnostiska rapporter snabbare [59]. Därför kan verktyg som skulle hjälpa läkare och radiologer att producera rapporter av högre kvalitet på kortare tid vara av stort intresse för medicinska bildbehandlingsavdelningar, såväl som leda till inverkan på forskning om djupinlärning, vilket gör den domänen särskilt intressant för personer som är involverade i den biomedicinska industrin och djupinlärningsforskare. I detta arbete var mitt huvudmål att utveckla system för diagnostisk textning, med hjälp av nya tillvägagångssätt som används inom djupinlärning, för att undersöka i vilken utsträckning automatisk generering av en diagnostisk text från en uppsättning medi-cinska bilder är möjlig. Mot detta mål är det första steget konceptdetektering som går ut på att förutsäga relevanta taggar för röntgenbilder, medan slutmålet är bildtextgenerering. Jag deltog i ImageCLEF Medical 2022-utvärderingskampanjen, där jag deltog med att ta itu med både konceptdetektering och bildtextförutsägelse för att få ett kvantitativt mått på prestandan för mina föreslagna arkitekturer [28]. Mitt bidrag, där jag representerade forskargruppen NeuralDynamicsLab² , där jag arbetade som ledande forskningsingenjör, placerade sig på 4:e plats i den förra och 5:e i den senare uppgiften [55, 68] bland 12 grupper som ingår bland de 10 bästa bidragen i båda uppgifterna.