Baserat på Self-Determination Theory (SDT) och en randomiserad kontrollstudiedesign undersöktes effekten av autonomistödjande textmeddelanden i jämförelse med neutrala meddelanden eller inga meddelanden på deltagarnas behovstillfredsställelse, motivation, och aktivitetsnivå. Digital kvantitativ datainsamling användes där webbenkäterna skickades ut tre gånger till deltagarna, innan, under samt efter intervention. Totalt 107 frivilliga män och kvinnor svarade vid baslinjemätningen och delades sedan in i tre olika grupper, inaktiv kontrollgrupp (n = 45), aktiv kontrollgrupp (n = 29) samt interventionsgrupp (n = 33). Interventionen ägde rum i samband med en stegtävling. Textmeddelandena skickades ut till deltagarna i aktiva kontrollgruppen och interventionsgruppen två gånger varje vecka under åtta veckor, via en digital plattform. Det förelåg inga signifikanta skillnader mellan grupperna vid baslinjemätningen. En tvåvägs-ANOVA (repeated measure) visade att interventionen hade en signifikant effekt på upplevelsen av tillhörighet under interventionen. Dock förelåg inga andra signifikanta interventionseffekter. Det sammanlagda resultatet antyder således att den digitala interventionen, det vill säga att tillhandahålla deltagarna med autonomistödjande textmeddelanden, inte har någon bestående effekt på deltagarnas behovstillfredsställelse, motivation eller aktivitetsnivå. / Based on Self-Determination Theory (SDT) and a randomized controlled trial design, the effect of autonomy-supportive text messages was examined in comparison with neutral messages or no messages regarding the participants basic psychological needs, motivation and activity level. Digital quantitative data collection was used, and the web surveys were sent out three times to participants, pre, during and post intervention. A total of 107 male and female volunteers responded to the baseline measurement and were then divided into three different groups, inactive control group (n = 45), active control group (n = 29) and intervention group (n = 33). The intervention took place in relation to a step contest. Text messages were sent to the participant’s in the active control group and intervention group twice a week for a total of eight weeks, via a digital platform. There were no significant differences between the groups in the baseline measurement. A two-way ANOVA (repeated measure) showed that the intervention had a significant effect on the experience of relatedness during the intervention. However, there were no other significant intervention effects. The results suggest that the digital intervention, to provide participants with autonomy supportive text messages, does not have a lasting effect on need satisfaction, motivation or activity level.

This thesis focuses on statistical and machine learning methods designed for sequential and repeated measurement data. We start off by considering the classic general linear model (MANOVA) followed by its generalization, the growth curve model (GMANOVA), designed for analysis of repeated measurement data. By considering a binary classification problem of normal data together with the corresponding maximum likelihood estimators for the growth curve model, we demonstrate how a classification rule based on linear discriminant analysis can be derived which can be used for repeated measurement data in a meaningful way. We proceed to the topics of neural networks which serve as our second method of classification. The reader is introduced to classic neural networks and relevant subtopics are discussed. We present a generalization of the classic neural network model to the recurrent neural network model and the LSTM model which are designed for sequential data. Lastly, we present three types of data sets with an total of eight cases where the discussed classification methods are tested. / Den här uppsatsen introducerar klassificeringsmetoder skapade för data av typen upprepade mätningar och sekventiell data. Den klassiska MANOVA modellen introduceras först som en grund för den mer allmäna tillväxtkurvemodellen(GMANOVA), som i sin tur används för att modellera upprepade mätningar på ett meningsfullt sätt. Under antagandet av normalfördelad data så härleds en binär klassificeringsmetod baserad på linjär diskriminantanalys, som tillsammans med maximum likelihood-skattningar från tillväxtkurvemodellen ger en binär klassificeringsregel för data av typen upprepade mätningarn. Vi fortsätter med att introducera läsaren för klassiska neurala nätverk och relevanta ämnen diskuteras. Vi generaliserar teorin kring neurala nätverk till typen "recurrent" neurala nätverk och LSTM som är designade för sekventiell data. Avslutningsvis så testas klassificeringsmetoderna på tre typer av data i totalt åtta olika fall.