Denna rapport analyserar användandet av ett insticksprogram som förstorade livsmedelsnamn i relation till dess koldioxidutsläpp. Mer exakt var det teckenstorleken av livsmedelsnamnen på en webbsida som förändrades i förhållande till den mängd koldioxid de släppte ut. I rapporten undersöktes huruvida insticksprogrammet bidrog till en inlärningseffekt av livsmedlens koldioxidutsläpp bland användarna och hur stor denna effekt var. Det här problemet var av intresse eftersom medelsvensken år 2015 orsakade 1.8 ton koldioxidutsläpp genom sin matkonsumtion, varav 75% var direkt kopplat till kött- och mejerikonsumtion. Eftersom insticksprogrammet undersöktes för att granska ifall det kunde upplysa dess användare om livsmedels koldioxidutsläpp, kan det även hjälpa dem att inse vad för livsmedel de bör minska sin konsumtion av för att minska sitt koldioxidavtryck. För denna studie var 29 studenter med i en undersökning som hade konstruerats för att testa insticksprogrammets effektivitet. Till att börja med testades studenternas nuvarande kunskaper av 17 livsmedels koldioxidutsläpp. Därefter fick studenterna läsa nio stycken recept på webben med insticksprogrammet aktiverat för att sedan göra om det första kunskapstestet. Jämförelsen mellan första och andra testet visade på att användning av insticksprogrammet resulterade i en ökad kunskap om de 17 livsmedlens koldioxidutsläpp i relation till varandra. Detta konstaterades med en stark effektstorlek på 1.01. Därav kunde slutsatsen dras att insticksprogrammet bidrog till att användarna erhöll nya kunskaper om livsmedels koldioxidutsläpp. Insticksprogrammet kan därför användas som ett läromedel för att upplysa människor om hur mycket koldioxidutsläpp olika livsmedel orsakar i relation till varandra. Detta kan i sin tur hjälpa insticksprogrammets användare att minska sitt koldioxidavtryck. / This paper analyzes a plug-in that enlarged names of foodstuff in relation to their carbon dioxide emission rate. To specify, it was the font size of the foodstuffs’ names that would be altered on a website according to their amount of carbon dioxide emission. The study researched whether or not the use of this plug-in contributed to the users knowledge about the carbon emission rate of foodstuff and how big this learning effect was. This problem was of interest as the average Swede was in 2015 responsible for 1.8 tonnes of carbon dioxide emissions from food, of which 75% was directly connected to meat and dairy consumption. As the plug-in was examined to test if it could help enlighten its users of how much carbon dioxide foodstuff contributed to, it may help them realise what foodstuff they have to cut down on and hence decrease their own carbon dioxide footprint. For this study, a group of 29 students took part in an experiment that was constructed to test the efficiency of the plug-in. First, the students’ current knowledge of carbon dioxide emissions of 17 certain foodstuff was tested. Then, the students tried the plug-in and viewed 9 recipes on a website, to then retake the same knowledge test at the end. The comparison between the first test and the second test concluded that the plug-in resulted in an increased knowledge about the 17 foodstuffs’ carbon dioxide emission, with the strong effect size of 1.01. Hence, the conclusion could be drawn that the plug-in helped contribute to gaining new knowledge about foodstuffs carbon dioxide emission rate. The plug-in could therefore be used as a teaching tool to enlighten people about the carbon dioxide emission rate of foodstuff. This could in turn can help its users decrease their carbon dioxide footprint.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-240125 |
| Date | January 2018 |
| Creators | Hage, Veronica, Vosta, Diba |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2018:292 |
Page generated in 0.0023 seconds