https://www.theseus.fi:443/handle/10024/160911 2026-04-10T07:22:37Z 2026-04-10T07:22:37Z Fäldt, Sofia https://www.theseus.fi:443/handle/10024/913752 2026-04-08T05:00:21Z 2026-04-08T04:46:24Z

Motiverande samtal som verktyg i högstadiet : ett verksamhetsinriktat arbete för förebyggande av och tidigt ingripande i skolfrånvaro Fäldt, Sofia Skolfrånvaro har ökat under de senaste åren och de upprepade frånvaron utgör en risk för ungdomars välbefinnande. Varje elev har rätt till handledning i sin skolgång och grundskolan är förpliktad att ingripa i skolfrånvaron. Syftet med lärdomsprovet är att öka kunskap om motiverande samtal som en metod för skolsocionomer och övrig personal i skolan för att förebygga och ingripa i frånvaron i högstadiet. Frågeställningarna för lärdomsprovet är: Vad är motiverande samtal? Hur utförs motiverande samtal med högstadieelever? Hur bidrar motiverande samtal med att öka motivationen för skolgång? Den teoretiska referensramen i arbetet behandlar dialogiskhet, empowerment och motiverande samtal. Detta lärdomsprov är ett verksamhetsinriktat arbete och produktutveckling har använts i syfte att utveckla en handbok om motiverande samtal för förebyggandet av och ingripandet i frånvaron. Produktutvecklingen följer Salonens (2013) modell för verksamhetsinriktade arbeten. Resultatet av arbetet är produkten Motiverande samtal - En handbok för tidigt ingripande av skolfrånvaro. Slutprodukten presenterar information om orsaker bakom skolfrånvaro och om motiverande samtals grundläggande utgångspunkter, faser samt egenskaper. Produkten beskriver också metodens förhållningssätt och arbetssätt med hjälp av praktiska övningar, samt hur motiverande samtal kan utföras i högstadiet. Lärdomsprovet kombinerar kunskap från både litteratur och forskning om hur motiverande samtal kan användas inom socialhandledning i högstadiet.

2026-04-08T04:46:24Z Nordman, Patrik https://www.theseus.fi:443/handle/10024/913654 2026-04-07T06:00:29Z 2026-04-07T05:49:00Z

En jämförelse av användarupplevelsen i Apple CarPlay och Android Auto Nordman, Patrik Detta lärdomsprov presenterar en jämförande studie av användarupplevelsen i Apple CarPlay och Android Auto i moderna personbilar. I takt med att smarttelefonintegrering har blivit en central del av bilens infotainmentsystem, har förståelsen för hur dessa plattformar påverkar användbarhet, förarinteraktion och upplevd säkerhet blivit allt viktigare. Studien undersöker skillnader i gränssnittsdesign, interaktionslogik och teknisk integration, med fokus på förarens dagliga användning. Arbetet baseras på en kombinerad metod bestående av en teoretisk genomgång av användarupplevelse, människa-datorinteraktion och gränssnittsdesign i fordon, samt en empirisk enkätundersökning riktad till användare av båda systemen. Det insamlade materialet analyseras för att identifiera mönster kopplade till användbarhet, kognitiv belastning, systemrespons och övergripande användarnöjdhet. Resultaten visar att Apple CarPlay generellt upplevs som mer konsekvent och intuitivt, medan Android Auto uppfattas som mer flexibel men mindre enhetligt i praktisk användning. Studien belyser hur designval och teknisk stabilitet påverkar användarupplevelsen i bilens infotainmentskärm.

2026-04-07T05:49:00Z Åhl, Erik https://www.theseus.fi:443/handle/10024/913548 2026-04-02T07:00:21Z 2026-04-02T06:50:13Z

Ansiktsdetektering på resursbegränsad hårdvara : en prestandajämförelse av open-source modeller på Raspberry Pi 4 Åhl, Erik Detta arbete behandlar prestandaanalys av ansiktsdetektering på resursbegränsad hårdvara inom kontexten hemautomation. Utvecklingen inom datorseende har gjort avancerade detekteringsmetoder mer tillgängliga, men deras praktiska användbarhet på billigare och energieffektiv hårdvara är fortfarande begränsad av beräkningskapacitet. Syftet med arbetet är därför att undersöka hur avancerade ansiktsdetekteringsmodeller som kan köras på en Raspberry Pi 4 utan att systemets stabilitet eller funktion påverkas negativt. Fokus ligger på att jämföra modellernas noggrannhet, prestanda och resursförbrukning. Tre ansiktsdetekteringsmodeller valdes för studien: Haar Cascades, Dlibs HOG-baserade detektor och DeepStack. Begränsningen till dessa modeller gjordes för att representera olika nivåer av beräkningskomplexitet och arkitektur. Testerna genomfördes i två steg. Inledningsvis utvärderades modellerna på stillbilder från WIDER FACE-datasetet för att analysera detektionsnoggrannhet, bearbetningstid samt CPU och RAM användning under kontrollerade förhållanden. Därefter genomfördes realtidsdetektering på en videoström från en USB-webbkamera för att analysera praktisk prestanda, inklusive bildfrekvens och kontinuerlig resursbelastning. Resultaten visar att Haar Cascades uppnår högst bildfrekvens vid realtidsdetektering, men med lägre detektionsnoggrannhet jämfört med de övriga modellerna. Dlib uppvisar hög noggrannhet men låg bildfrekvens, medan DeepSatack når hög detektionsförmåga men påverkas av ökad latens till följd av dess serverbaserade arkitektur. RAM användningen var relativt stabil mellan modellerna, medan tydligare skillnader observerades i CPU belastning och bearbetningstid. Sammantaget visar studien att valet av ansiktsdetekteringsmodell på resursbegränsad hårdvara innebär tydliga avvägningar mellan noggrannhet, prestanda och praktisk användbarhet.

2026-04-02T06:50:13Z Görgü, Kevin https://www.theseus.fi:443/handle/10024/913547 2026-04-02T07:00:23Z 2026-04-02T06:49:16Z

Prediktion av målrika fotbollsmatcher med maskininlärning : en utvärdering av Logistic Regression och Random Forest baserat på pre-match-data Görgü, Kevin I detta arbete undersöks möjligheten att förutsäga huruvida en fotbollsmatch är underhållande och ifall den slutar med över 2,5 mål, detta baserat enbart på pre-match-data. Fokus har legat på att utvärdera enkla och robusta maskininlärningsmodeller samt att analysera deras användbarhet som ett beslutsstödsystem snarare än i prediktion. Datamaterialet består av historiska matchdata där endast information tillgänglig före avspark används, såsom lagens senaste form, genomsnittligt antal gjorda och insläppta mål samt tidiga målindikatorer från tidigare matcher. För att undvika dataläckage exkluderades alla matchutfall och in-play-variabler. Data delades upp där de två senaste säsongerna användes som testdata och tidigare säsonger som träningsdata, vilket speglar ett realistiskt användningsscenario. Två modeller utvärderades: Logistic Regression och Random Forest, båda utan sannolikhetskalibrering. Logistic Regression valdes som primär baseline på grund av dess låga komplexitet, tolkbarhet och naturliga sannolikhetsutskrifter, medan Random Forest användes som ett icke-linjärt komplement för att se om en trädbaserad modell skulle prestera bättre. Modellernas prestanda mättes med ROC AUC, accuracy, Brier score samt precision vid hög konfidens. Resultaten visar att båda modellerna uppnår en ROC AUC strax över 0,5, vilket indikerar en begränsad förmåga att rangordna matcher efter sannolikhet för över 2,5 mål. Detta tyder på att förutsägelserna med de tillgängliga pre-match-attributen är svaga. Resultaten visar att båda modellerna uppnår en ROC-AUC på cirka 0,5 och en noggrannhet på strax över 50 %, vilket indikerar att de valda pre-match-attributen har mycket begränsad prediktiv förmåga. Precision vid hög konfidens (top-5 matcher) når 100 % för för båda modellerna men eftersom urvalet av matcher är så litet och sjunker snabbt om man inkluderar flera matcher så är det inte heller ett statistiskt signifikant resultat. Studien konkluderar att enkla statistiska attribut baserade på laghistorik inte är tillräckliga för att förutsäga målrika matcher, och att mer avancerade metoder såsom xG-baserade modeller eller djupare taktisk analys krävs för bättre resultat. Github-länk till projektet: https://github.com/gorgukev/thesis/

2026-04-02T06:49:16Z