Mid Sweden University
Not a member yet
15329 research outputs found
Sort by
Epiphytic lichen richness and composition in fragmented spruce forests in boreal Sweden
No full textEpiphytic lichens as autotrophic symbionts, provide vital ecological functions and are sensitive indicators of forest structure and management history. In boreal forests, logging has fragmented old-growth Norway spruce (Picea abies) stands, affecting associated lichen communities. Although Woodland Key Habitats (WKHs) in northern Sweden serve as biodiversity hotspots, research on epiphytic lichen composition is limited, particularly in Västernorrland and Jämtland where intensive harvesting has occurred since the 1950s.This study surveyed 26 spruce-dominated WKHs to 1) describe the epiphytic lichen community and 2) analyse the relative influence of local stand structure and landscape fragmentation on lichen richness and composition. From August to September 2023, lichen inventory was conducted by surveying trees taller than 1.3 meters, with sampling focused on 2 meters of each tree trunk. A standardized effort of one hour per hectare was allocated for site-level inventories. In total, 2285 occurrences were recorded representing 183 species, including 15 red-listed species and 4 signal species. Multivariate analyses (PCA, GLMs, NMDS, PERMANOVA) revealed that red-listed lichen richness was positively associated with continuity and High Conservation Value (HCV) forest area at landscape scale and moderately influenced by stand size. In contrast, generalist lichen richness was not significantly related to landscape variables. Lichen composition was structured primarily by stand-level heterogeneity rather than landscape variables. These findings underscore the importance of preserving both structural diversity within old-growth forest stands and landscape-scale forest continuity across fragmented ecosystems. WKHs serve as critical refugia not only for dispersal-limited and conservation-sensitive lichens, but also for microhabitats for generalist species. Conservation strategies should therefore prioritize maintaining habitat heterogeneity and enhancing connectivity among old-growth forest patches to sustain epiphytic lichen diversity in fragmented boreal forests
Expecting the worst : pain catastrophizing and intolerance of uncertainty in women with fear of childbirth
No full textFear of childbirth (FOC) is associated with adverse outcomes, for the expecting woman as well as for her baby. In order to prevent and treat FOC, it is important to understand the psychological processes involved. Two potential key processes are intolerance of uncertainty and pain catastrophizing. The aim of this cross-sectional study was to explore intolerance of uncertainty and pain catastrophizing in pregnant individuals with severe vs. low/moderate FOC, and potential differences between nulliparas and multiparas. The sample of 332 individuals filled out a range of questionnaires, and were categorized as severe (n = 66) and low/moderate (n = 266) FOC. The results showed that participants with severe FOC (Wijma Delivery Expectancy Questionnaire, W-DEQ ≥85) reported higher levels of intolerance of uncertainty and pain catastrophizing than participants with low/moderate FOC. We did not find any significant differences between nulliparas and multiparas. Noteworthy, levels of pain catastrophizing in the severe FOC group were similar to those reported in chronic pain samples. Although we cannot draw any conclusions about causality or direction of proposed links, these findings warrant a need for identifying and developing treatment strategies to target intolerance of uncertainty and pain catastrophizing, in both nulliparas and multiparas with high levels of FOC.
SGO enhanced random forest and extreme gradient boosting framework for heart disease prediction
No full textCardiovascular disease (CVD) remains a leading global health concern, accounting for approximately 31.5% of deaths worldwide. According to the World Health Organization (WHO), over 20.5 million people succumb to CVD each year-a figure projected to rise to 24.2 million by 2030. Early diagnosis is critical and can be facilitated by monitoring key risk factors such as cholesterol levels, blood pressure, diabetes, and obesity. This study proposes a heart disease prediction (HDP) model employing Random Forest (RF) and eXtreme Gradient Boosting (XGB) classifiers. Both models are further optimized through hyperparameter tuning using the Social Group Optimization (SGO) algorithm. The model was developed and validated using the Cleveland and Statlog datasets from the UCI repository. Pre-optimization results for RF yielded an accuracy (Acc.) of 84% and a ROC-AUC score of 92.03% on the Cleveland dataset, and 88.09% Acc. with a ROC-AUC of 97.50% on Statlog. The XGB classifier achieved 81.97% Acc. and a ROC-AUC of 90.73% on Cleveland, and 92.86% Acc. with a ROC-AUC of 96.14% on Statlog. After SGO-based optimization, RF improved to 95.08% Acc. and 95.26% ROC-AUC on Cleveland, and 95.24% Acc. with 98.18% ROC-AUC on Statlog. Similarly, the optimized XGB classifier reached 93.44% Acc. and 95.24% ROC-AUC on Cleveland, and 97.62% Acc. with 97.50% ROC-AUC on Statlog. These results highlight the effectiveness of SGO in enhancing ML performance for medical prediction problems. However, the study has certain limitations. The evaluation was conducted solely on two benchmark datasets, which may not fully reflect the diversity and complexity of real-world clinical populations. Furthermore, external validation using independent or real-time clinical data was not performed, which may limit the generalizability of the results. The computational cost associated with SGO optimization was also not assessed. Future research should focus on validating the model across broader datasets, assessing real-world applicability, and analyzing computational efficiency to ensure scalability and clinical adoption
Simulating the effects of climate change on the growth and management of uneven-aged Oriental beech (Fagus orientalis L.) in Hyrcanian forests of Iran
No full textAdaptive management approaches are needed to maintain and improve forests’ resilience to future climatic changes. Climate sensitive forest increment models are the crucial tools to evaluate the performance of the adaptive strategies in forest management under climate change. Oriental beech (Fagus orientalis L.) is the most dominating and commercially important tree species in Hyrcanian forests of Iran, the main source of timber production, biodiversity conservation, and eco-tourism. Consequently, this study aims to achieve three primary objectives: (1) to develop a climate-sensitive tree increment and yield model for oriental beech forests (2) to predict the increment and yielding of these forests in the future under climate change (IPCC scenarios), and (3) to analyze the resilience of four alternative management strategies including business as usual (BAU) and logging ban. We re-calibrated a single-tree diameter and height increment, and tree survival models using forest measurement data from permanent plots with five-year interval and from 1988 to 2018. By validating the models, three climate change scenarios RCP2.6, RCP4.5 and RCP8.5 as well as four harvest strategies (logging ban, intensified logging (50% above BAU), and decreased logging (50% < BAU), and BAU) were applied for the simulation of increment and survival probability of single trees in a selected site. Our findings indicate that climate change, particularly increased drought stress under the RCP8.5 scenario, significantly reduces the increment and survival probability of beech trees. However, under RCP2.6 and RCP4.5, we observed a slight increase in increment. Implementing a logging ban as a management strategy emerged as the most resilient alternative for these forests, potentially fostering an increase in both diameter (up to 5.93 cm) and height increment (up to 3.12 m) until the final period. These findings lend support to the existing forest policy of enforcing a ten-year logging ban in the Hyrcanian forests of Iran
AI- och regelbaserad logik för textmatchning : En jämförelse av tekniker för kompetensmatchning i digitala rekryteringssystem
No full textDetta examensarbete syftar till att utveckla och utvärdera ett tekniskt system som automatiskt matchar ostrukturerad text mot fördefinierade krav, baserat på två tillvägagångssätt för textanalys: en regelbaserad logik med viktad poängsättning och en AI-baserad metod baserad på semantisk analys via en stor språkmodell (LLM), i detta fall GPT-4. Den regelbaserade lösningen implementeras med hjälp av exakta regler och viktfaktorer som avgör hur inkommande text bedöms i relation till kravprofilen. Den AI-baserade lösningen använder naturlig språkbehandling och semantisk tolkning via en molnbaserad LLM för att analysera samma textinnehåll utifrån meningslikhet snarare än exakt terminologi. Systemet är utvecklat med moderna webbtekniker såsom React för frontend, Spring Boot för backend och MySQL för datalagring. Funktionaliteten har testats i en kontrollerad miljö med flera dokumentpar. Resultaten analyseras kvantitativt och visar hur de två metoderna skiljer sig åt i uttryck, poängfördelning och tolkningsbarhet. Arbetet belyser även frågor kring transparens och förklaringsbarhet i AI-baserade system, och diskuterar potentiella hybridlösningar där båda teknikerna kombineras för att uppnå högre träffsäkerhet och flexibilitet. Projektet bidrar till förståelsen av hur klassiska regelbaserade tekniker kan kompletteras med moderna AI-metoder inom datatekniska tillämpningar för dokumentanalys och automatiserade beslutsstöd. Sammanfattningsvis visar resultaten att AI-baserad matchning ger bättre semantisk tolkning men sämre transparens, medan regelbaserad matchning är mer förutsägbar men mindre flexibel. En kombination av både metoderna rekommenderas för att uppnå en balanserad lösning.This thesis project aims to develop and evaluate a technical system for automatically matching unstructured text against predefined requirements. The work is grounded in computer engineering and explores two distinct approaches to text analysis: a rule-based logic using weighted scoring, and an AI-based method utilizing a large language model (LLM), specifically GPT-4. The rule-based solution relies on explicitly defined conditions and weightings to assess how well an input text corresponds to a requirement specification. The AI-based approach leverages natural language processing and semantic interpretation through a cloud-based LLM, focusing on textual similarity rather than exact keyword matching. The system is implemented using modern web technologies, including React for the frontend, Spring Boot for the backend, and MySQL for structured data storage. Functionality was tested in a controlled environment using simulated document pairs. The results are quantitatively analyzed and reveal distinct differences between the methods in terms of scoring behavior, interpretability, and semantic flexibility. The thesis further discusses transparency and explainability challenges associated with AI-based systems and considers how rule-based and AI-driven approaches can be combined into a hybrid model. This hybrid solution aims to improve accuracy, adaptability, and decision support in text analysis scenarios within technical domains. The results showed that AI-based matching offers greater semantic flexibility but lacks transparency, while rule-based matching provides predictable and interpretable results but struggles with language variations. A hybrid solution combining both methods is therefore recommended to achieve an optimal balance of accuracy and explainability
A Comparative Study of U-Net, Attention U-Net and U-Net++ for Brain MRI Segmentation : Advancing Automated Tumor Detection to Streamline Clinical Diagnostics
No full textNoggrann segmentering av hjärntumörer är avgörande för diagnos och behandlingsplanering inom medicinsk avbildning. Denna avhandling utvärderar och jämför fyra djupinlärningsmodeller—U-Net, Attention U-Net, U-Net++ samt en ny föreslagen modell—genom användning av ett dataset med långsamt växande hjärntumörer. Totalt genomfördes 31 experiment för att undersöka effekterna av arkitekturdesign, dataförstärkning, förlustfunktioner, justering av inlärningshastighet samt strategier för datadelning. Samtliga modeller tränades med en kombinerad BCE- och Dice-förlustfunktion och utvärderades med Dice-koefficient, IoU, F1-poäng, binär noggrannhet samt visuell granskning. Resultaten visade att slumpmässig datadelning förbättrade prestandan hos samtliga baslinjemodeller, där U-Net++ uppnådde de bästa baslinjeresultaten. Den föreslagna modellen, som innehåller residualblock, SE-förbättrade skip-anslutningar och intermediära dekodrar, överträffade konsekvent baslinjemodellerna och uppnådde det högsta genomsnittliga Dice-värdet (0,9253), IoU (0,8614) och F1-poäng (0,9266), samtidigt som den bibehöll lägre förlustvärden och snabbare konvergens. Modellen genererade dessutom mer exakta och detaljerade segmenteringsmasker med förbättrad kantprecision. Viktigt är också att den föreslagna modellen uppvisar hög beräkningsmässig effektivitet och kräver endast blygsam hårdvara jämfört med U-Net++. Dessa resultat belyser hur väl utformade arkitekturförbättringar och träningsstrategier kan förbättra segmenteringsprestanda och praktisk användbarhet i kliniska miljöer.Accurate brain tumor segmentation is vital for diagnosis and treatment planning in medical imaging. This thesis evaluates and compares four deep learning models—U-Net, Attention U-Net, U-Net++, and a newly proposed model—using a dataset of slow-growing brain tumors. A total of 31 experiments were conducted to assess the effects of architectural design, data augmentation, loss functions, learning rate tuning, and data partitioning strategies. All models were trained using a combined BCE and Dice loss function and evaluated with Dice coefficient, IoU, F1 score, binary accuracy, and visual inspection. Results showed that randomized data partitioning improved performance across all baseline models, with U-Net++ achieving the best baseline results. The proposed model, featuring residual blocks, SE-refined skip connections, and intermediate decoders, consistently outperformed the baselines, achieving the highest mean Dice score (0.9253), IoU (0.8614), and F1 score (0.9266), while maintaining lower loss and faster convergence. It also produced more accurate and detailed segmentation masks with better boundary precision. Importantly, the proposed model offers strong computational efficiency, requiring only modest hardware compared to U-Net++. These findings highlight how well-designed architectural improvements and training strategies can enhance segmentation performance and practical usability in clinical settings
Får barnen använda lärmiljöerna i förskolan på det sätt som de vill? : En kvalitativ studie om hur barn använder lärmiljöerna inomhus i förskolan samt hur förskollärarnas förhållningssätt påverkar den fria leken.
No full textVår studie handlar om vad och hur barnen leker i förskolans inomhusmiljö, om vilka handlingserbjudanden de ser i lärmiljön samt förskollärarnas förhållningssätt till barns lek och deras användning av lärmiljön. Vi har genom egna erfarenheter från att ha jobbat i förskolan sett att lärmiljön ser olika ut på olika förskolor. Vi har dessutom sett att förskollärares förhållningssätt till barns lek och användning av lärmiljön skiljer sig åt. Syftet med vår studie är därför att undersöka hur barn använder lärmiljöerna i den fria leken i förskolans inomhusmiljö samt hur förskollärarnas förhållningssätt kan begränsa eller främja barnens lek. Studien har genomförts på en nybyggd förskola med åtta avdelningar som arbetar mycket med sina lärmiljöer, vi har fokuserat studien på två avdelningar som har ett nära samarbete. Genom en kvalitativ undersökning har vi använt oss av sex semistruktuerade intervjuer av förskollärare, observationer av barngruppens lek samt gåturer med tio deltagande barn under sammanlagt tre dagar. Därefter har vi tematiskt analyserat datan utifrån det sociokulturella perspektivet så som Säljö (2022) beskriver det. Resultatet från vår studie visar att både lärmiljön och förskollärarnas förhållningssätt spelar roll för barnens lek. Förskollärarna i vår studie har en väl genomtänkt lärmiljö där de gör barnen delaktiga genom att vara lyhörda för de handlingserbjudanden och idéer som barnen upptäcker i leken. Förskollärarna i studien utgår ifrån barnens intressen när de utformar lärmiljön och ser på den som levande, föränderlig och som den tredje pedagogen. Mycket av det vi sett i vår studie stämmer med vad tidigare forskning kring området visar. Vår slutsats i denna studie är därför att förskolan är barnens verksamhet där förskollärarnas förhållningssätt i samspel med barn och miljö bidrar till om barnens fria lek ska främjas eller begränsas. Vi ser dock ett behov av mer omfattande forskning som visar på hur förskollärarnas förhållningssätt samt vad lärmiljön har för betydelse för barnens lek och hur det i sin tur främjar utveckling och lärande.Betyg i Ladok 2025-06-04.</p
Användning av process mining för att möjliggöra en värdeflödesanalys av en intern logistikprocess : En fallstudie på Alimak Group
No full textThis thesis explores how Process Mining (PM) can be applied to enable data-driven value stream mapping of internal logistics, with a focus on a replenishment system between the main warehouse and assembly station at Alimak Group in Skellefteå. The purpose is to improve material flow and identify waste, supported by Lean and process mapping through PM. The study is based on a case study design with an inductive approach. Data collection includes both qualitative observations and quantitative data from the enterprise resource planning (ERP) system. Event logs were created by combining digitally recorded activities with manual time measurements, enabling a comprehensive analysis of the entire kanban loop. To manage missing data, Systemic Event Imputation (SEI) was used to reconstruct certain manual processes not recorded by the system. The analysis was carried out using a commercial process mining tool, where process flows were discovered, visualized, and evaluated. The results revealed deviations in the consumption, waiting times, inefficient inventory replenishment, and issues related to material flow. Four types of waste according to Lean were identified: transportation, unnecessary movement, overprocessing, and excess inventory. An economic analysis based on the EBQ(n) model calculated the total time and cost of the current kanban system and highlighted areas of improvement potential. The study demonstrates that PM is a powerful tool for analyzing internal logistics and replenishment systems, enabling data-driven improvements and the identification of waste in process execution. The results also show that Process Mining can be applied at a lower level of abstraction than many previous studies have explored, where material movements and manual activities can be mapped and analyzed. By complementing sensor data, the transparency of the process could be further enhanced, creating better conditions for a more detailed analysis of internal logistics flows. For future research, it is suggested to explore the application of PM in replenishment processes combined with sensor technology, to further improve data quality and analytical precision.Detta examensarbete undersöker hur Process Mining (PM) kan användas för att möjliggöra en datadriven värdeflödeskartläggning av intern logistik, med fokus på ett påfyllnadssystem mellan huvudlager och montagestation på Alimak Group i Skellefteå. Syftet är att förbättra materialflödet och identifiera slöseri, med stöd av Lean och processkartläggning genom PM. Studien utgår från en fallstudiedesign med en induktiv ansats. Datainsamlingen omfattar både kvalitativa observationer och kvantitativa data från affärssystemet. Händelseloggar skapades genom att kombinera digitalt registrerade aktiviteter med manuellamätningar, vilket möjliggjorde en helhetsanalys av hela kanbankretsen. För att hantera saknade data användes Systemic Event Imputation (SEI) som möjliggjorde rekonstruktion av vissa manuella processer som inte registrerades i systemet. Analysen genomfördes i ett kommersiellt processmining-verktyg där processflöden upptäcktes, visualiserades och utvärderades. Resultatet visade på avvikelser i förbrukningen, väntetider, ineffektiv lagerpåfyllning och problem relaterade till materialflödet. Fyra typer av slöseri enligt Lean identifierades: transport, onödig förflyttning, överarbete och lager. Genom ekonomisk analys baserat på EBQ(n)- modellen beräknades den totala tiden och kostnaden för nuvarande kanbankrets, samt förbättringspotentialen. Studien visar att PM är ett kraftfullt verktyg för att analysera intern logistik och påfyllnadssystem, genom att möjliggöra datadrivna förbättringar och identifiering av slöseri i processutförandet. Resultaten visar även att Process Mining är applicerbart på en lägre abstraktionsnivå än vad många tidigare studier visat, där materialförflyttningar och manuella moment kan kartläggas och analyseras. Genom att komplettera med sensordata skulle processens transparens kunna förbättras ytterligare, vilket skapar bättre förutsättningar för detaljerad analys av interna logistikflöden. För framtida forskning föreslås att utforska tillämpningen av PM i påfyllnadsprocesser i kombination med sensorteknik, för att ytterligare stärka datakvaliteten och analysens precisio
När varje ord räknas: : Distriktssköterskors erfarenheter av att ge telefonrådgivning till suicidnära patienter inom primärvården
No full textBakgrund: Psykisk ohälsa och suicid är ett allvarligt folkhälsoproblem världen över. Distriktssköterskor i primärvårdens telefonrådgivning har ett komplext uppdrag som kräver god kännedom om suicidriskbedömning samt bred kunskap om psykisk ohälsa och samsjuklighet som kan påverka bedömningen. Syfte: Syftet var att beskriva distriktssköterskors erfarenheter av att göra bedömningar av suicidrisk i telefonrådgivning inom primärvården. Metod: Magisteruppsatsen baserades på en kvalitativ metod där data inhämtades via åtta semistrukturerade intervjuer. Resultatet analyserades genom Graneheim och Lundmans kvalitativa innehållsanalys. Resultat: Distriktssköterskor upplevde att närhet och förtroende kunde skapas på distans genom att uppmärksamma patientens medverkan och mottaglighet i samtalet samt genom öppenhet och ömsesidighet. En tillitsfull omvårdnadsrelation förutsatte mod att ställa svåra frågor och förmåga att tolka tecken på suicidrisk, vilket samtidigt kunde innebära en känsla av utsatthet för distriktssköterskan. Organisatoriska förutsättningar som tydliga rutiner och samverkan med andra yrkeskategorier hade stor betydelse för att möjliggöra ett tryggt och professionellt samtal. Diskussion: Distriktssköterskorna ställde direkta frågor för att få ärliga svar och var medvetna att de skulle vara lyhörda inför att lyssna efter det som inte uttrycktes. Genom att använda sig av ett personcentrerat förhållningssätt i samtalet med den suicidnära människan skapades förutsättningarna för en ökad förståelse av hens unika behov och berättelse. Slutsats: Distriktssköterskan spelade en central roll i att upptäcka och stödja suicidnära patienter i telefonrådgivningen. Genom att bygga förtroende, ställa tydliga frågor och vara lyhörd för patientens behov kunde suicidrisken bedömas. Ett personcentrerat förhållningssätt, utbildning och stödjande arbetsmiljö behövdes för trygg och säker vård