TDDB96 Projekt: Object priming med visuell stimuli
|
|
- Helen Åström
- för 8 år sedan
- Visningar:
Transkript
1 TDDB96 Projekt: Object priming med visuell stimuli Daniel Johansson Rickard Jonsson
2 1. Sammanfattning Vad vi ville komma fram till i denna studie var huruvida de empiriska data i Figur 1 som låg till grund för ett experiment utfört av Posner et al; Solso and Short[2] kunde modelleras. Experimentet hade som tes att reaktionstider är korrelerade med mängden träning som försökspersonen haft på att utföra uppgiften. Uppgiften var i det här fallet att matcha en färg mot färg, färg mot namnet på färgen eller färg mot ett ord som associerades med en färg. Genom att mäta reaktionstiden försökspersoner hade när de utförde testerna så skulle man då kunna se att det man fått mest träning på att göra skulle ha kortast reaktionstid, detta dock inom ett visst intervall av träning, i början innan nog mycket träning fåtts borde matchningstiderna vara lite mer stokastiska och mot slutet när nog mycket träning fåtts inom alla områden borde de konvergera mot en viss svarstid. Denna tes stämde bra överens med vad vi kom fram till genom vårt experiment. 2. Inledning Vi har försökt undersöka hur objekt priming med visuell stimuli kan modelleras. Uppgiften är att matcha en färg mot antingen en färg-, namn- eller associations-enhet. Med hjälp av data från tidigare experiment ska vi undersöka om vi i vår modell kan komma fram till samma resultat. En tidigare modell som gjordes av Posner et al; Solso and Short[2] och som berört kognitiva koder har beskrivits i Figur 2. Modellen försöker visa hur lång tid det tar för ett stimuli från det att det presenteras tills det att vi får ett svar. Deras experiment hade följande tillvägagångssätt: Försökspersoner fick uppgiften att svara med en knapp om färgen som presenterades matchade antingen färg, namn eller med en association. Efter att stimuli presenterats så visades antingen den färgade enheten, namnet eller associationen. Mellan vissa omgångar så lades det till en fördröjning mellan stimuli och presentationen. Figur 1 visar de empiriska resultaten. Slutsatsen som kunde dras var att visuell kod matchades snabbare än namn och associationer. Resultatet antyder på att behandling av information är mer storskalig än man trodde. Vi har i vår modell antagit att det måste vara den tid det tar för uppgiften att stabiliseras, vilket för oss betyder att output har nått en specifik nivå under ett visst antal cykler. Det vi försöker belysa med vår modell är hur det kommer sig att det ofta går det snabbare att matcha mot en färg följt av namn och hur det kommer sig att associationer ofta behandlas med längre tid. Det vi vill ha fram är en tydlig indikation av stroop effekten enligt våra antaganden. Vårt främsta antagande är, liksom i Solso and Short experiment, att färger representeras i minnet av minst tre distinkta koder. 3. Översikt av modelldesignen Tanken med modellen är att den ska påvisa och ge liknande resultat som det experiment som gjordes av Solso och Short[2] vilket behandlar hur information behandlas i korttidsminnet och hur lång tid det tar att reagera på stimuli. Vad vi har försökt göra i projektet är att matcha färg-färg, färgnamn samt färg-assoc och mäta reaktionstiderna för att göra denna matchning. De empiriska data vi utgått ifrån kommer från Solso and Short[2] och presenteras i Figur 1. Modellen har gjorts i PDP++ med Leabra++ och består av ett nät i 3 nivåer. Nivå 1 är inputnivån, här har vi 4 lager, stimuli, color, word samt assoc. På nivå 2 ligger Hidden-lagret samt FC-lagret, FC står för Frontal Cortex och det hjälper till genom att öka aktiveringen som kommer från det lager på nivå 1 som tränats mest, detta lager är kopplat mot hidden-lagret med dubbelriktade kopplingar[1]. På nivå 3 ligger Outputlagrena, vi har två stycken, Output säger sant om stimuli matchar den av color/word/assoc som är aktiv och falskt om det inte matchar. Output2 säger vilken färg som stimuli har. Vi har även två stycken environments, en för att träna nätet och en för att testa det. Den vi använder för att träna nätet är en FrequencyEnvironment, detta är för att vi ska kunna påvisa vad den skeva träningen har för inverkan på reaktionstiderna, denna är även satt att välja ut sina events permuted och med frequency-level satt till event. För att testa nätet använder vi sedan en vanlig Environment där vi bara har tre events och vi väljer ut events som Sequential, detta för att det ska vara lättare att se i utdatat om träningsfrekvens matchar tiden det tar för nätet att stabilisera sig. Vad gäller processerna så är de inställda så att nätet bara lär sig medan träningsprocessen kör. En bild på testnätet finns i Figur Historik Under byggandets gång så har vi ändrat modellen ett par gånger. Den första ändringen vi gjorde var att krympa storleken på input. Vi hade från början inputs i storleksordningen 2x2 vilket vi då ändrade till 2x1. Anledningen var att det skulle vara enklare att träna nätet då vi fick färre antal möjliga permutationer av data då vi matade in dessa events för hand. Förutsatt antagandet att vår abstraktion av input är tillräckligt god så påverkade den förändringen inget annat än antalet möjliga kombinationer som vi kunde visa. Vi antog från början att stimuli inte skulle behövas som input. Misstaget vi gjorde var att vi tänkte oss modellen som en modell av försökspersonen snarare än en modell för experimentet i stort. Därför så tillförde vi en input för stimuli i vilket output skulle visa [10] för ja och [01] för nej beroende på matchingen. Vi har haft ett par hypoteser under modellutvecklingen. Den första var att om vi tränar data med olika frekvenser
3 så kommer vi kunna simulera att pathways sätts med olika styrka vilket resulterar till att färg-enheter, som tränas med en frekvens på 80%, kommer att ha större chans att uppkomma vid träningen och därför ge snabbare responstider. Dessa responstid kan fås fram genom att undersöka antalet cykler det tar för ett nät att stabilisera sig i Settle fasen. Antal cykler har dock visat sig att skala dåligt mot den responstid vi hade tänkt få fram. Därför får man inte se cykler som en exakt mappning gentemot svarstid utan mer som en riktlinje. Att titta på tidsenheter var också ett problem då vi från början hade tänkt undersöka hur modellen påverkades om vi precis som i Solso and Short presenterade input med fördröjning. Vi har dock funnit att sådan mätningar är väldigt svårt att modellera i Leabra++. En lösning som vi har diskuterat är användningen av ett kontextlager. Kontext- Lagret skulle ha som uppgift att mappa från det gömda lagret. På så sätt skulle en viss aktivitet finnas kvar efter varje körning, men det hade krävt att vi matade in events enligt en specifik ordningsföljd och att vi på så sätt kunde få aktiviteten att klinga av mellan varje epok. Vi lämnar därför möjligheten som en tänkbar och möjlig förbättring av modellen. Vi hade stora problem med att få output att alltid stämma överens med den empiriska datan vi försökte matcha efter. Problemet var att antalet cykler uppkom slumpvis gentemot den ordning vi hade tänkt oss. Vår hypotes är att initieringsvikterna på det gömda lagret är slumpvis initierade och att det påverkar vår modell även om vi presenterar events med en vis frekvens då dessa kan komma i olämplig ordning. Om vi tränar nätet riktigt lång tid så kommer dock den effekten att klinga bort och antalet cykler kommer att stabilisera sig runt samma MIN värde. Vilket torde svara mot att försökspersonen i experimentet har lärt sig att tyda input så snabbt som personen klarar. I ett försök att minska den slumpvisa effekten gjorde vi en modifikation där vi skar vidare input till ett annat lager om de är av typen name eller association4. Därför gav vi name ett lager till och association två lager till. Resultatet blev att vi, med lämplig träning, får den ordning på antalet cykler oavsett eventuella initeringsvärden. En möjlig hypotes som motiverar en sådan användning skulle kunna vara att olika koder är olika komplexa och aktiverar olika områden i hjärnan vilket skulle kunna svara mot vår modifierade modell. Dock så har vi inte hittat någon referens som klart tyder på detta. Om vi tränar det modifierade nätet mycket så kommer det liksom det föregående att stabilisera sig mot en MIN värde för samtliga inputs. 5. Detaljerad beskrivning av modellen Vi har försökt att inte gå för mycket från de variabler vi har blivit givna som standard när vi har satt upp ett nät i Leabra++, vi har testat oss fram till de variabler vi tyckte gav störst inverkan på vårt näts beteende De variabler vi har valt och/eller ändrat på, hur vi har ändrat dem samt vad de påverkar i vårt nät står beskrivet i listan här nedan. Environment, vi använder oss av två olika environments, en för att träna och en för att testa. Generellt om events: vi har tränat vårt nät med ganska få events för att det ska vara lite mer överskådligt, vi tänkte lite på hur nätet kan bli olika beroende på antal events som det tränas med men vi kom fram till att det antagligen går bra att göra denna förenkling utan att det ska komma att ge felaktiga resultat. TrainEnvironment - Vi valde att träna med FrequencyEvents för att kunna träna nätet olika hårt på olika områden. Detta är en viktig sak för att kunna påvisa det beteende vi beskrivit i inledningen. FrequencyEnvironment är satt att låta frekvensen påverka enskilda Events (standard är att ha den att påverka GroupEvents). TestEnvironment - Vi valde att testa med vanliga Events, vi ansåg att det inte skulle spela någon roll om vi hade FrequencyEvents här eftersom att vi inte tillåter nätet att lära sig under test-fasen och att då låta events komma med olika frekvens skulle bara innebära att vi skulle få ha fler events med för att garantera att vi fick se ett event av varje sort. Specs: För att få nätet att inte vara för effektivt och för att det ska vara lite mindre stokastiskt innan det lärt sig allt så har vi ändrat en parameter här, vi lade märke till att learningrate och threshold gränserna inte spelade så stor roll för att vi skulle få fram önskat beteende så vi lämnade dem på deras ursprungliga värden LeabraUnitSpec - ändrat gain från 600 till 60 för att den ska uppdateras långsammare och mer enhetligt 6. Validering av modellen Vår modells input/output-mönster stämmer ganska bra överens med empiriska data, vårt problem ligger i att vi inte lyckades dämpa slumpvikterna som nätet initierades med nog mycket i jämförelse med det utslag ett mönster matchade mot så slumpen spelade för stor roll i hur snabbt den skulle känna igen olika mönster. Detta går att undvika genom att göra flera test-runs och ta ett medelvärde. En annan möjlighet vi kom fram till genom lite testande var att använda den alternativ modell som syns i Figur 4. Denna kunde vi få att ha ett stabilt utfall i fler fall, även om vi är
4 lite osäkra på dess biologiska plausibilitet. Vår ursprungliga modell tror vi är biologiskt plausibel, dock bör man vara medveten om att detta mest är en känsla av att det borde vara så samt med tillit till att ett nät i Leabra++ utan ändrade variabler är biologiskt plausibelt. 7. Lärdomar Vi skulle behöva verifiera om modellen verkligen visar ett bra beteende då beteendet är helt bundet till träningen och antagandet att events med olika frekvenser är det som påverkar responstiderna. Bakom det ligger antagandet från teorin att fysiska enheter svarar snabbare än namn och associationer. Styrkan ligger i enkelheten men den stora svagheten är att vi bland annat inte exakt kan säga vad input består utav och därför är det svårt att simulera någonting annat i vår modell än på det gömda lagret. Problemet ligger blanda annat i vår teoribildning då vi endast utgått från ett experiment utan att söka eller haft möjligheten att hitta full data om det. I ett liknande projekt så skulle vi behöva samla mer data innan vi kan göra en modell. Dessutom så skulle vi behöva finna en metod för experimentet som vi också kan använda till att verifiera modellen med. Den nuvarande verifieringen av modellen är sådan att vi jämför de outputs som vi får med den empiriska datan och försöker hitta ett logisktsamband vilket är att enheterna växer åt samma håll. Vi utgår från antagandet att den bästa approximation vi kan få är att titta på antalet cykler vid testningen som det tar för värdena att stabilisera sig över en vis aktiveringsnivå. Om vi ser till resultatet och jämför empiriska data vid intervall 0ms så får vi en kurva som matchar i den bemärkelsen att de har samma ordning. En intresant iaktagelse är att intervallet mellan presenterad stimuli och antalet träningsronder matchar förvånadsvärt bra mot varandra vilket möjligtvis kan vara ett samband. I en framtida modell skulle vi kunna undersöka den frågan. Dock så visar den empiriska datan på en nedgång för färg-enheten som vi i vår modell inte kan uppnå. De experiement vi kan göra med vår modell, förutom utbyggnad, är alla relaterade till att modifiera de lager som används. t.ex. lägga till brus för att simulera någon egenskap mellan något lager. De slutsatser vi kan dra är att det går att göra ett nät och räkna med att responstider är ett resultat av att events kommer med olika frekvens vid inlärning, vilket möjligtvis svarar mot att man vid inlärning tränat olika saker olika mycket. Teorin tyder dock på att det finns mer att göra, men som är svårt med det modelleringsverktyg vi använder, eftersom vi inte kan räkna med tidsskillnader så lätt. Det fanns också ett observerbart beteende som tyder på att intervall och antalet träningsrundor är relaterade, men det finns också data som kanske tyder på att modellen inte är så komplett. Som ett resultat av dessa två iaktagelser så blir det svårt att dra några andra slutsatser. 8. Slutsats Typisk output från modellerna efter n antal lyckade träningsrundor är: n(epoker) Färg(cykler) Namn(cykler) Assoc(cykler) Problemet är i första versionen av modellen att få ett antal lyckade träningsrundor. Med lyckade menar vi sådana där den första rundan har rätt ordning efter träningen, vilket påverkar. De empiriskdata har följande värden efter intervall: Interval(ms) Färg(ms) Namn(ms) Assoc(ms)
5 9. Appendix Figur 2. Solso and Short modell Figur 1. Solso and Short resultat Figur 3. Vårt nät Figur 4. Ett annat möjligt nät
6 Referenser [1] Y. M. Randall C. O Reilly. Computational Explorations in Cognitive Neuroscience. A Bradford Book., [2] R. L. Solso. Cognitive Psychology, P A Pearson Education Company, 2001.
Lära känna skrivbordet
Är det första gången du använder Windows 7? Den här versionen har mycket gemensamt med tidigare versioner av Windows, men du kan behöva hjälp med att få upp farten. Den här guiden innehåller praktisk information
Läs merExempel på gymnasiearbete inom naturvetenskapsprogrammet naturvetenskap
Exempel på gymnasiearbete september 2012 Exempel på gymnasiearbete inom naturvetenskapsprogrammet naturvetenskap Mpemba-effekten Elevens idé Rana ska utföra sitt gymnasiearbete i grupp tillsammans med
Läs merBARNS SPRÅKUTVECKLING
BARNS SPRÅKUTVECKLING BARNS SPRÅKUTVECKLING Hur lär sig barn sitt språk? Vad skiljer barns språkutveckling från vuxnas språkinlärning? Hur kan vi forska om barns språkutveckling? Vad säger språkutvecklingen
Läs mer(a) Hur stor är sannolikheten att en slumpvist vald person tror att den är laktosintolerant?
LÖSNINGAR till tentamen: Statistik och sannolikhetslära (LMA12) Tid och plats: 8.3-12.3 den 24 augusti 215 Hjälpmedel: Typgodkänd miniräknare, formelblad Betygsgränser: 3: 12 poäng, 4: 18 poäng, 5: 24
Läs merProjektarbete Kylskåp
TMMI44 Projektarbete Kylskåp Mi 1b Grupp 5 Erik Runesvärd, 950213, eriru231@student.liu.se Mayur Vaghjiani, 940712, mayva604@student.liu.se Filip Naeslund, 930114, filna681@student.liu.se Gustav Larsson,
Läs merLEGO Robot programmering och felsökning Hur svårt ska det vara att följa den svarta linjen?
ICT LEGO Robot programmering och felsökning Hur svårt ska det vara att följa den svarta linjen? Daniel Lindfors 12/9/07 dlindf@kth.se Introduktionskurs i datateknik II1310 Sammanfattning Denna laboration
Läs merKursombud sökes! Kursens syfte är att ge en introduktion till metoder för att förutsäga realtidsegenskaper hos betjäningssystem, i synnerhet för data- och telekommunikationssystem. Såväl enkla betjäningssystem,
Läs merAtt skriva Hur utformar man en Social berättelse? Lathund för hur en Social berättelse kan skrivas
52 56 57 57 59 59 61 61 63 64 64 65 67 67 76 77 77 79 80 83 86 87 89 91 93 95 Seriesamtalets andra möjligheter Sammanfattning Seriesamtal Sociala berättelser Vad är en Social berättelse? För vilka personer
Läs merFöreläsning 3.1: Datastrukturer, en översikt
Föreläsning.: Datastrukturer, en översikt Hittills har vi i kursen lagt mycket fokus på algoritmiskt tänkande. Vi har inte egentligen ägna så mycket uppmärksamhet åt det andra som datorprogram också består,
Läs merVälkommen till ditt nya liv. vecka 13-16
Välkommen till ditt nya liv uppföljning vecka 13-16 Även om du inte längre tar CHAMPIX, fortsätter LifeREWARDSprogrammet att ge dig råd och stöd i ytterligare 4 veckor och hjälper dig vara en före detta
Läs merOM KRITERIER av Emelie Johnson Vegh och Eva Bertilsson, publicerad i Canis 2004
OM KRITERIER av Emelie Johnson Vegh och Eva Bertilsson, publicerad i Canis 2004 Ibland dyker det upp ord som är så fantastiskt användbara och bra att man inte kan begripa hur man någonsin klarat sig utan
Läs merNÄR MAN TALAR OM TROLLEN och några andra talesätt
6. NÄR MAN TALAR OM TROLLEN och några andra talesätt När man talar om trollen så står de i farstun är ett gammalt talesätt. Men finns det något vetenskapligt som ligger bakom det, och andra liknande talesätt
Läs merReal-time requirements for online games
Real-time requirements for online games En undersökning om protokoll, tekniker och metoder som datorspel använder för att kommunicera över Internet Victor Grape Milad Hemmati Linköpings universitet Linköping
Läs merMarie Andersson, IKT-centrum E-post: iktcentrum@mdh.se 2012-06-10 (Bb Learn 9.1.8) Wikis i Blackboard
Marie Andersson, IKT-centrum E-post: iktcentrum@mdh.se 2012-06-10 (Bb Learn 9.1.8) Wikis i Blackboard Innehåll Om Wiki- funktionen... 1 Skapa en Wiki... 1 Lägg till/ redigera innehåll i en Wiki... 3 Läsa/skriva
Läs merINTRODUKTION Sjukgymnastutbildningen KI, T2. Aila Collins Department of Clinical Neuroscience Karolinska Institute Stockholm, Sweden
INTRODUKTION Sjukgymnastutbildningen KI, T2 Aila Collins Department of Clinical Neuroscience Karolinska Institute Stockholm, Sweden Psykologins bakgrund Både filosofi och biologi har påverkat. Grekiska
Läs merResultatet läggs in i ladok senast 13 juni 2014.
Matematisk statistik Tentamen: 214 6 2 kl 14 19 FMS 35 Matematisk statistik AK för M, 7.5 hp Till Del A skall endast svar lämnas. Samtliga svar skall skrivas på ett och samma papper. Övriga uppgifter fordrar
Läs merSpel som interaktiva berättelser
Spel som interaktiva berättelser Finns många typer av interaktivt berättande; ska titta närmare på spel eftersom de exemplifierar en rad aspekter av interaktivt berättande väldigt tydligt. Kan förstå spel
Läs merLär dig sökmöjligheterna i Disgen 8
Det har blivit dags att titta på sökmöjligheterna i Disgen. Det finns egentligen två olika sökfunktioner i Disgen, Välj person och Sök personer. Här behandlas dessa båda funktioner. Välj person och Sök
Läs merNordic Human Factors Guideline NHFG
Nordic Human Factors Guideline NHFG Förklaringsmodell för trafikantbeteende Ett nordiskt samarbete under Nordiska Väggeometrigruppen 1 Varför en ny förklaringsmodell? Trafikolyckor är ett stort problem
Läs merSätt att skriva ut binärträd
Tilpro Övning 3 På programmet idag: Genomgång av Hemtalet samt rättning Begreppet Stabil sortering Hur man kodar olika sorteringsvilkor Inkapsling av data Länkade listor Användning av stackar och köer
Läs merTentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.''
Tentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.'' Hjälpmedel:'Valfri'räknare,'egenhändigt'handskriven'formelsamling'(4''A4Esidor'på'2'blad)' och'till'skrivningen'medhörande'tabeller.''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
Läs merhttp://www.leidenhed.se Senaste revideringen av kapitlet gjordes 2014-05-08, efter att ett fel upptäckts.
Dokumentet är från sajtsidan Matematik: som ingår i min sajt: http://www.leidenhed.se/matte.html http://www.leidenhed.se Minst och störst Senaste revideringen av kapitlet gjordes 2014-05-08, efter att
Läs merElevportfölj 4 ÅRSKURS 6. Matens kemi. Elevens svar:
Du ska tillbringa två veckor i en fjällstuga 1a som saknar elektricitet (men det finns en gasspis att laga maten på). Hur kan du göra för att förlänga matens hållbarhet så att du har mat att äta under
Läs merMotivering och kommentarer till enkätfrågor
ga 2 Motivering och kommentarer till enkätfrågor Kön Valet av denna variabel grundar sig på att vi vill se om det finns några skillnader mellan kön och hur de rekryterar. Kommentar: Vi hörde på namnet
Läs merEn nybörjarkurs i kritiskt tänkande
En nybörjarkurs i kritiskt tänkande Jesper Jerkert Andreas Anundi & CJ Åkerberg: Skeptikerskolan. Handbok i kritiskt tänkande. Stockholm: Forum, 2010, 226 s. ISBN 978-91-37-13588-5. Andreas Anundi och
Läs mer1. Att lyssna 1. Titta på den som talar. 2. Tänk på vad som sagts. 3. Vänta på min tur att prata. 4. Säg det jag vill säga. 1.
1. Att lyssna 1. Titta på den som talar. 2. Tänk på vad som sagts. 3. Vänta på min tur att prata. 4. Säg det jag vill säga. 1. Att lyssna 1. Titta på den som talar. 2. Tänk på vad som sagts. 3. Vänta på
Läs merNeurovetenskap 30/08/2013. Kognitiv neurovetenskap. Lober. Olika färg, olika vävnadsstruktur. Hjärnbarken
729G01 Kognitionsvetenskaplig introduktionskurs: Kognitiv neurovetenskap och kognitiv modellering Rita Kovordanyi, Institutionen för datavetenskap (IDA) rita.kovordanyi@liu.se Kognitiv neurovetenskap Baseras
Läs merHur gör man en bra Poster?
Hur gör man en bra Poster? Postern kan sägas vara en sammanfattning av den skriftliga rapporten. Man skulle t o m kunna säga att postern är en sammanfattning av den muntliga presentationen. När man presenterar
Läs merUr boken Självkänsla Bortom populärpsykologi och enkla sanningar
Ur boken Bortom populärpsykologi och enkla sanningar av Magnus Lindwall, Göteborgs universitet Begreppet självkänsla har under de senaste åren fått stor uppmärksamhet i populärvetenskapliga böcker. Innehållet
Läs merkroppsliga reaktioner 0 100 Beskriv dina övriga känslor och eventuella huvud? Vilka tankar for genom ditt var du med? Vad gjorde du?
ARBETSBLAD 1 AR B E TS B L A D 1: Registrering av automatiska tankar Situation Automatiska tankar Ångest/Rädsla Övriga känslor När var det? Var var du? Vem var du med? Vad gjorde du? Vilka tankar for genom
Läs merProgrammering A C# VT 2010. Ett kompendie över Programmering A (50p) i c# Stefan Fredriksson 2010 02 08
Programmering A C# VT 2010 Ett kompendie över Programmering A (50p) i c# Stefan Fredriksson 2010 02 08 Innehåll Hjälp och referenser... 3 Kap 1 Introduktion... 3 Steg för steg... 3 Kapitel 2 Variabler...
Läs merKomma igång med Eventor
Guide Eventor Komma igång med Eventor Version 2.0, 2013-10-07 Starta med startsidan På Eventors startsida finns en kortare guide över hur du skaffar användarkonto och hur du loggar in. Börja med den för
Läs merÖVNINGSUPPGIFTER KAPITEL 9
ÖVNINGSUPPGIFTER KAPITEL 9 STOKASTISKA VARIABLER 1. Ange om följande stokastiska variabler är diskreta eller kontinuerliga: a. X = En slumpmässigt utvald person ur populationen är arbetslös, där x antar
Läs merJag ritar upp en modell på whiteboard-tavlan i terapirummet.
VAD ÄR PROBLEMET? Anna, 18 år, sitter i fåtöljen i mitt mottagningsrum. Hon har sparkat av sig skorna och dragit upp benen under sig. Okej, Anna jag har fått en remiss från doktor Johansson. När jag får
Läs mer75059 Stort sorteringsset
75059 Stort sorteringsset Aktivitetsguide Detta set innehåller: 632 st sorteringsföremål 3 st snurror 6 st sorteringsskålar 1 st sorteringsbricka i plast 1 st siffertärning Detta sorteringsset har tagits
Läs merTMS136. Föreläsning 1
TMS136 Föreläsning 1 Varför? Om vi gör mätningar vill vi modellera och kvantifiera de osäkerheter som obönhörligen finns Om vi handlar med värdepapper vill vi modellera och kvantifiera de risker som finns
Läs merVerktyg för Achievers
Verktyg för Achievers 2.5. Glöm aldrig vem som kör Bengt Elmén Sothönsgränd 5 123 49 Farsta Tel 08-949871 Fax 08-6040723 http://www.bengtelmen.com mailto:mail@bengtelmen.com Ska man kunna tackla sina problem
Läs merSpråkäventyret. Mål. Verktyg. Inledande arbete
Språkäventyret Mål Sammanfatta hur jag gjorde spelet Språkäventyret på Fronter. Verktyg Fronters provverktyg Inledande arbete Fundera över dessa saker innan du börjar: 1. Vilken del av det centrala innehållet
Läs merLev utan Stress & Oro
Det finns olika nivåer av stress i våra liv. Ofta talas det om olika sorters stress, som om den ena sortens stress är annorlunda än den andra. Men i grund och botten handlar det om samma sorts stress,
Läs merKiVa Skola situationskartläggningen 2016 sidan 1/31. KiVa Skola situationskartläggningen 2016 sidan 2/31
KiVa Skola situationskartläggningen 2016 sidan 1/31 Välkommen att besvara undersökningen! Skolans användarnamn: Kartläggningslösenordet: Logga in till undersökningen KiVa Skola situationskartläggningen
Läs merKom igång med ArcGIS Online - Snabba steg för att börja arbeta
Kom igång med ArcGIS Online - Snabba steg för att börja arbeta https://twitter.com/esrisverige http://www.esri.se/ Svårighetsgrad: Enkel Tidsåtgång: Ca 15 min Målgrupp: Administratör för kontot Inledning
Läs merProgrammera en NXT Robot
KUNGLIGA TEKNISKA HÖGSKOLAN Programmera en NXT Robot Med hjälp utav NXC Peyman Torabi 2012-09-03 E-post: peymant@kth.se Introduktionskurs i datateknik (II1310) Sammanfattning Uppgiften var att analysera
Läs merSnacket går. Lärarhäfte med kopieringsunderlag. Catarina Littman Carin Rosander BONNIERS
Snacket går Lärarhäfte med kopieringsunderlag Catarina Littman Carin Rosander BONNIERS B11 Fyra bilder Kopiera bildserierna B 11 a, b, c eller d. Klipp isär bilderna. Dela ut en bild per studerande. Det
Läs mer9-1 Koordinatsystem och funktioner. Namn:
9- Koordinatsystem och funktioner. Namn: Inledning I det här kapitlet skall du lära dig vad ett koordinatsystem är och vilka egenskaper det har. I ett koordinatsystem kan man representera matematiska funktioner
Läs merSchematransformation SLU
Testing INSPIRE Annex III Data Specifications Schematransformation SLU GeoTest 2012 Rapport upprättad 2012-10-05 Testad av GeoTest projektet Bilagor 1) Matchningstabell Innehållsförteckning 1 Introduktion...
Läs merBygga hus med LECA-stenar
Bygga hus med LECA-stenar När man bygger hus med LECA-stenar finns det en del att tänka på. Till att börja med finns det LECA-stenar i olika dimensioner (t.ex. 59x19x19 och 59x19x39). Dessa dimensioner
Läs merPSYKOLOGISK UNDERSÖKNING H 70: 2011-13
Formulär 20 Boo J PSYKOLOGISK UNDERSÖKNING H 70: 2011-13 Fördelskohort 1923-88 åringar Frågor & Test Personnr: -. Namn:.. Proband nr.: 88 88 Undersökningsdatum: 20 / / (å,m,d) kl.. Allmän introduktion:
Läs merWebbstudieplatsen Moodle
Webbstudieplatsen Moodle Manual för studenter http://moodle.hv.hik.se Humanvetenskapliga institutionen, Högskolan i Kalmar Peter Diedrichs, peter.diedrichs@hik.se Version 1.2, 8 juni 2007 Förslag och synpunkter
Läs merGrafer. 1 Grafer. Grunder i matematik och logik (2015) 1.1 Oriktade grafer. Marco Kuhlmann
Marco Kuhlmann 1 En graf är en struktur av prickar förbundna med streck. Ett tidsenligt exempel på en sådan struktur är ett social nätverk, där prickarna motsvarar personer och en streck mellan två prickar
Läs merManual Jourläkarschema Närhälsan V7 - Version 1.0
Manual Jourläkarschema Närhälsan V7 - Version 1.0 Denna manual innehåller olika avsnitt och beroende på vilken roll man har är de olika avsnitten aktuella. Innehåll Logga in...2 Glömt lösenord...3 Logga
Läs merThe National Institute of Child Health and Human Development (NICHD) Protocol: Intervjuguide
The National Institute of Child Health and Human Development (NICHD) Protocol: Intervjuguide This Swedish version is based on the English version available on the NICHD Protocol website (www.nichdprotocol.com).
Läs merMöjliga Världar. Skapande Skola, Halmstad. Robert Hais
Skapande Skola, Halmstad 1. Återvinning och skapande Idén är skapa en ny produkt med hjälp av restmaterial. Produkten ska kunna säljas och bidra till den gemensamma kassan. Detta projektet fokuserar på
Läs merLärarhandledning Jane Horney
Lärarhandledning Jane Horney Introduktion och syfte Jane Horney är en människa som är svår att glömma. Vem var hon? Hon var vacker och äventyrlig, men var hon verkligen en spion? Jane Horney är en kvinna
Läs mer8. Moralpsykologi. Några klargöranden:
8. Moralpsykologi Några klargöranden: Det är vanligt att uttrycka MI/ME-debatten i termer av moraliska övertygelser (eller omdömen ), men detta är för generellt. MI är endast rimlig om den begränsas till
Läs merPeter Ottosson 31/8-2012 petott@kth.se Introduktionskurs i datateknik II1310
KUNGLIGA TEKNISKA HÖGSKOLAN Robotlabb En introduktion till Datateknik 31/8-2012 petott@kth.se Introduktionskurs i datateknik II1310 1 Innehållsförteckning 1. Inledning... 3 1.1 Bakgrund... 3 1.2 Syfte
Läs merSÅ VITT VI VET - Om färg, ljus och rum
SÅ VITT VI VET - Om färg, ljus och rum BILAGA 1 PILOTSTUDIER I BESKUGGNINGSLÅDAN I våra pilotstudier använde vi den beskuggningslåda som nyttjats inom projektet Gråfärger och rumsupplevelse. 1 Beskuggningslådan
Läs merRecension. Tänka, snabbt och långsamt Daniel Kahneman Översättning: Pär Svensson Volante, Stockholm, 2013, 511 s. ISBN 978 91 86 81572 1
Recension Tänka, snabbt och långsamt Daniel Kahneman Översättning: Pär Svensson Volante, Stockholm, 2013, 511 s. ISBN 978 91 86 81572 1 Av de tre orden i titeln på denna bok syftar det första, tänka, på
Läs merSkruvad frispark i fotboll
Skruvad frispark i fotboll Howard Andersson howarda@kth.se Erik Gedeborg gedeborg@kth.se Hamid Lashgari lashgari@kth.se Hussein Hatemipur husseinh@kth.se Shazeb Ullah shazeb@kth.se Sammanfattning Frågeställningen
Läs merPeriodisering i Rebus
Periodisering i Rebus INTÄKTER När man fakturerar order från resebyrå-modulen kan man välja att få avresedatumet som periodiseringssiffra på intäktskontot, antingen år+månad eller bara år. Inställningen
Läs merKognitionsvetenskap C, HT-04 Mental Rotation
Umeå Universitet 041025 Kognitionsvetenskap C, HT-04 Mental Rotation Grupp 3: Christina Grahn, dit01cgn@cs.umu.se Dan Kindeborg, di01dkg@cs.umu.se David Linder, c01dlr@cs.umu.se Frida Bergman, dit01fbn@cs.umu.se
Läs merRapport avseende lågfrekventa ljud och övrig ljudspridning MARS 2016 VINDPARK MÖRTTJÄRNBERGET VINDPARK ÖGONFÄGNADEN VINDPARK BJÖRKHÖJDEN
MARS 2016 Rapport avseende lågfrekventa ljud och övrig ljudspridning VINDPARK MÖRTTJÄRNBERGET VINDPARK ÖGONFÄGNADEN VINDPARK BJÖRKHÖJDEN Statkraft SCA Vind AB FAKTA LÅG- OCH HÖGFREKVENTA LJUD Ett ljuds
Läs merElevportfölj 8. ÅRSKURS 6 Matens kemi. Elevens svar: och kan då inte utföra deras jobb bättre och tjäna mer lön för att kunna köpa mat.
Du ska tillbringa två veckor i en fjällstuga 1a som saknar elektricitet (men det finns en gasspis att laga maten på). Hur kan du göra för att förlänga matens hållbarhet så att du har mat att äta under
Läs merKunskap = sann, berättigad tro (Platon) Om en person P s har en bit kunskap K så måste alltså: Lite kunskaps- och vetenskapsteori
Lite kunskaps- och vetenskapsteori Empiriska metoder: kvalitativa och kvantitativa Experiment och fältstudier Människor och etik 1 Kunskap = sann, berättigad tro (Platon) Om en person P s har en bit kunskap
Läs merSlutrapport Fästanordning för fordons specifik bilbarnstol i framsätet
Rapporten är framtagen med ekonomiskt bidrag från Trafikverkets skyltfond. Ståndpunkter och slutsatser i rapporten reflekterar författaren och överensstämmer inte nödvändighet med Trafikverkets ståndpunkter
Läs merFöreläsning 11. Giriga algoritmer
Föreläsning 11 Giriga algoritmer Föreläsning 11 Giriga algoritmer Användning Växelproblemet Kappsäcksproblemet Schemaläggning Färgläggning Handelsresandeproblemet Uppgifter Giriga algoritmer (Greedy algorithms)
Läs merAntagningen till polisutbildningen
Antagningen till polisutbildningen En studie om avhopp under urvalsprocessen ur ett genusperspektiv Februari 2008 www.polisen.se Antagningen till polisutbildningen En studie om avhopp under urvalsprocessen
Läs merAuktoritet och lydnad
Auktoritet och lydnad Auktoritet och lydnad hör till socialpsykologin som är en inriktning inom psykologin. Auktoritet Ordbeskrivningen för auktoritet enligt Nationalencyklopedin är: att det är en social
Läs merObjektorienterad programmering
Objektorienterad programmering Emil Ahlqvist (c10eat@cs.umu.se) Didrik Püschel (dv11dpl@cs.umu.se) Johan Hammarström (c08jhm@cs.umu.se) Hannes Frimmel Moström (c10hml@cs.umu.se) 1 1. Introduktion 1.1 Objektorienterad
Läs merFrågebanker, frågeuppsättningar och slumpvisa block
Frågebanker, frågeuppsättningar och slumpvisa block Innehåll Frågebanker... 1 Skapa frågebank... 1 Importera en frågebank... 3 Lägg till frågor i frågebank... 3 Skapa frågeuppsättning... 3 Skapa slumpvist
Läs merAnsökan Du ansöker om plats på www.vallentuna.se/skolval. Via webbplatsen får du också erbjudande om plats.
2015-10-14 SID 1/5 KÖREGLER FÖR FÖRSKOLA OCH FAMILJEDAGHEM Ansökan Du ansöker om plats på www.vallentuna.se/skolval. Via webbplatsen får du också erbjudande om plats. För att logga in på webbplatsen behöver
Läs merHitta kunder som frilansare
Hitta kunder som frilansare Hitta kunder som frilansare 4 Att livnära sig som frilansare, genom att ta långa- eller kortsiktiga uppdrag, är en allt vanligare arbetsform. På Billogram träffar vi många frilansare,
Läs merSinnena den mänskliga hårdvaran
Sinnena den mänskliga hårdvaran Synsinnet Organet som används för att utnyttja synen är ögat. Näthinnan har ca 130 Bilden är tagen från wwww.ne.se miljoner sinnesceller, dessa kallas för stavar och tappar.
Läs merdiskriminering av invandrare?
Kan kvinnliga personalchefer motverka diskriminering av invandrare? ALI AHMED OCH JAN EKBERG Ali Ahmed är fil. lic i nationalekonomi och verksam vid Centrum för arbetsmarknadspolitisk forskning (CAFO)
Läs merOBS - ranking NYTT RANKINGSYSTEM. Jan-Erik Thomasson 2001-01-16 INNEHÅLL
OBS - ranking NYTT RANKINGSYSTEM Jan-Erik Thomasson 2001-01-16 INNEHÅLL 1 FORMELÄNDRINGAR... 2 1.1 Konvergens mot "rätt" rankingtal... 2 1.2 Höjd konvergenshastighet... 2 2 "CARRY-OVER"... 3 3 METOD...
Läs merVad kan biologiskt plausibla modeller säga oss?
Förra föreläsningen Vad kan biologiskt plausibla modeller säga oss? Beräkningsmässig kognitiv neurovetenskap Simulering av modeller kan ge insikt i mänskligt tänkande Kognitiva fenomen Simulering beräkningsprinciper
Läs merGrupphantering i Blackboard
Marie Andersson, IKT-centrum E-post: iktcentrum@mdh.se 2012-06-10 (Bb Learn 9.1.8) Grupphantering i Blackboard Om Grupper I syfte att stödja samarbete och kommunikation kan man skapa grupper i Blackboard.
Läs merInstallationsanvisning för Su Officemallar 2003 För PC
1 (11) INSTALLATIONSANVISNING MS Office 2003 - Windows 2013-11-26 Installationsanvisning för Su Officemallar 2003 För PC Word och PowerPoint Innehållsförteckning Var hittar jag Su Officemallar?... 2 Är
Läs merUpptäcka och analysera. Qlik Sense 1.1 Copyright 1993-2015 QlikTech International AB. Alla rättigheter förbehållna.
Upptäcka och analysera Qlik Sense 1.1 Copyright 1993-2015 QlikTech International AB. Alla rättigheter förbehållna. Copyright 1993-2015 QlikTech International AB. Alla rättigheter förbehållna. Qlik, QlikTech,
Läs merAtt formulera SMARTA mål. Manja Enström leg. psykolog leg. psykoterapeut 011-400 17 00 manja.enstrom@psykologpartners.se
Att formulera SMARTA mål Manja Enström leg. psykolog leg. psykoterapeut 011-400 17 00 manja.enstrom@psykologpartners.se Handleder inom - Kriminalvården - Socialtjänsten - Skolan Arbetar inom - Barn- och
Läs merInnehåll. Användarstudier. Användarstudier enligt Microsoft. Varför? Aktivt lyssnande. Intervjuteknik. Intervju Observation Personor Scenarier Krav
Innehåll Användarstudier Johan Åberg johan.aberg@liu.se Intervju Observation Personor Scenarier Krav Varför? Användarstudier enligt Microsoft http://www.youtube.com/watch?v=v_s13 VtPpJQ Aktivt lyssnande
Läs merConcept Selection Chaper 7
Akademin för Innovation, Design och Teknik Concept Selection Chaper 7 KPP306 Produkt och processutveckling Grupp 2 Johannes Carlem Daniel Nordin Tommie Olsson 2012 02 28 Handledare: Rolf Lövgren Inledning
Läs merNaturbrukarna 2016-02-29
1 Naturvårdsverket registrator@naturvårdsverket.se Yttrande: Gemensamma riktlinjer för handläggning av artskyddsärenden i skogsbruket Föreningen Sverige önskar härmed inkomma med yttrande rörande Gemensamma
Läs merHÖGSKOLAN I KALMAR Institutionen för teknik Erik Loxbo 06 03 04 LABORATION I PLC-TEKNIK SEKVENSSTYRNING AV TRANSPORTBAND SIMATIC S7 - GRAPH
HÖGSKOLAN I KALMAR Institutionen för teknik Erik Loxbo 06 03 04 LABORATION I PLC-TEKNIK SEKVENSSTYRNING AV TRANSPORTBAND SIMATIC S7 - GRAPH Uppgift: Lös nedanstående problemställning med hjälp av programvaran
Läs merAtt använda bildhanteringsprogram, del 2
Att använda bildhanteringsprogram, del 2 Gå till Adobe Online (M) Markeringsram - (L) Lasso - (C) Beskärning - (J) Airbrush - (S) Klonstämpel - (E) Suddgummi - (R) Oskärpa - (A) Markering av bankomponenter
Läs merELEVHJÄLP. Diskussion s. 2 Åsikter s. 3. Källkritik s. 11. Fördelar och nackdelar s. 4. Samarbete s. 10. Slutsatser s. 9. Konsekvenser s.
Källkritik s. 11 Diskussion s. 2 Åsikter s. 3 Samarbete s. 10 Slutsatser s. 9 ELEVHJÄLP Fördelar och nackdelar s. 4 Konsekvenser s. 5 Lösningar s. 8 Perspektiv s. 7 Likheter och skillnader s. 6 1 Resonera/diskutera/samtala
Läs merSAFE WORK. Instruktioner till personal - för dig som arbetar på ett entreprenadföretag 2013-04-09
SAFE WORK Instruktioner till personal - för dig som arbetar på ett entreprenadföretag 2013-04-09 Innehåll 1. Aktivera ett användarkonto, jag har en egen e-postadress...3 2. Aktivera ett användarkonto,
Läs merDigitalt lärande och programmering i klassrummet. Introduktionsworkshop - Bygg ett akvarium i Scratch
Digitalt lärande och programmering i klassrummet Introduktionsworkshop - Bygg ett akvarium i Scratch Introduktion Scratch är en programmeringsomgivning utvecklad av forskare på Massachusetts Institute
Läs merMetod- PM: Påverkan på Sveriges apotek efter privatiseringen
Metod- PM: Påverkan på Sveriges apotek efter privatiseringen Problem Sedan privatiseringen av landets apotek skedde för 3 år sedan är det många som hävdar att apoteken inte har utvecklats till det bättre,
Läs merProjektarbete 2: Interaktiv prototyp
Projektarbete 2: Interaktiv prototyp Jonatan Hilmarch (Grupp 13) 880427-5595 hilmarch@skip.chalmers.se Kurs: Människa-Datorinteraktion TIG061 HT 2010 Projekt 1 - en tillbakablick Enligt projektets systemdefinition
Läs merTJUVSTARTER I AGILITY - en kamp i envishet
TJUVSTARTER I AGILITY - en kamp i envishet Av Marie Hansson När det handlar om tjuvstarter är det ofta en kamp mellan en ivrig hund och dess förare. Men ju mer psykologi man använder, desto större övertag
Läs merKursschema våren 2013
Kursschema våren 2013 Anmälan: info@hundakuten.se Besök vår hemsida: www.hundakuten.se Valpen måste tidigt lära sig vad som förväntas av den i sin nya familj, och vilka regler som gäller. En fungerande
Läs merQuine. Det förekommer två versioner av kritiken mot analyticitet i Quines artikel.
Quine Den intuitiva betydelsen av analytiskt sann sats är sats som är sann enbart i kraft av sin mening. Dessa brukar ställas mot syntetiskt sanna satser som är sanna inte enbart som ett resultat av vad
Läs merClaudia Mallea Lira och Isabell Darkman
PRESENTATION AV KVALITETSARBETE Titel: Feedback till ST-läkare på Akutcentrum, SUS Malmö Handledare: Sven Karlander Syfte Målet med arbetet är att införa standardiserade rutiner som innebär att STläkarna/underläkarna
Läs merUPPGIFT 1 KANINER. Håkan Strömberg 1 Pär Söderhjelm
UPPGIFT 1 KANINER Kaniner är bra på att föröka sig. I den här uppgiften tänker vi oss att det finns obegränsat med hannar och att inga kaniner dör. Vi ska försöka simulera hur många kaninhonor det finns
Läs merTrä ningslä rä. Att ta ansvar för sin hälsa. Träning
Trä ningslä rä Att ta ansvar för sin hälsa Människan har funnits på jorden i flera miljoner år. Denna långa tid har varit fylld av fysiskt arbete för att överleva. Jakt, vandringar, krig, jordbruk och
Läs merFörord... 2. Inledning... 3. Ungas politiska engagemang... 4. Politiskt kontra partipolitiskt engagemang... 4. Vill unga engagera sig politiskt?...
Innehållsförteckning Förord... 2 Inledning... 3 Ungas politiska engagemang... 4 Politiskt kontra partipolitiskt engagemang... 4 Vill unga engagera sig politiskt?... 4 Hur ser unga på de politiska ungdomsförbunden?...
Läs merVårdfaktura Bokföringsfil och Kontering
Version 2.3 Vårdfaktura Bokföringsfil och Kontering 2 (11) VAL AV BOKFÖRINGSFIL... 3 VAL AV KONTERINGSMODELL... 4 KONTERA OCH GODKÄNNA FAKTURA... 5 KONTERA EN POST... 6 HÄMTA/SKAPA BOKFÖRINGSFIL... 8 ADMIN
Läs merFallbeskrivningar. Mikael 19 år. Ruben 12 år. Therese 18 år. Tom 10 år
Fallbeskrivningar Mikael 19 år Ruben 12 år Therese 18 år Tom 10 år Mikael 19 år Fallbeskrivning Mikael har haft svårigheter med relationer sedan han började i skolan. Föräldrarna beskriver honom som en
Läs merTärna Folkhögskola 2010-06-03 IT-pedagogutbildningen Individuellt fördjupningsarbete Vt 2010 2010-06-03 IT I FÖRSKOLAN. Författare:Tove Andersson
Tärna Folkhögskola 2010-06-03 IT-pedagogutbildningen Individuellt fördjupningsarbete Vt 2010 2010-06-03 IT I FÖRSKOLAN Författare:Tove Andersson Innehåll Inledning:... 2 Syfte:... 2 Frågeställningar:...
Läs merLATHUND FÖR MALVIN. 1 Registrera ny användare... 2. 2 Logga In... 3. 2.1 Glömt lösenord... 4. 3 Annonsering... 5. 3.1 Skapa annons...
LATHUND FÖR MALVIN INNEHÅLL 1 Registrera ny användare... 2 2 Logga In... 3 2.1 Glömt lösenord... 4 3 Annonsering... 5 3.1 Skapa annons... 5 3.2 Redigera annons... 8 3.3 Ta bort förmedlad annons... 8 3.4
Läs mer