Aktuella disputationer

This thesis aims to add to our knowledge about venture builders and how they may help extend the understanding of entrepreneurship support organizations. Venture builders are a novel type of for-profit organization that create, develop, and support new ventures. Although scantly researched, venture builders have garnered increasing interest from practitioners and scholars in recent years. They initiate and organize new ventures using structured methodologies, controlling and committing resources, and orchestrating networks to rapidly foster successful businesses. Additionally, this thesis includes four appended papers that shed light on different aspects of venture builders. Theoretically, this thesis contributes to the entrepreneurship support literature by examining venture builders as for-profit actors with a strategic intent to engage in new venture creation. Unlike traditional entrepreneurial support organizations, venture builders act with urgency, use resources effectively, and leverage their business networks to maximize return on investment. Thus, they represent what this thesis refers to as a distinct type of entrepreneurship support organization.   

• Link to full record
• Link to dissertation as file

In the era of AI-driven innovation, ensuring the reliability and adaptability of machine learning (ML) systems in dynamic environments remains a fundamental challenge. This thesis addresses key obstacles such as concept drift and data quality, which affect model performance in real-world applications. By integrating novel drift detection mechanisms, real-time data quality assessment, and robust MLOps strategies, this work proposes a comprehensive framework for self-adaptive ML systems. These solutions enable industrial ML deployments to maintain predictive accuracy, efficiency, and resilience against evolving data conditions. Through real-world case studies, this research demonstrates significant improvements in operational stability and decision-making, bridging the gap between theoretical advancements and practical implementation. By tackling these challenges, this thesis contributes to the development of scalable, trustworthy, and high-performance ML solutions tailored for industrial and mission-critical applications.

• Link to full record
• Link to dissertation as file

This thesis aimed to add more empirical knowledge on the self-reported cognitive difficulties experienced by patients diagnosed with stress-related Exhaustion disorder. Using different methods and from different perspectives, it has investigated how questionnaires targeting everyday problems relates to test performance, psychological distress and brain activity. Moreover, qualitative interviews have demonstrated experiences of cognitive functioning 6-10 years after participating in rehabilitation, the course of cognitive problems, and what have been helpful or hindering during the recovery process.

• Link to full record
• Link to dissertation as file

Den snabba utvecklingen av Cellular Internet of Things (CIoT)-teknologi förväntas koppla samman över 6 miljarder enheter till år 2029. Många av dessa enheter, som ofta placeras i avlägsna, urbana eller svårtillgängliga områden, drivs av begränsade batteriresurser och förväntas fungera i upp till 10 år. Dock utgör nuvarande batteribegränsningar en utmaning för långvarig drift i många applikationer. Därför är låg energiförbrukning avgörande för att undvika frekventa laddningar eller batteribyten.

Denna avhandling adresserar utmaningen att förbättra energieffektiviteten hos NB-IoT-enheter genom att undersöka och optimera de energibesparande mekanismer som standardiserats av 3rd Generation Partnership Project (3GPP). Specifikt klassificerar och utvärderar forskningen befintliga energibesparande lösningar för CIoT, särskilt för Narrowband Internet of Things (NB-IoT), genom att identifiera deras begränsningar samt studera effekterna av mekanismer såsom Discontinuous Reception (DRX), Release Assistance Indicator (RAI), Power Saving Mode (PSM), Early Data Transmission (EDT) och Pre-configured Uplink Resources (PUR) på batteritid. Förbättrad energieffektivitet kommer dock ofta till priset av ökad latens. Denna avhandling utvärderar dessa effekter på både energiförbrukning och latens och erbjuder insikter i de avvägningar som krävs.

Baserat på resultaten föreslås riktlinjer för att konfigurera NB-IoT-enheter så att en optimal balans mellan energieffektivitet och prestanda uppnås. Ett betydande bidrag från detta arbete är utvecklingen av en maskininlärningsbaserad optimeringsmetod som dynamiskt justerar konfigurationer beroende på nätverksförhållanden, såsom signalstyrka, paketförlust och dataöverföringsfrekvens. Genom att integrera avancerade energibesparande mekanismer med optimeringstekniker fördjupar detta arbete förståelsen för samspelet mellan enhetskonfigurationer och batteritid. Även om energibesparande åtgärder kan minska prestanda (t.ex. ökad latens eller reducerad genomströmning), krävs ytterligare undersökningar kring dessa avvägningar. De föreslagna riktlinjerna och strategierna syftar till att förlänga NB-IoT-enheternas batteritid till 10 år eller mer, vilket förbättrar deras användbarhet i olika CIoT-implementeringar.

• Link to full record
• Link to dissertation as file