2024

2023

2022

2021

2020

2019

2018

2017

Portefølje Naturvitenskap og teknologi ikon

Forskningssystemet

Portefølje Humaniora og samfunnsvitenskap ikon

Banebrytende forskning

Portefølje Samisk ikon

Samisk samfunn og kultur

Portefølje Demokrati, styring og fornyelse ikon

Demokrati og global utvikling

Portefølje Velferd, kultur og samfunn ikon

Velferd og utdanning

Portefølje Helse ikon

Helse

Portefølje Klima- og polarforskning ikon

Klima og miljø

Portefølje Landbasert mat, miljø og bioressurser ikon

Mat og bioressurser

Portefølje Energi, transport og lavutslipp ikon

Energi og transport

Portefølje Muliggjørende teknologier ikon

Muliggjørende teknologier

Portefølje Industri og tjenestenæringer ikon

Innovasjon

LTP2 Klima, miljø og miljøvennlig energi ikon

Klima, miljø og energi

LTP2 Samfunnssikkerhet og samhørighet ikon

Samfunnstryggleik og beredskap

LTP2 Fornyelse i offentlig sektor ikon

Velferdstjenester

Forsidebilde

Marin ikon

Petroleum og mineraler

LTP Hav ikon

Hav og kyst

LTP2 Muliggjørende og industrielle teknologier ikon

Mogleggjerande industrielle teknologiar

Tillit og fellesskap

LTP2 Utvikle fagmiljøer av fremragende kvalitet

Høg kvalitet og tilgjengeleg

LTP2 Styrket konkurransekraft og innovasjonsevne ikon

Sterkare konkurransekraft og innovasjonsevne

LTP3 Helse

Et innovativt næringsliv ikon

Styrket konkurransekraft og innovasjonsevne

Portefolje Petroleum Ikon

Portefølje Hav ikon

Portefølje Utdanning og kompetanse ikon

Portefølje Global utvikling og internasjonale relasjoner ikon

Portefølje Livsvitenskap ikon

Forsidebilde optimalisert

project-bank-technical

Muliggjørende teknologier bakgrunn

Marin bakgrunnsbilde

Statistikk

Prosjektbanken presenterer statistikk og informasjon om prosjekter med finansiering fra Forskningsrådet fra 2004. Statistikken er fordelt på blant annet tema, år, geografi og organisasjon. Prosjektbanken gir også detaljert informasjon om de enkelte prosjektene.

...eller se sammendrag og annen informasjon om prosjektene i utvalget ditt

Alle porteføljestyrer

En god beskrivelse av denne siden for søkemotoroptimalisering

Forside

Hvordan tildelingene fordeler seg på institusjoner, fylker, fagområder o.l....

Her er noen eksempler på søk du kan gjøre i Prosjektbanken

Alle langtidsplanmål

Veiledning: Hvordan bruke Prosjektbanken.no

Om Fritekstsøk

Ingen populærvitenskapelig framstilling tilgjengelig


Prosjektet med prosjektnummer {{project number}} ble ikke funnet

Teknisk beskrivelse

Oisann, her gikk noe galt. Kan du prøve å laste siden på nytt?  Dersom feilen vedvarer, vennligst kontakt oss.         

Se statistikk relatert til dette langtidsplanmålet

Se prosjekter relatert til dette langtidsplanmålet

knyttet til dette LTP-målet har blitt tildelt penger

har blitt tildelt til prosjekter knyttet til dette LTP-målet

har blitt tildelt til prosjekter knyttet til denne porteføljen

knyttet til denne porteføljen har blitt tildelt penger

Om Prosjektbanken

Kunnskapsdepartement

Nærings- og fiskerid

Diverse

Justis- og beredskap

Kommunal-og distrikt

Samferdselsdeparteme

Forsvarsdepartemente

Digitaliserings- og 

Teknologi

Matematikk og naturvitenskap

Oslo

Vestfold

LTP3 Styrket konkurransekraft og innovasjonsevne

LTP3 Et kunnskapsintensivt næringsliv i hele landet

LTP3 Uttesting og kommersialisering av FoU

LTP3 Høy kvalitet og tilgjengelighet

LTP3 Fagmiljøer og talenter

LTP3 Hav og kyst

LTP3 Marine bioressurser og havforvaltning

LTP3 Klima, miljø og energi

LTP3 Klima, polar og miljø

LTP3 Muliggjørende og industrielle teknologier

LTP3 IKT og digital transformasjon

Instituttsektor

Næringsliv

Portefølje Innovasjon

Portefølje Muliggjørende teknologier

Portefølje Banebrytende forskning

Portefølje Forskningssystemet

Portefølje Mat og bioressurser

Portefølje Klima og miljø

Programmer

Sverige

Annen støtte (t.o.m. 2019)

Innovasjonsprosjekt

Kompetanse- og samarbeidsprosjekt

Politikk- og forvaltningsområder

IKT forskningsområde

Bransjer og næringer

FNs Bærekraftsmål

Marin

Internasjonalisering

Anvendt forskning

Delportefølje Et velfungerende forskningssystem

Delportefølje Internasjonalisering

Delportefølje Kvalitet

Grunnforskning

Havbruk

Digitalisering og bruk av IKT

Klima

Naturmangfold og miljø

Tjenesterettet FoU

Utviklingsarbeid

Verifisering, pilotering, demonstrasjon (ny fra 2014)

Klimarelevant forskning

Hovedmålet med kreftbehandling er å eliminere kreftceller og dette er tradisjonelt oppnådd ved kirurgi, bruk av giftige medikamenter (cellegift) og stråling. En ny og betydningsfull tilnærming til kreftbehandling kalt immunterapi, har derimot fått mye oppmerksomhet det siste tiåret; Her forsøker leger og forskere å utnytte immunsystemet vårt for å målrettet  ødelegge kreftceller. En nøkkelaktør i denne banebrytende tilnærmingen er en gruppe «drapsmenn» i immunsystemet kjent som cytotoxiske T-lymfocytter (CTL-er). Disse cellene har en bemerkelsesverdig evne til å oppdage kreftceller ved å gjenkjenne unormale molekyler på overflaten av kreftcellene - molekyler som friske celler ikke har. Når CTL-er gjenkjenner kreftcellene ødelegger de dem ved å frigjøre giftige molekyler som initierer kreftcellenes selvdestruksjon. 
 
Selv om betydelige innsats har blitt dedikert til å forstå hvordan CTL-er aktiveres og hvordan de gjenkjenner kreftceller, vet vi mindre om de påfølgende hendelsene inne i kreftcellene som fører til deres død. Fra før vet vi at CTL-er kan initiere to forskjellige typer celledød i kreft: den første, kalt apoptose, er en stille og ordnet prosess der kreftcellene krymper og brytes opp uten å varsle immunsystemet; den andre, kalt pyroptose, er en mer dramatisk prosess som involverer dannelse av åpninger i cellemembranen, noe som fører til at cellene svulmer opp og sprekker. Under denne cellebristen blir innholdet inne i cellene frigitt i omgivelsene, og dette kan fungere som 'faretegn' som kan stimulere en sterkere immunrespons mot kreftcellene. Betydningen av denne cellebristen for å forsterke anti-tumorresponsene vil bli undersøkt i dette prosjektet. 
 
Videre er vi fascinert av muligheten for å avdekke ytterligere, ennå ukjente, former for celledød indusert av CTL-er. Utforsking av disse dødsrelaterte prosessene i kreftcellene kan potensielt øke effektiviteten av immunterapi og bidra betydelig i den pågående kampen mot kreft.

The primary goal of most cancer therapies is to induce cancer cell death. Immunotherapy relies on the cytotoxic activity of lymphocytes such as natural killer cells (NKs) and cytotoxic T lymphocytes (CTLs) to achieve this. While a significant amount of research in immunotherapy focuses on the events within cytotoxic lymphocytes or at the interface between cytotoxic lymphocytes and cancer cells, less is known about the molecular mechanisms that orchestrate cancer cell death, particularly in the case of CTL-mediated death.
CTLs are known to induce two types of cell death in cancer: non-inflammatory apoptosis and proinflammatory pyroptosis. Pyroptotic cancer cells release proinflammatory signals that attract immune cells to the tumor site, thereby enhancing the anti-tumor response. Cell lysis is a common outcome of pyroptotic cell death. It is unclear whether lysis can be decoupled from pyroptosis in cancer cells and whether the proinflammatory properties of pyroptotic cancer cell death depend on lysis. Moreover, it remains unknown whether CTLs can induce other forms of cell death in cancer, apart from apoptosis and pyroptosis.
Studying the mechanisms of CTL-mediated cancer cell death is challenging because CTLs selectively target cells expressing specific antigens. However, given the critical role of CTLs in immunotherapy, it is essential to deepen our understanding of CTL-induced cancer cell death.
This project aims to develop novel methodologies to investigate the death mechanisms that are initiated by CTLs. In addition, we will identify new pathways and mediators involved in CTL-induced cancer cell death. Furthermore, we will assess the contribution of proinflammatory cell death and lysis in promoting anti-tumor responses in vivo. Overall, this research will improve our knowledge of the molecular mechanisms of CTL-mediated cancer cell death and potentially reveal novel targets to enhance the efficacy of cancer immunotherapy.

T-cell-mediated proinflammatory cell death and lysis in cancer

En av de vanligste, men minst studerte, utfordringene med å bli eldre er problemer med å kommunisere. Mange eldre sliter spesielt med pragmatiske ferdigheter, som å forstå undertekst, eller tilpasse det de sier til personen de snakker med. 

La oss si at en lege må gi en alvorlig beskjed til en pasient. For å gjøre det litt lettere å takle, bruker legen vagere språk, som "kanskje" i stedet for "sannsynligvis". Mens yngre voksne ofte tar hensyn til høflighetsstrategier i måten de tolker det som blir sagt på, har eldre ofte vanskelig for å forstå når noen snakker indirekte. Mange eldre voksne har vanskelig for å forstå ikke-bokstavelig språk og kan misforstå alvorlighetsgraden av diagnosen. Dette kan påvirke beslutningen deres om behandling, noe som kan føre til utilsiktede konsekvenser. 

Siden god kommunikasjon er viktig både i viktige medisinske samtaler og i hverdagen, er det viktig at vi finner ut hva som gjør at eldre kan ha vansker med å forstå og bli forstått. RESILIENCE skal hjelpe til med denne utfordringen ved å samle data om praktiske, kognitive og språklige ferdigheter hos voksne i alderen 18-90 år over tid. Dette vil gi oss en stor mengde data om pragmatiske, kognitive og språk ferdigheter og gjøre det tilgjengelig for forskning. Med denne dataen som grunnlag har vi følgende mål: 

• Forstå hvordan praktiske evner endrer seg generelt gjennom voksenlivet. 
• Finne ut hvilke mekanismer som påvirker pragmatiske evner på forskjellige tidspunkter i livet.
 • Utvikle en teoretisk modell som forklarer hvordan pragmatiske ferdigheter endrer seg med alderen.
 • Lage algoritmer som kan forutsi hvordan pragmatiske evner vil utvikle seg for enkeltpersoner i årene som kommer. 
• Utvikle og teste et verktøy som kan måle pragmatisk helse (både pragmatiske ferdigheter og deres underliggende mekanismer), noe som kan åpne  for å iverksette tiltak. 

Dette vil gi oss muligheten til å forstå bedre hvordan folk kan utvikle pragmatisk resiliens gjennom livsløpet.

A cornerstone of human communication is our reliance on pragmatic skills to guide linguistic interactions (e.g., reasoning about others' mental states to bridge the gap between what is said and intended in conversation). However these skills are highly sensitive to age-related decline, leading to miscommunication and uninformed decision making in the older adult population. This raises an important question, one which has puzzled linguistics and psychologists for decades: if pragmatic competence is fundamental to communication, why do individuals vary so much in this capacity? 

Traditionally, psychologists have approached pragmatic competence from a cognitive angle, reasoning that individual differences in executive functions (i.e., the cognitive skills associated with goal-directed actions) are what underlie effective pragmatic behavior. In a similar vein, language scientists have taken a linguistic approach, reasoning that one’s language background (e.g., the frequency with which individuals shift between languages) shapes pragmatic skills by enhancing sensitivity to the communicative context. This focus on either cognitive or linguistic influences has resulted in two expansive yet disparate areas of research.

RESILIENCE will unite these disciplines to pursue a longstanding debate on what underlies pragmatic resilience and decline using a large-scale, interdisciplinary and longitudinal approach. By gathering data on adults' (ages 18-90) pragmatic, cognitive and language skills over multiple time points, we will develop a comprehensive theoretical model that explains how cognitive and linguistic systems interact to shape pragmatic competence as we age, and create algorithms that predict the trajectory of an individual’s pragmatic abilities in upcoming years. Based on these results we will design a multidimensional tool that detects the earliest signs of pragmatic deficits, leading to future interventions, allowing us to uncover the paths to pragmatic resilience.

Uncovering the paths to pragmatic resilience

Noen av oss tåler stressende livshendelser godt. Andre derimot utvikler vedvarende fysiske og psykiske plager som følger av stress. Hvor godt vi håndterer stress avhenger av et komplekst samspill mellom miljøfaktorer, sosiale forhold, biologisk sårbarhet og indre motstandskraft. Forskning på stressreaksjonene til dyr og pasientgrupper som til vanlig lever under mye stress viser at en gruppe signalstoffer i kroppen som aktiverer det samme hjernesystemet som cannabis – endocannabinoidene – kan begrense styrken på stressreaksjoner og bidra til at man raskere kommer seg til hektene. I dette prosjektet skal vi undersøke hvordan mestring av stress på kort og lang sikt henger sammen med nivåer av endocannabinoider i kroppen for å forstå hvorfor noen personer er mer motstandsdyktige mot stress enn andre. I den ene studien følger vi pasienter som skal gjennomgå en stressende, men veldig vanlig, situasjon: kirurgi. Her måler vi pasientenes opplevelse av stress, samt mentale og fysiske helse, fra tiden før til to år etter operasjonen og undersøker hvordan dette henger sammen med nivåene deres av endocannabinoider og andre stresshormoner. I den andre studien bruker vi data fra et eksperiment hvor deltakerne har blitt utsatt for psykososialt stress til å undersøke om endocannabinoidnivået deres påvirker hvordan de reagerer på stress, og om stresset i seg selv kan påvirke kroppens produksjon av endocannabinoider. Til syvende og sist er målet med studien å vurdere hvorvidt målinger av endocannabinoidnivåer kan brukes til å forebygge helseplager og til å evaluere behovet for økt oppfølging etter alvorlig stressende påkjenninger i livet.

In the face of major life stressors, some individuals cope well whereas others develop ill health and long-term adverse outcomes. Predicting who needs additional support in response to major life stressors is essential for targeted prevention and more efficient allocation of resources. The endocannabinoid system is emerging as a promising target for understanding vulnerability and resilience to stress. This system appears to buffer stress in two ways: by limiting the magnitude of the stress response, and by facilitating recovery after a stressful event. While the early findings are intriguing, they mainly stem from studies in rodents and small clinical groups with high stress burden. What role endocannabinoids have more globally for human resilience, health and well-being remains elusive. 

In this project we address this gap by leveraging comprehensive experimental and clinical data on two potent stress models: psychosocial stress and surgery. Drawing on these unique datasets, which combine experimental control with ecological validity, we will decipher how endocannabinoid levels influence people’s stress response and recovery across minutes, days, weeks and years. The project represents a novel directional shift for endocannabinoid research and will (i) determine the value of endocannabinoid levels as a biomarker to predict outcomes after surgery, (ii) quantify sex differences, (iii) assess endocannabinoid interplay with opioid analgesics, sex hormones and other stress markers (iv) spearhead open and reproducible science practices in endocannabinoid research, and (v) make this fine-grained and novel data available through an interactive web application. 

This project represents an ambitious effort to understand endocannabinoids’ role in stress resilience and will determine the value of endocannabinoids as a predictive biomarker and potential target for individualized treatment.

Deciphering endocannabinoid stress buffering in humans: 
Mechanistic and clinical investigations

WHeelchair Activity Monitoring project (WHAM)

Wheelchair users (WCU) are three to five times more inactive than the general population, leading to a high risk of developing preventable secondary conditions. Although physical activity (PA) guidelines have been specifically developed for WCU, we lack systematic approaches to implement them in practice, as well as valid algorithms to monitor PA change in WCU through sensor-based solutions. Accordingly, the overall scientific aim of the WHeelchair Activity Monitoring project (WHAM) is to advance PA research and practice in WCU by developing valid digital markers for monitoring of and providing feedback on PA, paving the way for implementation and intervention. I will accomplish this through combining the complementary research fields of 1) behavioural intervention studies focusing on increasing PA in WCU (core competence University of British Columbia, UBC; outgoing phase) and 2) sensor-based PA monitoring (core competence Norwegian University of Science and Technology, NTNU; returning phase – consolidated by non-academic placement at Maastricht Instruments, which develop research prototypes including PA monitors). WHAM’s scientific aim is achieved through three objectives: 1) Measure the effect of a pragmatic exercise intervention trial on self-reported physical activity levels and cardio-respiratory fitness, 2) Develop valid algorithms for tracking PA markers in WCU, and 3) Co-create a framework that outlines how PA can be conjointly monitored and provided feedback on in WCU. This fellowship will enable me to become established as an internationally recognized researcher in the field of “physical activity and disability”, while bringing together ongoing national disjointed research activities in this field. Altogether, my overall ambition is to contribute to reducing inequalities in daily-life participation among WCU compared to the rest of the population.

The goal of the Bilingual Experiences, Cognitive Ageing and underlying Mechanisms (BECAME) project is to examine the functional neuroplastic mechanisms underlying mitigatory effects of bilingual experience on age-related cognitive decline. While evidence is available for structural brain changes supporting bilingualism-induced effects on cognitive aging (CA), functional mechanisms underlying such effects are not yet well understood. BECAME aims to fill this gap by investigating the trajectory of bilingualism-induced functional neuroplasticity across the adult lifespan (ages 18-85), crucially adopting an individual differences approach related to measurable degree of bilingual engagement. Importantly, although such benefits are thought to be rooted early in the lifespan, evidence for the timeframe and conditions of their early emergence is scarce. The choice of including the whole adult lifespan allows us to investigate these mechanisms and their emergence more directly from a lifespan perspective. I combine behavioral testing with brain recordings via electroencephalography (EEG). EEG is widely used in cognitive neuroscience to assess brain activity and the degree of communication between brain regions (functional connectivity) in response to stimuli and at rest. Combining behavioral and EEG modalities will allow me to test bilingualism’s effect on functional connectivity, as well as its consequences for functional efficiency, the minimum required neural activation to successfully perform a task. This will enable a detailed, evidence-based account of the protective effects observed in older-aged bilinguals, and how they are built from earlier life stages. By illuminating the relationship between multilingualism and resulting neurocognitive adaptations, BECAME will enable to capitalize on it as a health initiative, with manifold societal implications and the potential to be translated into actionable policies exploiting multilingualism to ameliorate effects of CA.

Bilingual Experiences, Cognitive Ageing and underlying Mechanisms

Per- og polyfluorerte stoffer (PFAS) er en stor gruppe menneskeskapte kjemikalier med høyt fluorinnhold som antas å ha negative helseeffekter. Kilder til PFAS kan være produksjon av vann-, varme- og flekkbestandige produkter og disse kjemikaliene er en del av hverdagen vår. PFAS påvirkning av biologiske systemer er ikke fullstendig forstått. Noen PFAS er antatt å øke risikoen for å utvikling av ikke-alkoholisk fettleversykdom (NAFLD) og øke risikoen for diabetes. 

For å forstå hvordan PFAS påvirker organene våre ønsker vi å bruke små laboratoriedyrkede organmodeller, kalt organoider. Disse miniatyrorganene kan dyrkes fra menneskelige stamceller og tilbyr et kontrollert miljø for å studere hvordan PFAS påvirker f.eks lever og bukspyttkjertelen vår, uten bruk av dyreforsøk.

For å studere helseeffekter må vi kunne måle nivået av biomolekyler som fettstoffer i leveren og hormoner i bukspyttkjertelen. Til dette trenger vi å utvikle analytiske verktøy for å måle effektene. Først vil vi bekrefte at når leverorganoidene eksponeres for enkelte PFAS-forbindelser utvikles det NAFLD-lignende sykdom ved å sammenligne den biokjemiske profilen (proteiner og metabolitter) til organoider av lever med PFAS-eksponerte organoider. Deretter vil vi utvide den analytiske verktøykassen for å undersøke hvilke metabolske veier som påvirkes, og om effekten er den samme i NAFLD-induserte og PFAS-eksponerte organoider. Vi vil også eksponere insulinproduserende bukspyttkjertelorganoider for PFAS for å undersøke effekten av PFAS på hormonproduksjon. Når effektene av PFAS-eksponering på lever- og bukspyttkjertel-organoider er etablert, vil organoidene bli samkultivert i en chip, og effektene av PFAS-eksponering vil bli undersøkt og sammenlignet med individuelle organoider.

Persistent organic pollutants (POPs) are believed to contribute to metabolic diseases, such as non-alcoholic fatty liver disease (NAFLD) and type 1 diabetes. HE-POP aims to investigate the effects of per- and polyfluoroalkyl compounds (PFAS), a type of POPs), on organ function in a controlled environment.

Organoids are multicellular laboratory-grown miniature organs, that are grown from stem cells. HE-POP will use organoids to examine how PFAS affects our organs and develop cutting-edge bioanalytical tools and methodology to measure these effects using liquid chromatography-mass spectrometry. HE-POP hypothesizes that PFAS negatively affects organ function, as evidenced by changes in hormone and lipid levels characteristic of NAFLD and type 1 diabetes. 

Organoids offer a controlled environment to study the effects of PFAS on the liver and pancreas, without the use of animal models. HE-POP aims to gain evidence of the negative effects of PFAS on organ function through controlled experiments on organoids and aid in understanding the biological mechanisms underlying NAFLD and type 1 diabetes.

HE-POP has fundaments in UN sustainable development goals, specifically #3, #12, and #14/15, seeking an understanding of diseases with worldwide prevalence, and understanding how POPs affect our life and surroundings and help enable the right regulatory actions and replacement chemicals.

HE-POP: Studying the Health Effects of Persistent Organic Pollutants, Using Mass Spectrometry, Organoids, and Organ-On-A-Chip

Rundt 7% av norske 4-åringer har så store psykiske vansker at de kvalifiserer for en diagnose, men det tar ofte lang tid fra vanskene oppstår, til de blir oppdaget og barna får rett hjelp. Myndighetene har derfor lagt tydelige føringer for at de som jobber med barn, må vite hva de skal se etter og hvordan de skal gå frem for at barna skal få den hjelpen de trenger. I Norge går over 95% av barna i barnehage hvor pedagogene blir godt kjent med barna over tid i deres naturlige miljø og har utviklingssamtaler med de foresatte 1-2 ganger i året. Barnehagen skulle derfor være en ideell arena for tidlig oppdagelse av psykiske vansker. Det har imidlertid ikke vært tilgjengelig noen tilpasset metode for de arbeidsformene og terminologi som er vanlig i barnehagene. Vi har derfor utviklet metoden Dialogbasert tidlig oppdagelse (DBTO) i nært samarbeid med pedagoger og foreldre i 8 ulike barnehager. Metoden går ut på å bruke utviklingssamtalen mer systematisk ved at både foreldre og barnehagelærer på forhånd fyller ut et spørreskjema om mulige bekymringer de har hatt for barnets utvikling og trivsel de siste månedene. I samtalen kan de så utforske og forsøke å enes om forståelsen av barnet og om det er behov for ytterligere vurdering eller andre tiltak. Tilbakemeldingene under utviklingen og tidlig utprøving tyder på at metoden fungerer godt og oppleves som et nyttig verktøy i foreldresamarbeidet. For å få tydeligere dokumentert kunnskap om hvordan DBTO fungerer i barnehagene, har vi utviklet forskningsprosjektet PRO-DIALOG. Vi ønsker med det å få kunnskap om (1) hvordan DBTO fungerer som et screening-instrument, (2) hvor brukervennlig den er, (3) hvordan den påvirker tidspunkt for igangsetting av tiltak og (4) hvordan den påvirker utviklingen av den psykiske helsen til barna over tid. 12 barnehager er plukket tilfeldig ut til å gjennomføre metoden, mens 11 skal fungere som kontroller. Foresatte til rundt 300 barn som har tre år igjen av barnehagen, vil bli spurt om å delta.

There is an unambiguous call for early interventions at the municipal level for children at risk of developing mental health problems. However, there is a surprisingly absence of socially valid methods for detecting children in need of early support.
        The aim of the project is to establish the properties of such a novel method; Dialogue Based Early Detection (DBED). We will study its properties as a mental health screener, how well it is adapted in an ordinary kindergarten context, and whether it affects activation of interventions for mental health concerns and children’s future mental health.
        The novel aspect of DBED is the systematic assessment of the child’s development and well-being by the kindergarten teacher and his/her parents, and the subsequent dialogue that aims to explore and converge their understanding of the child and conclude whether there is a need for further assessment or supportive actions.
        Parents of approximately 300 children in 23 different kindergartens aged 2-3 years will be invited to participate for the three last years before school start and follow-up the next two years. The kindergartens will be randomized to an implementation group or a control group. Parents’ socio-demographic characteristics and data from parent-teacher meetings, initiated interventions, user satisfaction, parental stress, and child mental health will be collected biannually, as well as tape recordings from interviews about user experiences of parents and teachers.
        The most critical challenges of the project will be participation rate of the invited parents in addition to attrition due to the time pressures in a busy workday in the kindergartens, and willingness of the control parents to complete the repeated questionnaires. Appropriate measures are made to take those risks into account.

Promoting mental health in young children – a sustainable dialogue based approach in kindergartens (PRO-DIALOG)

InterNASH - An intercellular-pathway therapeutic for non-alcoholic steatohepatitis

Demografiske endringer fører til at andelen av befolkningen som er arbeidsfør er fallende. I tillegg til teknologisk utvikling og import av arbeidskraft vil det å beholde unge voksne i arbeidsstyrken i flere tiår være viktig for å kunne opprettholde en sterk velferdsstat. Samtidig viser studier en økende forekomst av psykiske plager blant unge vokse – spesielt depresjon og angst. Denne utviklingen gir grunn til bekymring, både for de unges helsetilstand og deres evne til å stå i arbeidsstyrken over tid.
Det finnes mange ulike forklaringer på økningen i rapporterte psykiske plager blant unge, som for eksempel bruk av sosiale medier, økt skolepress og et mer krevende arbeidsmarked. Samtidig har det blitt hevdet at økningen også kan reflektere et redusert stigma knyttet til psykiske helseproblemer, bedre behandlingstilbud og en økende tilbøyelighet til å søke medisinsk hjelp for psykisk ubehag som tidligere ble ansett som «normalt» , såkalt medikalisering.
YoungPsych-prosjektet vil undersøke om samfunnet har blitt mer eller mindre inkluderende for unge med psykiske helseproblemer, samt om unge voksne med psykiske problemer i dag har større (eller mindre) sannsynlighet for å fullføre utdanning og være aktive i arbeidsstyrken. Videre vil prosjektet belyse i hvilken grad skolepress, stressende arbeidsforhold og bruk av sosiale medier bidrar til økningene i psykiske helseproblemer blant unge. Ikke minst vil prosjektet undersøke i hvilken grad mer åpenhet om psykiske problemer og en økende tilbøyelighet til å søke medisinsk hjelp bidrar til den observerte økning i psykiske diagnoser.
For å besvare disse spørsmålene vil prosjektet benytte seg av norske registerdata og store befolkningsundersøkelser. Resultatene fra prosjektet vil kunne hjelpe beslutningstakere, forskere og den interesserte offentligheten til å bedre forstå de nylige økningene i psykiske helseproblemer hos ungdom og unge voksne, samt i hvilken grad dette kan forventes å påvirke arbeidsmarkedene i fremtiden.

A high rate of labor force participation is an important foundation of the Norwegian welfare state. At the same time, an increasing share of young adults is not participating in the labor market due to mental health problems. Moreover, the share of young adults seeking help for mental health problems is strongly increasing. Together with a demographic shift towards an older population during the next decades, these developments have stirred concerns regarding future cohorts' ability to participate in the workforce. Work force participation is both important for the welfare state and for an individual’s social and economic integration into society. 

Against that background, the YoungPsych-project will provide the best to-date knowledge about (i) the relationship between early-life mental health problems, educational attainment and labor market attachment; (ii) the impact of academic pressure and job characteristics on the likelihood of developing mental health problems; (iii) the extent to which a lower threshold for seeking help and a more widespread use of social media can explain the increase in mental health diagnoses.

With a highly competent interdisciplinary project team, the project will produce new knowledge that is highly likely to move the field forward. The empirical foundation of the project is a uniquely comprehensive register linkage, linked to population wide survey data from the Armed Forces' selection process, and large register-linked longitudinal population-based surveys. These data sources allow for examining changes during the past two decades and to take into account different aspects of mental health, including self-perceived mental health, help-seeking behavior and doctors’ diagnoses. The strength of the project lies in the combination of exceptionally rich longitudinal data, creative research designs, modern data analysis, and important and timely research questions.

Young adults’ mental health and labor market exclusion - causes, consequences, and trends

I denne randomiserte kontrollerte studien har vi som mål å optimalisere behandlingen av pasienter med juvenil idiopatisk artritt (JIA) som er i stabil remisjon. Å finne riktig behandlingsnivå hvor risikoen for sykdomsoppbluss er balansert med byrden av å ta medisiner og deres bivirkninger er svært viktig for pasienter, foreldre og helsepersonell.

JIA er den vanligste kroniske revmatiske sykdommen hos barn og ungdom, og rammer flest jenter. Sykdommen er karakterisert av leddbetennelser, og kan føre til leddskader og funksjonstap. Heldigvis, takket være moderne medisiner og behandlingsstrategier, kan mange JIA-pasienter oppnå "vedvarende remisjon" - uten symptomer på sykdommen.

Men fortsatt vet vi ikke: hvordan bør JIA-pasienter som er i remisjon best behandles? Det finnes ikke kontrollerte studier som veileder oss, og det foreligger ingen anbefalinger om hvorvidt behandlingen bør trappes ned eller avsluttes.

Derfor introduserer vi "MOVE-JIA": en nasjonal studie som vil inkludere JIA-pasienter i vedvarende remisjon behandlet med tumor nekrosefaktor-hemmere (TNFi) og metotreksat. De vil bli tilfeldig delt i tre grupper: A) Gradvis seponering av TNFi, B) Gradvis seponering av metotreksat, eller C) Fortsatt stabil behandling med både TNFi og metotreksat. Studiens hovedmål er å måle hvor mange pasienter i hver gruppe som opplever sykdomsoppbluss i løpet av et år.

MOVE-JIA studien vil bli den første studien som undersøker om å redusere metotreksat fører til færre sykdomsoppbluss sammenlignet med å redusere TNFi hos JIA-pasienter i remisjon. Studien vil også vurdere om behandling med kun TNFi eller kun metotreksat er like effektivt som kombinasjonsbehandling.

MOVE-JIA studien er et nasjonalt samarbeid som inkluderer alle barnerevmatologiske avdelinger i Norge og aktiv deltakelse fra pasientene. Dette sikrer rask overføring av resultater til klinisk praksis. Funnene vil gi etterlengtet kunnskap om hvordan vi best skal håndtere barn og ungdommer med JIA i remisjon.

Juvenile idiopathic arthritis (JIA) is the most common chronic rheumatic disease in children and adolescents and occurs 3-6 times more often in girls. It is characterized by joint inflammation with a potential for joint destruction and disability if not treated. Sustained remission (no sign of active disease) is an achievable goal in JIA after the introduction of biological agents such as inhibitors of tumor necrosis factor (TNFi) and treat-to-target strategies. However, strategies to best treat JIA patients in remission remains unclear. No controlled studies have addressed the effect of tapering strategies for JIA in remission, and there are no current recommendations for stepdown or optimizing maintenance treatment. Given the risks, side effects and costs of JIA medications, treatment withdrawal can give patients and families relief and improve their quality of life. 
The MyJIA-Ahead trial is a national, investigator initiated, multicenter, 36 months, RCT of JIA patients in sustained remission on TNF-inhibitor and methotrexate. 150 JIA patients will be randomized 1:1:1 at baseline to A) Stepwise withdrawal of TNFi, B) Stepwise withdrawal of MTX, or C) Continued stable treatment with TNFi and MTX. The primary endpoint is proportion of patients with disease flare within 12 months. Key secondary endpoints are time to flare and time to regain remission after flare. If a disease flare occurs, the patient will return to the full dose study medication (the treatment the patient was receiving at baseline). Exploration of risk factors for disease flare includes patients reported health status and preferences, clinical characteristics, immunogenicity, molecular signalling (transcriptional, cellular and genetic risk) and ultrasound assessment of synovitis.

While evidence-based advice for starting therapies in active disease is available, The MyJIA-Ahead will provide much needed knowledge about treatment continuation in children and young adults with JIA in remission.

Moving towards evidence-based treatment strategies for children with juvenile idiopathic arthritis in sustained remission: The MOVE-JIAtrial

Midlene fra F-INF-Naturvitenskap, informatikk fordelt på år

Midlene fra F-INF-Naturvitenskap, informatikk fordelt på fylker

Midlene fra F-INF-Naturvitenskap, informatikk fordelt på fagområde

Professor

Vi har sidan 1994 arbeidd med utvikling av objektdatabaser for handsaming av store datamengder. Dette prosjektet har hittil produsert rundt 20 publikasojnar.
Gjennom prosjektet skal det arbeidast saman med Serge Abiteboul i Verso-gruppa med "temporale que ries" i XML-databaser og anvendelse av desse i "continuous queries".

XML/Web databaser

Moderne AI-modeller er i stor grad datadrevne og er ofte trent fra mange (ofte tusenvis) eksempler av data med annoteringer. Med annoterte data mener vi data hvor innholdet i hvert sample er kjent. En svakhet ved slike datadrevne modeller er mangelen på sunn fornuft i form av å forstå kjente føringer, fysikk og andre regler som beskriver den virkelige verden. En konsekvens av dette er at når vi anvender modellene observerer vi ofte at prediksjonen kan motsi kjente føringer og regler.

Målet med dette prosjektet er å forbedre dyplæringsmodeller, en populær type AI-modell, ved å utnytte og integrere menneskelig kunnskap, føringer og fysikk i modellene. VI vil deretter bruke disse nye modellene for å avansere automatisk analyse av jordobservasjonsdata. Bruk av slik kunnskap vil hjelpe opplæringen av dyplæringsmodellene mer effektive. Dette betyr at vi vil trenge færre data eksempler for å trene modellene godt eller for å gjøre treningen mer nøyaktig. Det åpner også nye muligheter for å bruke ikke-annoterte data for å trene dyplæringsmodeller.

Prosjektet fokuserer på to jordobservasjonsutfordringer: kartlegging av myrområder og kartlegging av snødekke. Forventede resultater er forbedrede metoder for kartlegging av arealdekke. Dette vil bidra til bedre forvaltning av økosystemene i myrene. Forbedrede kart over snødekke vil gi bedre estimater av vannressurser tilgjengelig for vannkraftproduksjon og bedre overvåking av klimaendringer i kryosfæren.

Prosjektet starter 1. august 2023, er et samarbeid mellom NR, UiT, NIBIO og Edinsights.

Earth observation (EO) systems offer unprecedented volumes of data. To utilize this information, automated analysis of EO data is an ongoing research activity. Deep learning (DL) has revolutionized the analysis of image data and is currently state-of-the art for solving a wide range of remote sensing tasks. However, although DL can fit a relatively accurate mapping of the input data, it can easily fail to capture underlying rules and constraints.

The project goals are to integrate human knowledge, constraints and physics into DL models, to develop semi-supervised learning (SSL) methods that utilizes human knowledge, and to develop methodology to estimate the corresponding pixel-wise uncertainties. Critical R&D challenges include design of knowledge graphs and how such graphs can be efficiently integrated into DL models, how to perform SSL for multi-sensor and multi-temporal data where modalities may be missing, how to utilize integrated knowledge for improved learning capabilities, and how to efficiently model the pixel-wise uncertainties.

Methodology that enables the inclusion of human knowledge are of great interest within the research community and will have a big impact on next generation DL methods. This includes improved test accuracy, learning capabilities, trust, reliability, and understanding behind the reasoning. The methodology developed is generic and will therefore be applicable to other scientific challenges, outside of the stakeholders’ applications. 

The project focuses on two mapping challenges: wetland and snow cover. The outcome of this project will directly enhance our understanding of wetlands in Norway, and will contribute to reduced loss of wetland areas and maintenance of biodiversity and ecosystem services. Improved maps of snow cover will provide better estimates of water resources available for hydropower production. Moreover, improved snow cover estimates will enable better monitoring of climate changes in the cryosphere.

Next generation Earth observation data analysis by integrating human knowledge and AI

Deep learning er en maskinlæringsmetode som har revolusjonert bildeanalyse-fagfeltet de siste 10 årene med nøyaktighet som nærmer seg menneskelig ytelse. Metodene er datadrevet og baserer seg på dype nevrale nettverk som lærer seg sammenhengen mellom data og beskrivelse fra eksempler. En viktig forutsetning er imidlertid at en har store datasett å lære fra. 

COGMAR-prosjektet har fokusert på analyse av komplekse marine bildedata, ofte med begrenset mengde annoteringer. Store mengder marine data fra for eksempel ekkolodd og trålkameraer samles inn av både Havforskningsinstituttet og fiskebåter, og tolkning av disse er en viktig kilde til informasjon om bestander og fiske. Stadig mer data samles inn og sanntids-analyser av materialet vil bli aktuelt i neste generasjons marine tjenester. Målet i prosjektet er derfor å bidra til utvikling av metoder for mer effektiv automatisk tolkning av marine data som muliggjør utnyttelse av disse dataene på et nytt nivå og til nye tjenester. 

Vi har utviklet flere deep learning metoder for å analysere forskjellige typer marine data: trålkamera, otolittbilder og akustiske data. For trålkameradata har vi utviklet teknikker som automatisk detekterer hvert fiskeindivid og klassifiserer fiskeslag. Siden vi har begrenset mengde treningsdata har vi utviklet en simuleringsmetodikk, som simulerer fisk i trål i forskjellige situasjoner. Disse simulerte data blir brukt til trening av nettverket. Metodene for å detektere og klassifiser fisk i trålvideo er planlagt implementert i Scantrol Deep Visions trålkamera system. 

For otolittbilder, har vi utviklet metoder som automatisk estimerer alder til blåkveiteindivider ved å analysere bilder av otolittene. Vi har gjennomført studier med å forstå hvordan nettverket tolker otolittbildene, og funnet at deep learning teknikkene finner alder helt annerledes enn mennesker. For otolittdataene har vi også funnet ut at ytelsen blir dårligere med bilder fra et annet laboratorium. Vi har derfor utviklet metoder derfor tilpasser nye datakilder til nettverket trenet på norske otolittbilder. Prosjektets resultater har også blitt inkludert i web-portalen DeepOtolith. 

For akustikkdataene har vi utviklet metoder for å bestemme mengde og estimere fiskeslag fra akustiske data, og utvidet disse til å håndtere kontekstinformasjon som f.eks. dybde og avstand til havbunn for å øke ytelsen. Vi har også utviklet metoder som klarer å utnytte data som ikke er annotert til læring av nevrale nettverk (såkalt semi-supervised learning). Metodene for analyse av akustiske data som er utviklet i COGMAR har nå blitt implementert i Kongsberg Maritimes Blue Insight Platform.

Deep learning has been called the revolutionary technique that quietly changed machine vision forever, but is at present mainly applicable to standard RGB images of natural scenes or objects, or otherwise only for other types of imagery when a substantial amount of labelled data is available, which is seldom the case. 

This project aims at enabling this technology for computer vision problems anywhere, by developing easy-to-use cognitive solutions also for non-standard images and thereby extending the use of autonomous cognitive computer vision systems to new application areas. The methodology will be general and transferable to other domains such as medical imagery, remote sensing and various industrial applications. Within the project the aim is to solve key big data computer vision challenges in the marine sector.

The overall concept of the project is to exploit the power of deep convolutional neural networks (CNNs) by developing new solutions for learning necessary to classify, localize and segment objects in non-standard, sparsely labelled, image data. Motivated by the methods' ability to generalize and the fact that unlabelled data is often inexpensive to acquire, our approach for solving this will be based on three main concepts; (i) cross-domain transfer learning, (ii) semi-supervised learning and (iii) data augmentation and simulation.

Fisheries and aquaculture are major industries in Norway, and marine image data are acquired in a wide range of formats and modalities for various tasks. Automatic solutions for extracting information from these big non-standard image data will bring exploitation of these data in the marine science to a new level, enabling extraction of new knowledge and continuous monitoring of marine ecosystems. Solutions from the project will also contribute to innovation for industries manufacturing solutions for automated monitoring of fish and marine environments.

Ubiquitous cognitive computer vision for marine services

Ubemannede luftfarkoster (Unmanned aerial systems - UAS) som er i stand til å samle bildeinformasjon fra luften har blitt et nyttig verktøy for informasjonsinnhenting på stadig flere områder, f.eks. overvåking av kritisk infrastruktur eller 3D-modellering. Disse farkostene er mindre og mer manøvrerbare enn bemannede luftfarkoster, og kan dermed komme til steder som fly og helikopter ikke kan. En UAS, eller drone, er også i stand til å fly mye nærmere et interesseområde enn bemannede fly og kan dermed fange opp flere detaljer. I tillegg er UAS billigere enn bemannede farkoster. 

I dag er manuell analyse av bildedata fra droner standard teknikk for inspeksjon av kritisk infrastruktur for å finne avvik og endringer. Manuell analyse er svært ressurskrevende og kostbart og i sammenhenger der en har behov for raske svar, kan manuell analyse også bli for langsom.  Det jobbes derfor med løsninger som gjør det mulig å automatisere analysen av bildene. En utfordring er imidlertid at UAS benyttes for mange ulike formål. Orbiton har oppdrag av ulik karakter, ofte hvor svært ulike områder og/eller konstruksjoner skal inspiseres, og med krav til rask leveranse av resultater. Det er derfor behov for en ny, innovativ og intelligent løsning for automatisk avviksdeteksjon og endringsanalyse, som samtidig er effektiv, fleksibel, og lett kan tilpasses nye anvendelsesområder. 

InfraUAS-prosjektet har utviklet en helautomatisk løsning som betydelig effektiviserer analysen av UAS-data for overvåking av kritisk infrastruktur. Et viktig forretningsområde for Orbiton er bruinspeksjon, hvor dronebilder blir inspisert for kritiske anomalier som rust og sprekker i betong. Løsningen vi har utviklet er en AI-software basert på deep learning som skanner hvert enkelt bilde etter rust og sprekker, og segmenterer området hvor avvik er lokalisert. Data til å trene AI løsningen er etablert i samarbeid med Statens Vegvesen, hvor vi har fått tilgang på data fra bruinspeksjoner, og egne bildedata og annoteringer. Løsningen støtter også enkel tilpasning til nye anvendelsesområder, gitt at tilstrekkelig data er tilstedte. For eksempel har vi, i samarbeid med Orbits AS, benyttet AI-softwaren til å detektere rust på komponenter i prosessanlegg. Evalueringer av løsningen viser at vi effektivt detekterer både rust og sprekker, men at gode treningsdata er nødvendig.

Dette innovasjonsprosjektet skal utvikle en løsning for intelligent analyse av bilder fra ubemannede luftfarkoster (droner) for å oppdage avvik og endringer. Bruksområdet er overvåking av kritisk infrastruktur, som bruer, kraftlinjer og ras/skredutsatte vegstrekninger. Prosjekteier Orbiton har spesialisert seg på overvåking og kartlegging med bilder fra droner. I dag blir bildene tolket manuelt av operatører for å finne avvik (for eksempel skader, rust eller sprekker) og endringer over tid (for eksempel ras eller skred). Manuell bildetolking er tidkrevende og kostbart. Det er også kjedelig, dermed kan viktige avvik eller endringer overses av operatøren. Orbiton, og forskningspartner Norsk Regnesentral, vil utvikle en automatisk løsning for analyse av dronebilder. Orbiton vil benytte løsningen til å effektivisere sine egne analyseoppdrag av kritisk infrastruktur, men også tilby den som del av produktporteføljen som kan leies eller kjøpes av andre som trenger å analysere bilder fra droner.

F-INF-Naturvitenskap, informatikk

XML/Web databaser

Tildelt: kr 1,1 mill.

Sammendrag

Budsjettformål:

F-INF-Naturvitenskap, informatikk

Finansieringskilder

Temaer og emner