INOM
EXAMENSARBETE TEKNIK, GRUNDNIVÅ, 15 HP
STOCKHOLM SVERIGE 2019 ,
Direktfeedback för att uppmuntra till hållbar matkonsumtion
OLIVER SHIN
EMIL CLEMEDSON
KTH
SKOLAN FÖR ELEKTROTEKNIK OCH DATAVETENSKAP
Abstract
Global emissions are becoming an increasingly severe impediment for attaining environmental stability. Among other problems such as transportation and deforestation, foodstuffs account for a large portion of the total emissions caused by consumption. This paper presents the results of an eco-feedback study for the receipts of swedish foodstuff retailer Hemköp. The study was conducted to evaluate the educational and motivational impact of direct environmental feedback after a completed grocery purchase. This was made possible through the use of an email feedback service that informs the user of their environmental impact after every purchase. A two week test period with 25 participants, of which 12 completer the entire study, provides the data foundation for this paper. The results showed an increase in user emission knowledge for the specific groceries that the user came in contact with during the trial. Knowledge of other groceries also seemed to improve albeit not to the same extent. A change in motivation or behaviour was more difficult to ascertain as the test period was too short to gather any substantial statistical evidence. The qualitative user response to the service was also very varied but indicates a generally positive reception of the delivery method. Lastly we conclude that given the proper prerequisites there is great potential for future development of services providing direkt environmental feedback.
Direktfeedback för att uppmuntra till hållbar matkonsumtion
Oliver Shin
Kungliga Tekniska Högskolan
Skolan för elektroteknik och datavetenskap Medieteknik
oliversh@kth.se
SAMMANFATTNING
Globala utsläpp av växthusgaser blir ett allt mer allvarligt hinder för att uppnå stabilitet i miljön. Bland andra problem som transport och avskogning utmärker sig livsmedelsproduktion som en stor del av de totala utsläppet. I detta examensarbete presenteras resultaten av en miljöåterkopplingsstudie i samband med livsmedelsinköp. Studien genomfördes för att utvärdera den utbildande och motiverande effekten av direkt utsläppsåterkoppling efter inköp av livsmedel. Vidare undersöktes också hur en sådan tjänst kan utformas utifrån ett sammanfattande beteendeförändringsramverk. Detta möjliggjordes genom användandet av en e-mailbaserad feedbacktjänst som informerar användaren om dess miljöpåverkan efter varje inköp. En två veckors testperiod med 25 deltagare, varav 12 slutförde hela studien, utgör rapportens resultatgrund. Resultaten visade en ökad utsläppskunskap för de specifika matvaror som användaren kom i kontakt med under testperioden. Kunskap om andra matvaror verkade också förbättras, om än inte i samma utsträckning. En förändring av motivation eller beteende var svårare att fastställa eftersom testperioden var för kort för att samla in några väsentliga statistiska bevis, men en kvalitativ datainsamling visar att några personer upplevde ökad motivation. Sammantaget kan det konstateras att med rätt förutsättningar så finns det stor potential för vidareutveckling av tjänster som bygger på direkt miljöfeedback.
NYCKELORD
Matutsläpp; Koldioxidutsläpp; Livsmedel; Ekofeedback;
Direktfeedback; Digital beteendeförändring.
Emil Clemedson
Kungliga Tekniska Högskolan
Skolan för elektroteknik och datavetenskap Medieteknik
emilcl@kth.se
1. INLEDNING 1.2 Bakgrund
För att leva upp till Parisöverenskommelsen behöver vi minska våra utsläpp av växthusgaser med hälften till 2030. Ytterligare halveringar behöver sedan ske till 2040 och 2050 [2].
Överenskommelsens syfte är att förebygga destruktiv och oåterkallelig klimatförändring genom att inte låta den globala uppvärmningen överstiga 2°C. Då världens livsmedelskonsumtion står för upp till 29% av av alla växthusgasutsläpp är en mer hållbar matkonsumtion potentiellt avgörande [1].
En möjlig åtgärd för att angripa problemet är att begränsa inköp av de varor som orsakar störst utsläpp. Det finns ofta flera miljövänligare alternativ som med fördel kan ersätta mindre hållbara livsmedel. Denna studie handlar om hur man kan förändra konsumtionsvanor och uppmuntra befolkningen till att handla mer miljömedvetet. Vårt angreppssätt är att använda digitala övertalningsmetoder. Den här studien kommer huvudsakligen fokusera på lösningar som erbjuder lättillgänglig återkoppling baserad på individuellt beteende och att individen snabbt får feedback på sina personliga utsläpp [3].
Några livsmedelskedjor har nyligen infört digitala kvitton som substitut för det traditionella papperskvittot. Både Hemköp och Willys erbjuder sina kunder alternativet att välja digital kvittoleverans. Ica har inte digitala kvitton ännu men planerar att införa alternativet under 2020 [17]. I nuläget erbjuder de en tjänst som räknar ihop koldioxidavtrycket och sedan ger månatliga sammanfattningar baserat på kundens inköp [7].
Zapico et al. har tidigare undersökt hur man uppmanar konsumenter till att välja ekologiska alternativ i stället för icke-ekologiska [4]. Denna forskning visar att beteendeförändring kan underlättas om de tillhörande konsekvenserna åskådliggörs.
Digitala kvitton utgör eventuellt en bra utgångspunkt för att effektivt förmedla miljöfeedback till livsmedelskonsumenter.
Zapico undersöker hur visualisering av miljöinformation påverkar
konsumentbeteende och antyder att detta är ett effektivt sätt att översätta miljömedveten attityd till faktisk handling. Det uppmärksammas dock att försökspersonerna som deltog i stor utsträckning var positivt inställda till ekologiska livsmedel redan innan studiens genomförande [3].
Digitala beteendeinterventioner för att uppmana till mer hållbara livsmedelsvanor var ett relativt outforskat område. I en undersökning av Hedin et al. kommer de fram till att av de få studier som gjorts är det många som saknar en gedigen teoretisk grund inom beteendeförändring [10]. Därför kommer arbetet i denna studie utgå ifrån det sammanfattande beteendeteoretiska ramverket Behaviour Change Wheel.
1.3 Syfte
Syftet med denna studie var att utvärdera möjligheterna för en digital beteendeintervention som bygger på direktfeedback. Detta utforskades genom att koppla Hemköps digitala kvitton till en databas med information om koldioxidutsläpp. Det var också av intresse att undersöka om detta kunde bidra till mer hållbar livsmedelskonsumtion.
1.4 Problemformulering
Frågan som kommer att undersökas är: Hur påverkar direktfeedback om koldioxidutsläpp i samband med ett inköp personers inställning till och kunskap om att välja livsmedel med låga växthusgasutsläpp?
För att utvärdera detta kommer vi se över vilka möjligheter som finns det att skapa ett direktfeedbacksystem som bygger på den information som finns tillgänglig från livsmedelskedjor?
2. TEORI 2.1 Begrepp
Koldioxidekvivalenter - Koldioxidekvivalenter eller CO 2e är en sätt att tydliggöra ett utsläpp där utsläppta växthusgaser räknas om till motsvarande mängd koldioxid [14].
Livscykelanalys - En livscykelanalys är en analys om en produkts påverkan på miljön under produktens livstid [15].
2.2 Behaviour change wheel
Det finns många olika teoretiska ramverk om hur man går tillväga för att uppmuntra till en beteendeförändring. Behaviour Change Wheel ramverket (BCW) är en sammanfattning av 19 av dessa, som strävar efter att standardisera de interventioner som kan skapa beteendeförändring. Guiden presenterar olika designverktyg och hur de kan tillämpas för att leverera bästa möjliga resultat.
BCW användes som utgångspunkt för att motivera designen av den prototyp som utvecklats för den här studien [5]. Behaviour Change Wheel utgår ifrån en grundmodell som utgörs av tre komponenter. Modellen som heter COM-B illustrerar en samverkan av “Capability”, “Opportunity” och “Motivation”
som krävs för att skapa eller förändra ett “Behavior” (Se Figur 1).
“Capability” innebär de fysiska och psykiska förutsättningar som individen behöver för att hen ska kunna delta i den förväntade aktiviteten. “Opportunity”-komponenten av COM-B gör en distinktion mellan fysiska möjligheter i omgivningen och sociala möjligheter utifrån kulturella förutsättningar. “Motivation”
handlar om de mentala processer som styr och uppmuntrar ett beteende. Motivationen uppstår inte nödvändigtvis som resultat av ett medvetet beslut utan kan även vara en känslomässig reaktion.
Denna komponent kan också brytas ner i två subgrupper, reflektion och automatik. En reflekterande motivationsprocess bygger på planering och utvärdering medan den automatiska är känslomässig och impulsdriven.
Figur 1. Pilarna i bilden symboliserar systemets kausala länkar och poängterar att en förändring i ett område kan orsaka konsekvenser hos ett annat.
Helheten illustreras som ett hjul där COM-B utgör kärnan som omger navet. Runtom presenteras nio interventioner som kan användas för att facilitera en eller fler av komponenterna i COM-B. Det yttersta lagret innehåller sju stycken så kallade policies som beskriver sju olika alternativ för att genomföra interventionerna (Se Figur 2).
Figur 2. The Behaviour Change Wheel
3. DESIGN AV PROTOTYPEN 3.1 Beteendeanalys
Utvecklingsarbetet inleddes med hänsyn till en leveransmetod som på något vis kunde integreras med Hemköps digitala kvitton.
För att vidare kunna avgöra en lämplig utvecklingsriktning för prototypen genomfördes en analys baserad på den metod som presenteras i Behaviour Change Wheel [5].
Det första steget var att isolera vilket beteende som behövde förändras. Vid livsmedelshandel så finns det vissa varor som leder till väldigt stora utsläpp. Inköpet äger ofta rum i en butik, men kan också ske via en online portal. Målgruppen innefattar alla individer som utför livsmedelsköp. Med detta som utgångspunkt definierades ett målbeteende där konsumenter regelbundet tar del av utsläppsinformation för olika livsmedel (Se Tabell 1).
Tabell 1. Specify the target behaviour.
Target behaviour Att man tar del av kunskap om hur mycket utsläpp som olika livsmedel bidrar till.
Who needs to perform the behaviour?
Konsumenterna
What do they need to do differently to achieve the desired change?
Reflektera över inköpsvanor utifrån CO2-utsläpp
When do they need to do it?
Vid varje inköp
Where do they need to do it?
Eventuellt utförs denna reflektion på platsen för inköp. Att det blir en vana att associera det nya beteendet med mataffären exempelvis
How often do they
need to do it? Regelbundet With whom do
they need to do it
Ingen annan än en själv
Med ett fastslaget målbeteende kunde processen avancera till steg 2, identifiering av relevanta “components” utifrån COM-B.
Utifrån COM-B identifierades målbeteendet tillhöra komponenterna “physical capability”, “psychological opportunity” och “physical opportunity”. Mer specifikt att det existerar lättillgänglig information om livsmedelsutsläpp som presenteras i ett format som är förståeligt för allmänheten. Utöver informationstillgänglighet så identifierades också motivation som en viktig beståndsdel. Denna skulle fördelaktligen vara av automatisk karaktär där konsumenten förhoppningsvis upplever tillfredställelse genom att begränsa sitt utsläppsavtryck ( Se Tabell 2).
Tabell 2. Identify what needs to change.
COM-B Components
What needs to happen for the target behaviour to occur?
Is there a need for change?
Physical capability
Man behöver kunna använda smartphone eller dylikt med internet
Nej
Psychological capability
Ha tillräcklig kunskap om specifika livsmedel för att kunna avgöra vad som är bra/dåligt
Ja
Physical
opportunity En enhet för att kunna ta del av CO2-data. Att det finns data offentligt och lättillgängligt
Ja
Social opportunity
Att samhället uppskattar och värderar hållbar utveckling
Nej
Reflective motivation
Vi vet att det är dåligt med utsläpp så vi vill minska det
Nej
Automatic
motivation Det blir rutin att optimera sin konsumtion med hänsyn till utsläppsmängd
Ja
Slutligen användes ovanstående insikter för att välja lämpliga interventionsmetoder. Baserat på våra resultat i analysen förespråkar BCW “Education, “Persuasion” och “Enablement”
som möjliga interventioner för att producera den önskvärda beteendeförändringen (Se Tabell 3).
Tabell 3. Identify intervention functions.
Candidate intervention functions
Does the intervention function meet the APEASE criteria (affordability, practicality, effectiveness, acceptability, side-effects/safety, equity?
Education Ja
Persuasion Ja
Incentiviastion Nej, det är svårt att få till ett praktiskt belöningssystem Coercion Nej, etiska skäl. Vi har heller inte
möjlighet att tvinga fram något Training Nej, det handlar mer om att vilja
göra val
Restriction Nej, samma som Coercion, vi kan inte begränsa eller bestämma över användarna
Environmental reconstruction
Nej, hela samhället bygger på att konsumenter själva får handla livsmedel
Modelling Nej, det finns redan flera exempel på detta som inte verkar fungera
Enablement Ja
Utifrån de utvalda “intervention function”-kategorier kunde ett antal tekniker lyftas fram genom applicering med hänsyn till Behaviour Change Technique Taxonomy [12].
- 1.2 Problem solving - 2.2 Feedback on behaviour
- 2.7 Feedback on outcome of behaviour - 7.1 Prompts/cues
Varje punkt utvärderades för att klargöra hur den specifika tekniken kunde tillämpas för att facilitera vår intervention.
- 1.2 Problem solving
Visualisering av individuell utsläppsdata på ett lättöverskådligt sätt. När användaren kan identifiera negativa utsläppstendenser så blir det enklare att reducera sitt avtryck.
- 2.2 Feedback on behaviour
Visa konkret individuell utsläppsinformation baserad på livsmedelsinköp.
- 2.7 Feedback on outcome of behaviour
Tjänsten kan visa månatliga sammanfattningar för att åskådliggöra eventuell förbättring eller försämring. Placera data i relation till andra aktiviteter än livsmedel.
- 7.1 Prompts/Cues
Omedelbar återkoppling efter inköp som tillkännages av en notifikation från e-mail eller telefonapplikation.
3.2 Protoypen utifrån
interventionsfunktionerna Education, Persuasion och Enablement
Med dessa tekniker som utgångsläge kunde designen av en prototyp konkretiseras. Direkt återkoppling såg vi som webbtjänstens huvudsakliga slagkraft för att uppmuntra beteendeförändring. Syftet med denna tjänst var att förse användarna med mer information om konsekvenserna av deras matinköp. Större medvetenhet och kunskap om personliga utsläpp ger en bredare förståelse för livsmedelsutsläpp och underlättar för optimering av inköp.
3.3 Hur prototypen fungerar
Prototypen är uppbyggd kring ett pythonskript som körs på en server. Skriptet använder sig av modulen imaplib för att var tionde minut söka igenom en mailbox och se om det finns olästa mail.
Om skriptet hittar olästa mail så öppnas dessa och söks igenom efter digitala kvitto. Om ett kvitto hittas tar skriptet ut alla matvaror i kvittot och beräknar med hjälp av ett API deras koldioxidutsläpp. Utsläppen sammanställs sedan i en HTML mail
som sedanskickastillbaka till användaren med hjälp av modulen smtplib. Varuinformation och avsändare sparas i en databas.
Skriptets alla handlingar sparas också i en log. Det är möjligt att ha en högre inläsningsfrekvens än var tionde minut men vår mailtjänstsleverantör begränsade hur ofta imaplib tilläts läsa igenom mailboxen. Vid för hög frekvens under för lång tid återkallades skriptets läsrättigheter. Vi testade inledningsvis att köra var tjugonde sekund vilket tyvärr resulterade i detta problem (Se Figur 3).
Figur 3. Prototypens funktionalitetsflöde
1. Kvitto skickas till användaren från hemköp.
2. Kvittot vidarebefordras från användaren till prototypens mailbox.
3. Ett python script på en server läser av mailboxen och tar ut det nya kvittot.
4. Varor på kvittot skickas till LCAFDB API.
5. API:t returnerar varornas utsläpp.
6. Varorna och utsläppen sparas i en Databas.
7. Information om tidigare köp hämtas från databasen.
8. Ett e-mail konstrueras av python scriptet.
9. E-mailet returneras till avsändaren från vår tjänst.
3.3.1 Prototypens Data
Den data som används för att beräkna koldioxidutsläppen hämtas från databasen LCAFDB (Life Cycle Assesment of Food Database) med hjälp av deras API [8]. LCAFDB är en crowd-source’ad databas som innehåller livscykelanalyser för olika livsmedel. För att bevara och värna om informationens integritet förutsätter varje produkt en verifierbar källa.
3.3.2 Informationsextraktion från kvittot
När skriptet tar ut varorna från kvittot hittar den en namnsträng först. Efter det söker den efter en eventuell mängd av varan . När den slutligen hittar ett pris vet skriptet att all viktig information om varan är hittad. Därefter går det igenom namnsträngen en gång
till för att söka efter eventuell mängd i den. Om skriptet hittar information om pant, rabatt eller liknande hoppas de raderna över (Se Figur 4).
Figur 4. Exempel kvitto. Varorna på ett kvitto följer en syntax 1. En namnsträng t.ex SPARRIS GRÖN 250G.
2. Eventuell mängd i namnsträngen t.ex. (SPARRIS GRÖN) 250G.
3. Eventuell ny rad.
4. Eventuell mängd och med mängdpris t.ex.
2st*24,95 eller 0,170kg*39,95kr/kg.
5. Totalt pris för varan.
6. Eventuell rabatt, pant eller liknande.
3.3.3 Uppslagsverk och klassificering
För varje vara på kvittot hämtades namnsträng, antal och en eventuell vikt. Namnsträngen kunde sedan användas som sökord för att få ut utsläppsinformation från LCAFDB. Det var dock många varor som inte kunde klassificeras på detta vis för att deras namnsträngar från kvittot inte gav något resultat vid sökning i LCAFDB. Det skapades därför ett uppslagsverk innehållande en lista för varje vara som fanns tillgänglig i LCAFDB. Listorna innehöll information för att koppla ihop kvittovaror med korrekt motsvarighet i LCAFDB. Dessa listor kunde sedan utökas iterativt med information från kvitton som behandlats av prototypen. När en namnsträng ska klassificeras kontrolleras det först om den existerar i uppslagsverket. Om strängen finns identifieras varan på kvittot som en motsvarande vara i LCAFDB-databasen. Om den inte finns körs samma process igen på eventuella enskilda ord från samma sträng. Om ett enskilt ord hittas i uppslagsverket identifieras hela strängen till den varan. Exempelvis skulle en sökning på LANTCHIPS SALT i uppslagsverket returnera CHIPS som sedan kan användas i LCAFDB för att få information om utsläpp.
Om kvittot saknar information om vikt utförs en konvertering.
LCAFDB har en funktion för att konvertera X stycken av en vara till Y gram av samma vara. Vissa varor kommer dock i paket av flera. Exempelvis ett paket bröd innehållande 5 skivor. I de fallen
behövde vi definiera en egen godtycklig
styck-till-gram-omvandlare. Värdet valdes då ut manuellt genom att söka upp den typ av varan i fråga på hemköps onlinebutik. Det gjordes sedan en ungefärlig uppskattning på medelvärde av gram/st. Omvandlingsvärdena och uppslagsverket sparas i en textfil som läses in av scriptet vid varje körtillfälle. På så vis kunde det ske iterativa förbättringar av varuidentifieringen under testperioden.
3.4 E-mail
En e-mailtjänst utvecklades som verktyg för att leverera snabb återkoppling om ett inköps koldioxidavtryck. Målet var att kunna erbjuda överskådlig information på ett snabbt och enkelt sätt.
Initialt diskuterades även andra alternativa gränssnitt exempelvis att användaren kunde få tillgång till sin feedback genom en applikation på sin mobilen. Det beslutades dock att detta var funktionalitet som inte var absolut nödvändig för en prototyp och valdes bort för att begränsa arbetsbördan under utvecklingsarbete.
En snabb informell undersökning utfördes genom att fråga andra personer tillhörande samma målgrupp som studiens testpersoner.
Av dessa verkade en klar majoritet ha mobilnotifikationer påslagna för sin mail.
3.5 Inköpsutsläpp
Utsläppsanalysen i mailet är uppdelad i två delar där den första är en sammanfattning av det aktuella inköpet. Den vara som bidragit till störst utsläpp placeras högst upp. Utsläppen representeras också av staplar för att visuellt förtydliga skillnader i omfattning[4]. Dessa staplar har olika färger som visar på hur stort utsläpp som avges per kg. Grön färg betyder att en vara släpper ut relativt lite kg CO 2e per kg under sin livscykel. Röd färg betyder att varan släpper mycket kg CO 2e per kg under sin livscykel. Ytterligare två nivåer som återfinns är gul och orange.
Färgsystemet kan förenklat sammanfattas på följande vis: litet utsläpp < Grön < Gul < Orange < Röd < stort utsläpp.
Färgkodningen är ämnad att göra det lätt för användaren att snabbt kunna jämföra olika varor utan att behöva läsa de exakta numeriska värdena. Det blir också enkelt att se vad som ger stort respektive litet utsläpp per viktenhet. En standardiserad konvention för färgkodning på visuella displayer är att röd färg ofta likställs med något hotfullt. Grönt är tvärtemot något positivt [11] (Se Figur 5). Gränserna valdes ut för att ge en relativt jämn fördelning av färgrepresentation. Det röda intervallet kommer ofta att innefatta rött kött som nöt och fläsk. Det orangea intervallet avses inkludera ost och kyckling. Det gula intervallet avses inkludera andra mejeriprodukter och ägg. Slutligen är det gröna
intervallet ämnat att innehålla de varor som ger väldigt låga utsläpp, exempelvis potatis. Matkalkylatorn på WWFs svenska hemsida har använts som utgångspunkt[21].
Figur 5. exempel på en Dagens inköp del.
3.6 De senaste 30 dagarna
Del två av mailet är en sammanfattning av de senaste 30 dagar som visualiseras enligt samma system som i del ett. Utsläpp per viktenhet kan variera markant mellan olika livsmedel.
Tidsperspektivet som presenteras här är tänkt att underlätta varujämförelse över flera inköp. Ett konkret exempel på denna funktionalitet är vid inköp av varor som har stort utsläpp per viktenhet men inte handlas i stor mängd. En vara med litet utsläpp per viktenhet inhandlas ofta kan då potentiellt bidra till ett större totalutsläpp (Se Figur 6).
Figur 6. exempel på en De senaste 30 dagar del.
3.7 Enheter
Enheterna g CO 2eoch kg CO 2e kan vara svåra att relatera sätta i relation till vardagsaktiviteter [18, 19]. Det inkluderades därför en konvertering till km körsträcka med en personbil. Omvandlingen till sträcka baseras på att en standardbil släppte ut 149 gCO 2/km under 2018 [6].
4. METOD
I undersökningen använde vi oss av testpersoner från medietekniksprogrammet på KTH. Deltagare rekryterades genom kursen “DM1578 Programintegrerande kurs i medieteknik”. De som var villiga att handla på Hemköp mer än en gång per vecka och använda sig av digitala kvitton efterfrågades. Deltagandet krävde också att försökspersonerna tillåter att kvittona vidarebefordras till studiens prototyp. Medverkande fick i förväg ange om de hade möjlighet att delta i fokusgrupper efter undersökningens genomförande.
Deltagarna fick först boka in ett möte en vecka innan studiens start. Vid mötet hjälpte vi dem att aktivera automatisk vidarebefordran av deras digitala kvitton från hemköp till prototypen. Det skapades också ett blockfilter som gjorde att när ett mail från en användare anlände till vår prototyp skickades resultatet inte tillbaka. Efter ungefär en vecka stängdes blockfiltret av och studien startade. När ett mail då togs emot av prototypen så skickas ett svar tillbaka till studiedeltagaren innehållande information om inköpets CO2-utsläpp. Innan blockfiltret stängdes av förbättrades tjänstens klassificering ytterligare genom att använda oss av de kvitton vi hade fått från testpersonerna under veckan.
Efter testperioden på två veckor utfördes fokusgruppsintervjuer med fokus på kvalitativ feedback om prototypen. Intervjuerna var öppna förutom ett fåtal förbestämda frågor ämnade att avskärma diskussionen till vissa områden. Deltagarna informerades i förväg att dem har rätt att avbryta närsomhelst utan att behöva uppge varför. De tillfrågades också om medgivande för ljudinspelning.
Testgruppen utgjordes i sin helhet av tre stycken fullständiga fokusgrupper som bestod av 3-5 personer vardera. Som ledare för fokusgrupperna försökte vi anta en modererande roll i diskussionen. Deltagarna uppmanades att använda frågorna som utgångsläge för att diskutera sin upplevelse med varandra. Alla diskussioner varade mellan 20 och 30 minuter. Slutligen utfördes en tematisk analys av de transkriberade diskussionerna [16].
Det sista steget som utfördes var att sammanfatta prototypens träffsäkerhet vid klassificering. Genom att granska prototypens loggar och jämföra med Hemköps onlinebutik kunde det fastslås hur många klassificeringar som utförts korrekt.
5. RESULTAT
I det här kapitlet presenteras resultatet från undersökningen.
Studien innehåller både kvantitativa och kvalitativa moment som alla kommer att presenteras nedan.
5.1 Fokusgrupper
Av de ursprungliga 25 deltagarna var det 12 som slutförde hela studien. Bortfallen berodde på att två hade problem med att få sina kvitton från Hemköp och två stycken kunde inte närvara vid fokusgruppstillfällen. Resterande personer hörde inte av sig och närvarade inte vid fokusgruppsdiskussionerna. Fokusgrupperna som användes för datainsamling bestod av fem, tre respektive fyra personer. Könsfördelningen utgjordes av fyra män och åtta kvinnor. Åldern varierade mellan 19 och 27 år.
5.1.1 Uppslutning
Nästan alla (10 av 12) försökspersoner som genomförde studien hade läst den utsläppsinformation som skickades ut av vår tjänst.
De två personer som inte tagit del av informationen motiverade det på följande sätt.
“Jag kollar aldrig mina kvitton när jag handlar heller. Lite samma att nu är det där, men jag har inte nytta av det.” Person 1 i grupp 1
“Jag handlade aldrig på hemköp under de här två veckorna så det gick inte så bra.” Person 5 i grupp 3
5.1.2 Direktfeedback
Deltagarna var överlag positivt inställda till att få direktfeedback.
Det gavs olika anledningar till varför det var en fördel med direktfeedback. En person tyckte att det var bra för att det var svårt att ignorera medan nyfikenhet verkade vara den främsta drivkraften för två andra.
“Det var också bra att varje gång man handlar så fick man ett mail. Inte att idag så går jag blind och skiter i allting utan det plingar alltid på mobilen. Vilket jag tyckte var bra.”Person 3 i grupp 3
“Jag liksom väntade varje gång efter att det handlats och sen där kom det.” Person 1 grupp 1
“Men jag gillar att man fick feedback direkt.” Person 2 i grupp 1 Några få (1-2) personer upplevde att de fick för många mail. En av dessa tyckte att det kunde räcka med ett sammanfattande mail varje månad.
“Jag skulle kunna tänka mig om det var ett mail. Om det samlade det och sen skickade ett mail i slutet av månaden eller något sånt.
Jag har redan jättemycket spam.” Person 3 grupp 1
5.1.3 Hur förbättrar jag som användare mina utsläpp?
Vid varje grupptillfälle diskuterades avsaknaden av förslag på åtgärder som användaren kan vidta för att förbättra sitt utsläpp. En person upplevde att det var jobbigt att få reda på sina utsläpp utan att få tips på hur hen kunde agera för att reducera dem. Följande citat illustrerar några åsikter som presenterades i samband med detta tema.
“Man vill veta vad som är bra och vad som är dåligt så att det är lätt att ta beslut.” Person 4 i grupp 1.
“Men just som du säger att man just efter det aktivt kan göra val.
Att det inte blir såhär mycket släpper du ut. Typ 12 ton. Men ok hur ska jag göra för att bli bättre eller hur kan jag påverka varje månad.” Person 3 i grupp 3.
“Men att det varit nice att man kunde gruppera, fortsätt köp mer av det här, köp mindre av det här liksom. Aa lite så.”Person 3 grupp 2.
Flera personer uttryckte dock en positiv uppfattning till användandet av färgkodning för att särskilja olika varors utsläpp per viktenhet. Samtidigt menade flera att informationen som presenterades i siffror var förhållandevis ointressant om man visste om vilka reduceringsåtgärder som finns tillgängliga.
“Ja eftersom att det var liksom färger så var det väldigt tydligt, en siffra säger ju inte så mycket.” Person 2 grupp 3.
“Jag kollade mest på färgerna och inte på siffran. Det var inte kilonormerat utan per så många gram man hade köpt. Därför kollade man mest på färgen.” Person 1 grupp 1
“Inte i kg CO 2, det blir så himmla icke greppbart. Mer färgmässigt tror jag att man lär sig någonting. Så själva den metoden är nog bra. Jag gillar att man handlar och får kvittot direkt men jag skulle aldrig orka lära mig siffrorna.” Person 1 i grupp 1
“Jag tycker grundidén var jättebra och det funkade jättebra. Jag tycker det var bra med alla färgkodningar och man såg konkret hur mycket det var. Det var bra att man fick det på mailen så det var lätt att bara kolla på mailen varje dag och så kunde man klicka in lite snabbt och se direkt. Jag tror också att det finns jättemycket utvecklingsmöjligheter att man skulle kunna sammanställa det på en app eller en webbsida och ge en tips om vad man kan göra typ. Det är jättemycket som kan bli bättre men
det var väldigt liksom, själva grundidén var bra och funkar jättebra nu för det här.” Person 1 grupp 3
5.1.4 Val av informationskanal
Angående den valda informationskanalen, e-mail, fanns det väldigt spridda åsikter. Både för och emot.
Asså ok största är att jag inte har minne på mobilen, så jag är väldigt begränsad i mina appar. Det är nog därför som jag bara har appar som jag använder och jag vill inte ha någon som jag går in på och slökollar.” Person 1 i grupp 2
“Det är nice för att man går in på alla sina mail som kommer till en vanligt. I din inbox så står det alltid en etta om du inte går in på dom. I en app så blir det inte samma sak.” Person 3 i grupp 3
“Jag får ändå notiser för mail. Så då är det som att man får en notis varje gång man handlar, så det hade lika gärna kunnat vara en app.” Person 2 i grupp 1
“Ja men då skulle man också kunna samla allt. Nu lagras det liksom i varje mail som skickas. I en app kan man bara uppdatera siffran.” Person 1 grupp 1
5.1.5 Motivation och kunskap
Fokusgrupperna uppmanades också till att diskutera motivation och kunskapsintag i samband med studien. Många sig varken mer eller mindre motiverade att söka upp alternativa livsmedel efter att ha genomfört studien. Några få tyckte att de hade blivit mer motiverade efter att ha sett sina resultat.
“Mm. Men jag kände att jag blev motiverad av att jag fick ångest av det, men jag kände inte att jag fick, jag vet inte, jag tror det är av mig som person att jag inte blev tillräckligt motiverad för att faktiskt ändra saker.” Person 1 i grupp 3
“Jag tyckte typ nästan inte, jag kände att, jo man blev motiverad men samtidigt nä, det finns ingenting jag kan köpa. Det kändes lite hopplöst. Det är såhär ahaa nu köper jag, jag köper bara vegetarisk mat och så är det ändå såhär 20km med bil när jag köper jättelite grejer. Det var lite jobbigt typ. Men jag menar det kanske är så att man får se den bittra verkligheten också .” Person 3 i grupp 3
“Nä. Så för mig blev det mer såhär impulsköpsgrejer. På det sättet så påverkade det inte motivationen alls för det är inte där jag gör mina stora val.” Person 3 i grupp 2
Testpersonerna uttryckte också en liknande inställning till eventuella lärdomar de skulle ha tillgodogjort sig under studiens gång. Några personer nämnde att de hade blivit bättre på att
avgöra vilka matvaror som ger större utsläpp än andra. Ett problem som lyftes fram av en person i den första fokusgruppen var att det inte går att veta om något är dåligt innan man köper det.
“Tror det nästan hade varit bättre att kunna se innan man köper hur miljöfarligt det är. Men jag tror att för mig påverkade det kanske lite. Jag vet inte. Samtidigt kände jag att jag ville testa att köpa typ KOL. Bara för att kunna jämföra lite.” Person 2 grupp 1 Det var också vissa varor som testpersonerna reagerade extra på.
Exempelvis ris och bananer.
“A men det tycker jag. Jag visste att ris var dåligt men inte så dåligt i förhållande till det andra jag köpte.” Person 1 i grupp 2
“Jag tyckte att det var bra att man fick en jämförelse med bilgrejen. Det var ju sjukt det kändes som man köpte en banan, det här är 4 mil med bil.” Person 3 i grupp 3
“Ost? Eller bananer tror jag att jag reagerade på. För det var mycket sämre än andra frukter” Person 2 i grupp 1
Ingen ansåg dock att de tillgodogjort sig kunskap om exakta utsläppsvärden.
5.1.6 Om de var villiga att fortsätta använda prototypen
Minst två personer uttryckte att de kunde tänka sig fortsätta använda prototypen även efter studien. Flera andra verkade vara instämmande men uttalade sig inte direkt.
“Asså jag tycker det är lite intressant för jag kommer nog aldrig göra det själv, alltså söka upp aktivt vad det har för utsläpp för varje grej jag köper. Så jag tycker det är ett rätt snabbt sätt att få överblick över vad det faktiskt släpper ut.” Person 1 i grupp 2
“Jag hade absolut kunnat tänka mig att fortsätta använda men kanske i en app då istället. Och asså jag vet inte. Det är som du sa att det är det man handlar det är ändå personligt, jag hade nog inte velat göra det för alltid och alltid, typ skicka det till er.”
Person 1 i grupp 1
5.2 Klassificeringen
Tabell 4. Klassificeringsprecision.
Rätt Klassificerade 193 Fel Klassificerade 14 Ej Klassificerade 149
Inte livsmedel 42
Totalt 398
Under testperioden köptes 398 och av dem var 356 livsmedel och kunde då klassificeras. Av dem klassificerades ca. 54% till rätt produkt och ca. 4% till fel. Resterande kunde inte klassificeras (Se Tabell 4).
6. DISKUSSION
Syftet med vårt arbete har varit att undersöka om det går att påverka val av livsmedel genom att bli påmind om de utsläppskonsekvenser som ges av olika produkter. För att återknyta till studiens inledande frågeställning. “Hur påverkar direktfeedback om koldioxidutsläpp i samband med ett inköp personers inställning till och kunskap om att välja livsmedel med låga växthusgasutsläpp?
6.1 Analys
Resultatet indikerar att de flesta personer som deltog i studien exponerats för den information som utfärdades i feedbackmailen.
Det observerades också att vissa personer upplevde ökad kunskap om specifika livsmedel till följd av att ha använt prototypen. Detta märktes tydligast då några deltagare uttryckte att det hade reagerat på att vissa varor släppte ut mer än vad de trodde att de skulle släppa ut. Det var dock svårt att evaluera hur mycket de lärde sig under den korta testperiod.
Direktfeedback bemöttes positivt av flera testpersoner.
BCW-metodens teknikförslag “Prompts/Cues” verkade alltså i detta avseende överensstämma med studieresultatet.
“Problem solving”-tekniken beskrivs i BCTT som att användaren själv får analysera de faktorer som orsakar ett beteende. Denna analys förväntas sedan hjälpa användaren att formulera en strategi för att påverka beteendet i fråga. Vidare framgår det att analys och identifiering utan att komma fram till en lösning är otillräckligt för att utnyttja “Problem solving”-tekniken. Detta är uttrycks eventuellt i vårt resultat, nämligen att personer lyckas identifiera
sitt beteende genom den information som förses men sedan inte vet hur de ska gå vidare för att åstadkomma en förbättring.
6.2 Förbättringar av prototypen
Resultatet visar att många testpersoner saknade ett enkelt sätt att få tips om vilka åtgärder som skulle kunde förbättra deras utsläpp.
Detta antyder potentiellt att färgkodningen ensam inte gav tillräckligt med understöd för att facilitera en beteendeförändring.
Färgkodningsfunktionaliteten bidrar endast med att ge användaren visuell feedback på hur olika livsmedelsutsläpp förhåller sig till varandra. För större genomslag krävs det mer än att enbart visa vilka matvaror som är sämre än andra. Inför framtida iterationer av vår prototyp kan det därför vara av intresse att komplettera med förslag på matvarusubstitut som ger ett mer förmånligt utsläpp. Denna information skulle med fördel kunna byggas upp genom crowd-sourcing. Ett annat förbättringsförslag som angår samma område var möjligheten att kunna se i förväg vilka varor som är bättre eller sämre. Införandet av en sökfunktion som länkar direkt till databasen skulle då vara ett sätt att underlätta för användaren att söka efter livsmedelsinformation själv. Givet tillräckliga tidsresurser finns det potentiellt inga uppenbara nackdelar med att implementera båda dessa förslag.
Ett annat viktigt tema som diskuterats är den kanal som använts av prototyp för att kommunicera utsläppsinformation till användaren. Fokusgrupperna jämförde huvudsakligen e-mailbaserad återkoppling kontra återkoppling från en telefonapplikation. Det gick inte att utröna majoritetsstöd för någon av leveransmetoderna, men det finns trots det flera argument som understryker att e-mail var ett lämpligt val.
Exempelvis var det några personer som uttryckligen påstod att de läser sin mailbox regelbundet. Leveransmetoden kan således anses vara en ganska pålitlig kommunikationskanal. Ett problem som dock framhävdes var att e-mail lätt kan försvinna i mängden hos en väldigt aktiv mailbox. Med det i åtanke kan det var en fördel att avskärma utsläppsinformation till en fristående telefonapplikation. Detta ger också större möjlighet att skapa en mer interaktiv och visuellt tilltalande upplevelse då många mailklienter erbjuder väldigt begränsad mailstilisering.
Ytterligare en diskussionspunkt som väckte intresse var förslaget att införa jämförelsefunktionalitet. Ett exempel som togs upp innefattade förmågan att se sina utsläpp i förhållande till ett nationellt genomsnitt, en hållbarhetsgräns eller en leaderboard.
Dessa förslag skulle alla kunna kopplas till en BCT-teknik i Behaviour Change Technique Taxonomy. 6.4 Social comparison föreslår social jämförelse som katalysator för att uppmuntra till beteendeförändring. Förslaget beskrevs av BCW som en något mer ovanligt förekommande teknik i samband med våra utvalda interventionsfunktioner och valdes bort med detta i åtanke.
Ytterligare teknisk arbetsbörda var också bidragande till beslutet.
Med hänsyn till att flera testpresoner dock uttryckte önskemål om en jämförelsefunktionalitet så är detta ett potentiellt förbättringsområde för framtiden. BCW verkar annars ha bidragit med träffsäker identifiering av lämpliga beteendeinterventioner i de flesta avseenden.
Fokusgrupperna tillfrågades mot slutet av varje diskussionspass om de kunde tänka sig att fortsätta använda protypen i sin vardag.
Två personer kunna tänka sig att göra det om det tillkom lite förbättringar. Under denna punkt framgick det också att en person kände sig obekväm med att deras inköpsinformation behandlades och sammanställdes av prototypen. Möjligen finns all denna information också sparad hos livsmedelskedjorna eftersom de skriver ut ditt kvitto. Sammanfattningsvis kan man konstatera att en skarp produkt måste förmedla verksamhetstransparens i enighet med GDPR och andra personuppgiftsförordningar [20].
6.3 Klassificeringen
Ett av de största problemen med prototypen var att klassificeringen inte fungerade felfritt. Den automatiska klassificeringen uppnådde inte fullständig täckning av Hemköps lager utan det kvarstod många varor som inte kunde identifieras.
Rent praktiskt låg utmaningen i att koppla strängarna från kvittot till ett motsvarande livsmedel i databasen LCAFDB [8]. Då många av namnsträngarna på kvittot inte fanns i LCAFDB använde prototypen ett textfilsbaserat uppslagsverk för att mappa namnsträngar till existerande varor i LCAFDB. Detta uppslagsverk byggdes upp genom att för de tillgängliga varorna i LCAFDB för hand definiera tillhörande explicita kvittosträngar.
En typiskt svårtolkad sträng för prototypen kunde vara om namnet innehöll “2 för 42:-” eller liknande. Denna sträng skulle dessutom vara svår att tolka manuellt då strängen i det här fallet motsvarade mozzarella.
Det andra problemet var när vikten eller mängden på en vara inte fanns med på kvittot. Detta åtgärdades genom att anta godtyckliga standardvikter för vissa typer av varor som har motsvarigheter i LCAFDB[8]. En konsekvens av detta var dock att det ibland blev stora fel när denna grova uppskattning hamnade långt ifrån verkligheten.
“Jag köpte parmesanost. Det kändes väldigt, det stod 4,5 kilo för 20 gram. Jag ba, det måste vara fel.”
Person 3 i grupp 3
Standardvärdet som användes för beräkning var i detta fall 500g vilket gav ett väldigt missvisande utsläppsresultat.
Eventuellt finns det mycket mer data internt hos Hemköp än vad som visas i kvittotexten. Tillgång till mer information om varje vara kan potentiellt vara till stor hjälp för att undvika liknande problem i framtiden. Speciellt intressant vore det att kunna få ut
en kategori baserat på varje varas namn. Om det gick att direkt veta att mozarella tillhör kategorin “ost” så skulle det inte behöva göras lika många antaganden. Det hade också varit intressant att få reda på vikten av varorna från Hemköp så standardvikter inte skulle behöva antas. I onlinebutiken visas en varuvikt och vi antar att den finns hämtad från en databas.
Även utan Hemköps data finns det utrymme för att göra klassificeringen ännu bättre genom att bygga ut uppslagsverket.
Efter en veckas utbyggnad av uppslagsverket kunde prototypen klassificera ungefär 54% av varorna korrekt och ungefär 4% fel.
Det är därför troligtvis möjligt att bygga upp ett uppslagsverk relativt snabbt. Viktkonverteringen skulle också gynnas av ytterligare utbygnad genom att ange mer specifika och varierade standardvikter för Hemköps varor. Detta skulle dock kräva mer arbete för att implementera detta.
Anledningen till att prototypen klassificerade vissa varor felaktigt var på grund av lösningen som styckar upp kvittots namnsträngar i enskilda ord. En fördel som gavs av detta var att prototypen kunde klassificera mer varor med ett mindre uppslagsverk. Systemet medförde dock vissa felklassificeringar. I en slutgiltig tjänst med ett större uppslagsverk skulle det vara möjligt att motverka denna effekt och reducera felklassificeringen ytterligare. Om vi i framtiden tar fram ett tillräkligt stort uppslagsverk blir det möjligt att helt koppla bort uppstyckningsfunktionaliteten. Det skulle eliminera alla felklassificeringar som uppstår till följd av mappning mot LCAFDB.
Utöver de svårigheter som uppstod på grund av vår implementationsdesign så finns också en brister hos LCAFDB.
Det finns ett stort antal varor som är nästan omöjliga att klassificera utifrån det funktioner som ges av LCAFDB’s API.
Halvfabrikat och färdiga maträtter utgör ett perfekt exempel eftersom de innehåller många olika beståndsdelar. Dessa finns inte i LCAFDB och prototypen måste då antingen låta bli att klassificera varan eller dela upp den i enskilda ingredienser som sedan separat kan beräknas mot API:et.
6.4 Beteendeförändring
Då testperioden bara varade i två veckor gick det inte att finna empirisk grund för en beteendeförändring. Enligt James Clear tar det ca två månader att skapa och automatisera ett nytt beteende [9]. Det skulle därför vara intressant att göra en längre studie för att testa om prototypen eller en annan liknande tjänst skulle kunna facilitera en förändring.
6.5 Prototypens klimatavtryck
Eftersom det endast handlar om en liten mängd serverutrymme blir det resulterande klimatavtrycket som avges vid drift inte särskilt stort. En studie utförd av Malmodin et al. indikerar dessutom att utsläpp till följd av informations och kommunikationssektorn minskar trots att datatrafiken ökar [12].
Det finns alltså stor potential för god utväxling med hänsyn till det låga driftutsläppet.
6.6 Metodkritik
Tesperonerna i studie var alla 1:a till 3:e-års studenter på KTHs civilingenjörsprogram inom medieteknik. Alltså en relativt homogen grupp som förmodligen inte är representativ för hela samhället. Deltagandet var också ett obligatoriskt kursmoment för samtliga testpersoner. Detta kan eventuellt ha påverkat testpersonernas incitament och inställning till studiedeltagandet.
Möjligen kunde det tillfrågats personer från miljöintresserade onlinegemenskaper för att öka deltagarvariationen. Dessa identifierades inledningsvis som potentiella testkandidater. För denna studie fanns dock inte tidsresurserna för att garantera en mer varierad testgrupp.
7 SLUTSATS
Resultatet pekar på att det är möjligt att bygga en tjänst som kan ge direktfeedback på individuell miljöpåverkan till följd av livsmedelsinköp. Utvecklingsmöjligheterna för en mer gedigen och nästan felfri feedbacktjänst bedöms vara goda under förutsättning att det går att lösa klassificeringsproblemet. Om Hemköp hade en informationsdatabas som kunde länka kvittosträngar till specifika varor så skulle en betydligt mer framgångsrik feedbacktjänst kunnat utvecklas än den prototyp som användes i studien. Med detta i åtanke anser vi att ett officiellt åtagande från Hemköps sida har stor potential att realisera detta koncept. Ett alternativ till att få tillgång till mer information från Hemköp skulle kunna vara att den slutgiltiga tjänsten använder crowd-sourcad för att bygga upp klassificeringen mellan varor på kvittot till varor i LCAFDB[8].
Resultatet antyder också att direktfeedback om koldioxidustläpp i samband med livsmedelsinköp i viss utsträckning bidrar till ökad kunskap om specifika livsmedelsutsläpp. Man kan också konstatera att försökspersonerna lärde sig bättre av visuell lättförståelig fakta än exakta siffror. Baserat på förslag från fokusgrupperna verkar det största problemet ha varit att veta hur man ska kunna förbättrar sitt utsläppsresultat. Detta kan potentiellt åtgärdas genom ytterligare funktionalitet som ger förslag på mer hållbara matvaror.
Enligt COM-B som är den grundläggande modell för BCW ramverket krävs det tre komponenter för att lyckas påverka ett
beteende. “Capability”,”Motivation” och “Opportunity”. Även om det inte går att avgöra om prototypen bidragit till en beteendeförändring kan vi konstatera att interventionens utformning vara väl anpassad för att förmedla kunskap om livesmedelsutsläpp. Det ger potentiellt användaren den kunskapsbas som krävs för att kunna ta ett beslut om vad som är ett utsläppssnålt livsmedel. ”Capability”. Minst två personer upplevde ökad motivation i samband med användning av prototypen. Fler verkade instämma. Det var ingen som uttryckte att de var fullständigt ointresserade av att förbättra sitt utsläppsavtryck.“Motivation”.Färgkodningen verkar mottogs väl av fokusgrupperna, men det efterfrågades ytterligare förslag på hur man förbättrar sin livsmedelskonsumtion.”Opportunity”. Om detta implementeras väl så uppnås åtminstone en gedigen teoretisk utgångspunkt för att inleda en beteendeförändring.
FINANSIERING
Examensarbetet ingår i ett projekt finansierat av Energimyndigheten, Dnr 48099-1
8. REFERENSER
1. Frison, E.A. IPES-Food. (2016) From uniformity to diversity: a paradigm shift from industrial agriculture to diversified agroecological systems. Louvain-la-Neuve (Belgium): IPES, 96 p.
2. Falk, J., Gaffney, O., et al. (2018) The executive summary of the report Exponential Climate Action Roadmap Future Earth.
https://exponentialroadmap.org/wp-content/uploads/201 8/09/Exponential-Climate-Action-Roadmap-September- 2018.pdf
3. Zapico Lamela, J. L., Turpeinen, M., & Brandt, N.
(2009). Climate persuasive services : changing behavior towards low carbon lifestyle. In Proceedings of the 4th International Conference on Persuasive Technology : April 26-29, 2009, Claremont, California. New York.
https://doi.org/10.1145/1541948.1541968
4. Luis Zapico, J., Katzeff, C., Bohné, U., Milestad, R.
(2016). Eco-feedback Visualization for Closing the Gap of Organic Food Consumption. In Proceedings of the 9th Nordic Conference on Human-Computer Interaction (NordiCHI '16). ACM, New York, NY, USA, Article 75, 9 pages. DOI:
https://doi.org/10.1145/2971485.2971507
5. Michie, S., L. Atkins, R. West. "The behaviour change wheel: a guide to designing interventions. 2014."
ISBN-13(2015): 978-1291846058.
6. Johansson, H. Trafikverket(2019), Ökad lastbilstrafik bakom utsläppsökning 2018 , Hämtad 17 maj 2019 från:
https://www.trafikverket.se/contentassets/07f80f01d921 44eebf1a01fcb60ac923/190221_pm_vagtrafikens_utsla pp.pdf
7. ICA, Mitt-klimat. Hämtad 5 maj 2019 från:
https://www.ica.se/buffe/artikel/mitt-klimatmal-info/
8. Kasperi, J., Lindström , D. LCAFDB — A
crowdsourced life cycle assessment database for food:
http://lcafdb.org/
9. Clear, J. (2014) How long does it actually take to form a new habit - The Huffington Post.
http://home.d47.org/lmfennell/files/2015/03/Unit-5-Ho w-Long-Does-It-Actually-Take-to-Form-a-New-Habit.p df
10. Hedin, B., Katzeff, C., Eriksson, E., Pargman, D. A Systematic Review of Digital Behaviour Change Interventions for More Sustainable Food Consumption.
Sustainability 2019, 11, 2638.
https://www.mdpi.com/2071-1050/11/9/2638/htm
11. Walraven, J. (1992) Color Basics for the Display Designer. In: Widdel H., Post D.L. (eds) Color in Electronic Displays. Defense Research Series, vol 3.
Springer, Boston, MA.
12. Malmodin, J., Lundén, D. The Energy and Carbon Footprint of the Global ICT and E&M Sectors 2010–2015. Sustainability 2018, 10, 3027.
13. Michie, S., Richardson, M., Johnston, M., Abraham, C., Francis, J., Hardeman, W., ... & Wood, C. E. (2013).
The behavior change technique taxonomy (v1) of 93 hierarchically clustered techniques: building an international consensus for the reporting of behavior change interventions. Annals of behavioral medicine, 46(1), 81-95.
14. Nationalencyklopedin, koldioxidekvivalent. Hämtad 14 april 2019 från:
https://www.ne.se/uppslagsverk/encyklopedi/l%C3%A5 ng/koldioxidekvivalent
15. Nationalencyklopedin, livscykelanalys.Hämtad 14 april 2019 från:
https://www.ne.se/uppslagsverk/encyklopedi/l%C3%A5 ng/livscykelanalys
16. Braun, V., Clarke, V. (2006) Using thematic analysis in psychology, Qualitative Research in Psychology, 3:2, 77-101, DOI: 10.1191/1478088706qp063oa
17. ICA-gruppen, hämtad 17 maj 2019 från:
https://www.icagruppen.se/arkiv/pressmeddelandearkiv/
2019/ica-infor-digitala-kvitton-tillsammans-med-kivra/
18. Hedin, B., & Zapico, J. Kilowh.at -- Increasing Energy Awareness Using an Interactive Energy Comparison Tool. Proceesing of 12th International Conference, PERSUASIVE 2017, Amsterdam, The Netherlands, April 4--6, 2017, Proceedings (pp. 175–185).
http://doi.org/10.1007/978-3-319-55134-0_14
19. Hedin, B., Luis Zapico, J. What Can You Do with 100 kWh? A Longitudinal Study of Using an Interactive Energy Comparison Tool to Increase Energy Awareness
†. Sustainability 2018, 10, 2269.
http://doi.org/10.3390/su10072269
20. Europeiska kommissionen, GDPR. hämtad 17 maj 2019 från:
https://ec.europa.eu/commission/priorities/justice-and-fu ndamental-rights/data-protection/2018-reform-eu-data-p rotection-rules_en
21. WWF, Matkalkylator. hämtad 6 juni 2019 från:
https://www.wwf.se/mat-och-jordbruk/matkalkylator/
TRITA-EECS-EX-2019:248
