Εκπαιδευτικές παρεμβάσεις βασισμένες στην ανάλυση συναισθήματος (sentiment analysis) με χρήση μηχανικής μάθησης σε σχολικό περιβάλλον.
Φόρτωση...
Ημερομηνία
2026-07-07
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Επιστημών Διοίκησης και Οικονομίας (ΣΕΔΟ), Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας
Επιβλέπων
Περίληψη
Η παρούσα εργασία διερευνά την ανάλυση συναισθήματος σε ελληνόγλωσσα μαθητικά κείμενα, αξιοποιώντας μικτή μεθοδολογική προσέγγιση που συνδυάζει ποσοτικές τεχνικές μηχανικής μάθησης και ποιοτική θεματική ανάλυση. Το ερευνητικό υλικό αποτελείται από 29 μαθητικά κείμενα, τα οποία επισημάνθηκαν σε κατηγορίες συναισθήματος (θετικό, αρνητικό, ουδέτερο). Σε ποσοτικό επίπεδο, συγκρίθηκαν παραδοσιακά μοντέλα μηχανικής μάθησης με το γλωσσικό μοντέλο GreekBERT, χρησιμοποιώντας μετρικές όπως accuracy και F1-score. Τα αποτελέσματα έδειξαν ότι τα παραδοσιακά μοντέλα παρουσίασαν χαμηλότερη απόδοση, ενώ το GreekBERT υπερείχε, χωρίς ωστόσο να επιτυγχάνει πολύ υψηλή ακρίβεια, λόγω της συναισθηματικής πολυπλοκότητας του μαθητικού λόγου. Η ποιοτική ανάλυση ανέδειξε κυρίαρχα μοτίβα λύπης, ενσυναίσθησης και ελπίδας, τα οποία εξηγούν σε μεγάλο βαθμό τα ποσοτικά ευρήματα και τις δυσκολίες ταξινόμησης.
This paper investigates sentiment analysis in Greek language student texts, utilizing a mixed methodological approach that combines quantitative machine learning techniques and qualitative thematic analysis. The research material consists of 29 student texts, which were labeled into sentiment categories (positive, negative, neutral). At a quantitative level, traditional machine learning models were compared with the GreekBERT language model, using metrics such as accuracy and F1-score. The results showed that the traditional models performed worse, while GreekBERT excelled, without however achieving very high accuracy, due to the emotional complexity of student discourse. The qualitative analysis revealed dominant patterns of sadness, empathy and hope, which largely explain the quantitative findings and the classification difficulties.
This paper investigates sentiment analysis in Greek language student texts, utilizing a mixed methodological approach that combines quantitative machine learning techniques and qualitative thematic analysis. The research material consists of 29 student texts, which were labeled into sentiment categories (positive, negative, neutral). At a quantitative level, traditional machine learning models were compared with the GreekBERT language model, using metrics such as accuracy and F1-score. The results showed that the traditional models performed worse, while GreekBERT excelled, without however achieving very high accuracy, due to the emotional complexity of student discourse. The qualitative analysis revealed dominant patterns of sadness, empathy and hope, which largely explain the quantitative findings and the classification difficulties.
Περιγραφή
Λέξεις-κλειδιά
ανάλυση συναισθήματος, μηχανική μάθηση, GreekBERT, παραδοσιακά μοντέλα, συναισθηματική έκφραση, σχολικό κλίμα, φυσική γλώσσα, ταξινόμηση κειμένου, παιδαγωγικές εφαρμογές, sentiment analysis, machine learning, traditional models, emotional expression, school climate, natural language, text classification, pedagogical applications