Εκπαιδευτικές παρεμβάσεις βασισμένες στην ανάλυση συναισθήματος (sentiment analysis) με χρήση μηχανικής μάθησης σε σχολικό περιβάλλον.

Απλή σελίδα τεκμηρίου
dc.contributor.advisorΠαπαδάκης, Στυλιανόςel
dc.contributor.advisorPapadakis, Stylianosen
dc.contributor.authorΞυλούρη, Ελένηel
dc.contributor.authorXylouri, Elenien
dc.date.accessioned2026-07-07T17:21:53Z
dc.date.available2026-07-07T17:21:53Z
dc.date.issued2026-07-07
dc.description.abstractΗ 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.el
dc.description.abstractThis 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.en
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11709
dc.language.isoel
dc.publisherΕΛΜΕΠΑ, Σχολή Επιστημών Διοίκησης και Οικονομίας (ΣΕΔΟ), Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectανάλυση συναισθήματος
dc.subjectμηχανική μάθηση
dc.subjectGreekBERT
dc.subjectπαραδοσιακά μοντέλα
dc.subjectσυναισθηματική έκφραση
dc.subjectσχολικό κλίμα
dc.subjectφυσική γλώσσα
dc.subjectταξινόμηση κειμένου
dc.subjectπαιδαγωγικές εφαρμογές
dc.subjectsentiment analysis
dc.subjectmachine learning
dc.subjecttraditional models
dc.subjectemotional expression
dc.subjectschool climate
dc.subjectnatural language
dc.subjecttext classification
dc.subjectpedagogical applications
dc.titleΕκπαιδευτικές παρεμβάσεις βασισμένες στην ανάλυση συναισθήματος (sentiment analysis) με χρήση μηχανικής μάθησης σε σχολικό περιβάλλον.el
dc.titleEducational interventions based on sentiment analysis and machine learning in the school environment.en
dc.typeΠτυχιακή Εργασία
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
XylouriEleni2026.pdf
Μέγεθος:
659.4 KB
Μορφότυπο:
Adobe Portable Document Format
Λήψη
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Λήψη
Συλλογές
Πτυχιακές εργασίες / Bachelor Theses