dc.contributor.author | Στύλος, Αλέξανδρος-Παναγιώτης![]() |
el |
dc.contributor.author | Stylos, Alexandros-Panagiotis![]() |
en |
dc.date.accessioned | 2024-01-10T10:38:51Z | |
dc.date.available | 2024-01-10T10:38:51Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/58551 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.26247 | |
dc.rights | Αναφορά Δημιουργού 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/gr/ | * |
dc.subject | Γράφος αλληλεπίδρασης | el |
dc.subject | Γράφος προτίμησης | el |
dc.subject | Δυναμικός γράφος | el |
dc.subject | Επεξεργασία φυσικής γλώσσας | el |
dc.subject | Ανάλυση συναισθήματος | el |
dc.subject | Ακριβής προσαρμογή | el |
dc.subject | Προεκπαιδευμένο μοντέλο | el |
dc.subject | Νευρωνικό δίκτυο | el |
dc.subject | Ταξινόμηση | el |
dc.subject | Μηχανική μάθηση | el |
dc.subject | Interaction graph | en |
dc.subject | Fine-tuning | en |
dc.subject | Pre-trained model | en |
dc.subject | Deep learning | en |
dc.subject | Machine learning | en |
dc.subject | Neural network | en |
dc.subject | Classification | en |
dc.subject | Sentiment analysis | en |
dc.subject | Natural language processing | en |
dc.subject | Dynamic graph | en |
dc.subject | Preference graph | en |
dc.title | Μελέτη μηχανισμού αλληλεπίδρασης & ομαδοποίησης χρηστών στην εκπαίδευση με χρήση τεχνικών deep learning | el |
heal.type | bachelorThesis | |
heal.classification | Κοινωνικά Δίκτυα | el |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2023-07-24 | |
heal.abstract | Η παρούσα διπλωματική εργασία πραγματεύεται τη δυνατότητα αλληλεπίδρασης των μαθητών μιας σχολικής κοινότητας στο πλαίσιο της συνύπαρξης και της κοινής εμπλοκής τους σε ομαδικές δραστηριότητες. Στο μέρος I εξετάζεται κατά κύριο λόγο ο σχεδιασμός ενός μοντέλου, το οποίο δημιουργεί αλληλεπιδράσεις μεταξύ των μαθητών κατά τρόπο εγγενώς δίκαιο, ώστε όλοι οι μαθητές να συμμετέχουν σε δραστηριότητες και να έχουν περίπου τον ίδιο αριθμό αλληλεπιδράσεων. Η γνώμη των μαθητών έχει καίριο ρόλο στο εγχείρημα αυτό και δύναται να αποτυπωθεί είτε άμεσα από ερωτηματολόγια είτε έμμεσα από συνομιλίες μαθητών. Τα ευρήματα ενός ερωτηματολογίου είναι περισσότερο χρήσιμα, γι’ αυτό συσχετίζονται στο μέρος αυτό της εργασίας με τη δημιουργία ενός δυναμικού γράφου, δηλαδή στιγμιοτύπων αλληλεπιδράσεων μαθητών. Εντούτοις, ελλείψει πραγματικού δικτύου, κατασκευάζεται ένας γράφος προτίμησης που προσομοιώνει τις απόψεις και τις σκέψεις των μαθητών. Στο μέρος II ασχολούμαστε με τον έμμεσο τρόπο, τα γραπτά μηνυμάτα των μαθητών σε κάποιο μέσο κοινωνικής δικτύωσης που έχουν προφανώς το ίδιον του διαδικτυακού λόγου. Επιστρατεύουμε βαθιά μηχανική μάθηση, προκειμένου να γίνει η κατανόηση της φυσικής γλώσσας και η ανάλυση συναισθήματος οπότε να καταστεί εφικτή η κατηγοριοποίηση ενός κειμένου ως θετικού, αρνητικού ή ουδέτερου από άποψη συναισθήματος. Γίνεται χρήση προεκπαιδευμένου μοντέλου για παραγωγή embeddings και το νευρωνικό δίκτυο πετυχαίνει απόδοση F1 macro ίσο με περίπου 74%. Η ανάλυση αυτή επεκτείνεται σ’ όλα τα κείμενα της συζήτησης, με αποτέλεσμα να δημιουργείται ένα συναισθηματικό προφίλ για κάθε άτομο, απ’ όπου προκύπτει εν τέλει και μια ποσοτική τιμή εκτίμησης της έντασης της σχέσης τους γι’ αξιοποίηση στον γράφο αλληλεπίδρασης. | el |
heal.abstract | The present diploma thesis deals with the possibility of interaction among the students of a school community within the framework of their coexistence and common involvement in group activities. In Part I, the design of a model is examined, which creates interactions between students in an inherently fair manner, so that all students participate in activities and have approximately the same number of interactions. Students’ opinion plays a crucial role in this endeavor and can be reflected either directly through questionnaires or indirectly through student conversations. The findings of a questionnaire are more useful, so they are correlated in this part of the project with the creation of a dynamic graph, i.e. snapshots of students’ interactions. However, due to the absence of a real network, a preference graph is constructed that simulates students’ views and thoughts. In Part II, we deal with the indirect way, the text messages of students on a social networking site that obviously has its own online language. We use deep machine learning to understand natural language and sentiment analysis in order that we can categorize text as positive, negative or neutral in terms of emotion. A pre-trained model is used to produce embeddings and the neural network achieves an F1 macro performance of about 74%. This analysis is extended to all texts in the discussion, resulting in an emotional profile for each person, from which ultimately a quantitative estimate of their relationship intensity is derived for use in the interaction graph. | en |
heal.advisorName | Παπαβασιλείου, Συμεών | el |
heal.advisorName | Κοιλανιώτη, Ειρήνη | el |
heal.committeeMemberName | Παπαβασιλείου, Συμεών | el |
heal.committeeMemberName | Ρουσσάκη, Ιωάννα | el |
heal.committeeMemberName | Ματσόπουλος, Γιώργος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 117 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: