Μελέτη και ανάπτυξη συστήματος κατηγοριοποίησης διαλόγων χρηστών σε ανοικτά διαδικτυακά μαθήματα με τεχνικές μηχανικής μάθησης
Μελέτη και ανάπτυξη συστήματος κατηγοριοποίησης διαλόγων χρηστών σε ανοικτά διαδικτυακά μαθήματα με τεχνικές μηχανικής μάθησης
| datacite.contributor.Supervisor | Νικόλαος Αβούρης | |
| datacite.rights | http://purl.org/coar/access_right/c_abf2 | el |
| dc.contributor.author | Παπασταύρος, Κυριάκος Νικόλαος | |
| dc.contributor.other | Papastavros, Kyriakos Nikolaos | |
| dc.date.accessioned | 2022-07-11T07:28:02Z | |
| dc.date.available | 2022-07-11T07:28:02Z | |
| dc.date.copyright | 2022-07-08 | |
| dc.degree | graduateThesis | el |
| dc.description.abstract | Στη παρούσα εργασία επιχειρήθηκαν τεχνικές μοντελοποίησης σε φόρουμ συζήτησης των Μαζικών Ανοικτών Διαδικτυακών Μαθημάτων (MOOCs). Συγκεκριμένα, εφαρμόστηκε η τεχνική της μοντελοποίησης θεμάτων με την χρήση δυο αλγορίθμων μηχανικής μάθησης. Μελετώνται ο αλγόριθμος Latent Dirichlet Allocation και ο αλγόριθμος Correlation Explanation. Επιπλέον, έγινε σύγκριση των δυο αλγορίθμων με τρεις διαφορετικούς τρόπους βασιζόμενοι στην συνοχή των θεμάτων. Αφενός, πραγματοποιήθηκε ποσοτική αξιολόγηση των δυο αλγορίθμων με βάση τις μετρικές αξιολόγησης Pointwise Mutual Information, Normalized Pointwise Mutual Information, Google Title Matches - Google Log Hits Matches και αφετέρου διεξήχθη ποιοτική αξιολόγηση των αλγορίθμων με βάση την ανθρώπινη κρίση μέσα από συνεντεύξεις. Επιπροσθέτως, στη παρούσα μελέτη προτείνεται ένας αλγόριθμος που εκχωρεί αυτόματα τίτλους στα θέματα που αποδίδουν οι μέθοδοι μηχανικής μάθησης. Στα πλαίσια υλοποίησης αυτών των αλγορίθμων και μετά από διαγωνοποίηση των εκφερόμενων αποτελεσμάτων που προέκυψαν από τις μεθόδους σύγκρισης , αποδεικνύεται ότι ο αλγόριθμος CorEx είναι πιο αποδοτικός από τον αλγόριθμο LDA. Η προτεινόμενη μέθοδος εκχώρησης τίτλου, μέσα από επαναλαμβανόμενα πειράματα και ανθρώπινη αξιολόγηση, έδειξε ότι προσφέρει σημαντική πληροφορία στον ερευνητή. Συμπερασματικά, η παρούσα έρευνα βοηθάει στην κατασκευή ενός εργαλείου που θα ενισχύσει την αποδοτικότερη περιήγηση στα φόρουμ συζήτησης (MOOCs). | el |
| dc.description.translatedabstract | In this paper, modelling techniques were tested in Massive Open Online Courses (MOOCs) forums. Specifically, topic modelling techniques were applied using two machine-learning algorithms. The algorithms that were studied are: Latent Dirichlet Allocation and Correlation Explanation. In addition, the two algorithms were compared in three different ways based on topic consistency. On one hand, a quantitative evaluation of the two algorithms was conducted based on the following evaluation metrics: Pointwise Mutual Information, Normalized Pointwise Mutual Information, Google Title Matches – Google Log Hits Matches. On the other hand, a qualitative evaluation of said algorithms was conducted based on human judgement through interviews. In addition, this thesis proposes an algorithm that automatically labels topics to the subjects that were assigned by machine learning methods. Within the implementation of these algorithms and, after the triangulation of the results that derived from the comparing methods, it is proved that the CorEX algorithm is more efficient than the LDA algorithm. The proposed method of title attribution, through repeated experiments and human evaluation, has proven to provide significant information to the researcher. In conclusion, this research assists in building a tool that will enhance a more efficient browsing of discussions forums (MOOCs) | el |
| dc.identifier.uri | http://hdl.handle.net/10889/16449 | |
| dc.language.iso | gr | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Τεχνικές μοντελοποίησης | el |
| dc.subject.alternative | Topic modelling | el |
| dc.subject.alternative | LDA | el |
| dc.subject.alternative | CorEx | el |
| dc.subject.alternative | Machine learning | el |
| dc.title | Μελέτη και ανάπτυξη συστήματος κατηγοριοποίησης διαλόγων χρηστών σε ανοικτά διαδικτυακά μαθήματα με τεχνικές μηχανικής μάθησης | el |
| dc.title.alternative | Study and development of a categorization system for user dialogues in open online courses with machine learning techniques | el |
| oaire.licenseCondition | null | el |