Σχεδιασμός και ανάπτυξη συστήματος για την αυτόματη αξιολόγηση των αιτήσεων προσωρινών διδασκόντων στο Πανεπιστήμιο Πατρών
| datacite.contributor.RelatedPerson | Μπούρας, Χρήστος | |
| datacite.contributor.RelatedPerson | Τσώλης, Δημήτρης | |
| datacite.contributor.Supervisor | Παπαϊωάννου, Εύη | |
| dc.contributor.author | Κώστας, Ανδρέας | |
| dc.contributor.other | Kostas, Andreas | |
| dc.date.accessioned | 2026-09-29T06:34:09Z | |
| dc.date.available | 2026-09-29T06:34:09Z | |
| dc.date.issued | 2026-09-25 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Τα τελευταία χρόνια, σχεδόν σε ετήσια βάση, ανακοινώνονται προσκλήσεις εκδήλωσης ενδιαφέροντος για πρόσληψη νέων επιστημόνων, κατόχων διδακτορικού διπλώματος. Η πρόσληψη αυτή γίνεται σε προσωρινή βάση με σκοπό την απόκτηση ακαδημαϊκής διδακτικής εμπειρίας μέσω της διδασκαλίας μαθημάτων που εντάσσονται στα Προγράμματα Προπτυχιακών Σπουδών πανεπιστημιακών τμημάτων. Η σχετική διαδικασία περιλαμβάνει τη δημοσιοποίηση των προσκλήσεων, την υποβολή αιτήσεων εντός προβλεπόμενης προθεσμίας όπου οι υποψήφιοι προσκομίζουν συγκεκριμένες πληροφορίες και δικαιολογητικά, την αξιολόγηση των υποβληθεισών αιτήσεων και την ανακοίνωση αποτελεσμάτων για την κατάταξη των υποψηφίων με βάση τα μόρια που έλαβαν ως προς ένα προκαθορισμένο σύνολο κριτήριων αξιολόγησης. Στην πράξη, τα 3/4 της ροής ενεργειών για την επιλογή διδασκόντων γίνονται πλέον ηλεκτρονικά, αφού η ανακοίνωση τόσο των προσκλήσεων όσο και των αποτελεσμάτων αξιολόγησης αλλά και η υποβολή των αιτήσεων μαζί με τα απαιτούμενα δικαιολογητικά διεκπεραιώνονται μέσω ειδικά σχεδιασμένων ιστοτόπων. Ωστόσο, η αξιολόγηση των υποψηφιοτήτων - ποσοτικά και ποιοτικά - εκτελείται ακόμα με παραδοσιακές μεθόδους και αποτελεί εντατική και χρονοβόρα εργασία για το εμπλεκόμενο διοικητικό και επιστημονικό προσωπικό. Με πρόθεση να υποστηρίξουμε τη διαδικασία αξιολόγησης αιτήσεων προσωρινών διδασκόντων στο Πανεπιστήμιο Πατρών μέσω της αυτοματοποιημένης παραγωγής προτεινόμενων κατατάξεων των υποψηφίων με βάση ποσοτικά αλλά και ποιοτικά χαρακτηριστικά των αιτήσεών τους σχεδιάσαμε και υλοποιήσαμε την web εφαρμογή ProfRanker που λειτουργεί τόσο ως ιστότοπος ανακοίνωσης προσκλήσεων, υποβολής αιτήσεων και ανάρτησης αποτελεσμάτων αλλά και ως μηχανισμός αξιολόγησης και παραγωγής συστάσεων για ποσοτική και ποιοτική κατάταξη των υποψηφίων ανά θέση. Συγκεκριμένα, χρησιμοποιούμε τεχνικές επεξεργασίας φυσικής γλώσσας (natural language processing) και μεγάλα γλωσσικά μοντέλα (large language models) για την αυτοματοποιημένη ανάλυση δεδομένων σε μορφή κειμένου με σκοπό την αξιολόγηση του βαθμού συνάφειας της αίτησης του υποψηφίου με το επιστημονικό πεδίο και το σύνολο των μαθημάτων που περιλαμβάνονται σε αυτό. Στο πλαίσιο της επεξεργασίας φυσικής γλώσσας αναλύονται ο τίτλος, η περίληψη και οι λέξεις-κλειδιά των διδακτορικών διατριβών, καθώς και τα προτεινόμενα σχεδιαγράμματα διδασκαλίας για τα μαθήματα κάθε θέσης. Παράλληλα ελέγχεται και βαθμολογείται αυτόματα το δημοσιευμένο έργο που υποβάλλεται ως μέρος των αιτήσεων των υποψηφίων, σύμφωνα με όσα ορίζονται στη σχετική πρόκληση. Ως αποτελέσματα, η εφαρμογή παράγει συνολική βαθμολογία ανά αίτηση καθώς και μια προτεινόμενη λίστα κατάταξης των αιτήσεων των υποψηφίων ανά θέση. Η εφαρμογή απευθύνεται σε τρεις κατηγορίες εγγεγραμμένων χρηστών, δηλαδή επισκέπτες, υποψήφιους (αιτούντες) ή διαχειριστές. Οι επισκέπτες μπορούν να βλέπουν όλα τα αποτελέσματα που έχουν παραχθεί και αναβαθμίζονται σε αιτούντες μόλις υποβάλουν αίτηση για κάποια θέση. Οι υποψήφιοι μπορούν να επεξεργάζονται αιτήσεις που έχουν υποβάλει πριν την εκπνοή της προθεσμίας των σχετικών προσκλήσεων, έχουν πρόσβαση σε όλες τις αιτήσεις που έχουν υποβάλει και τις αξιολογήσεις που έχουν παραχθεί από την εφαρμογή και διαθέτουν προσωπικό προφίλ και φάκελο για διατήρηση και επεξεργασία δικαιολογητικών που απαιτούνται για υποβολή αιτήσεων. Οι διαχειριστές έχουν πρόσβαση σε όλα τα δεδομένα της εφαρμογής, έχουν τη δυνατότητα να καταχωρούν και να ανακοινώνουν προκλήσεις και, επιπλέον, έχουν πρόσβαση σε στατιστικά στοιχεία για τη γενική χρήση και λειτουργία της εφαρμογής. Η εφαρμογή, την οποία ονομάσαμε ProfRanker και σχεδιάσαμε πρωτίστως για χρήση σε desktop υπολογιστές είναι διαθέσιμη στα ελληνικά και στα αγγλικά. Για την ανάπτυξη χρησιμοποιήσαμε React, Django και PostgreSQL για τον κύριο κορμό της εφαρμογής, Redis και Resend για υποστήριξη λειτουργίας email και OpenAI API για την επεξεργασία φυσικής γλώσσας. Για τη φιλοξενία της εφαρμογής ακολουθήσαμε κατανεμημένη προσέγγιση αξιοποιώντας τις πλατφόρμες Cloudflare, Render, Neon και Upstash. | |
| dc.description.translatedabstract | Over the past years, almost annually, calls of interest are issued for the recruitment of early-career scientists with doctoral degrees. Recruitment is offered on a fixed-term basis with the aim of providing academic teaching experience through the delivery of courses within the Undergraduate Study Programs of several university departments. The selection process involves publishing the calls, receiving applications within a specified submission period where the candidates submit the required documentation and supporting materials, evaluating the submitted applications, and publishing a ranked list of candidates based on a predefined set of evaluation criteria. In practice, 75% of this process has already been digitized. Calls for applications, candidate submissions, supporting documents, and the publication of evaluation results are now managed through dedicated web platforms. However, the quantitative and qualitative assessment of applications is still largely performed using traditional methods, making the evaluation process both labor-intensive and time-consuming for the academic and administrative staff. To support the evaluation process for fixed-term professors’ applications at the University of Patras, we designed and developed ProfRanker, a web-based app that automates the generation of recommended candidate rankings based on both quantitative and qualitative application data. In addition to serving as a portal for publishing calls, submitting applications, and announcing evaluation results, ProfRanker incorporates an evaluation engine capable of producing recommendation-based rankings for each advertised position. More specifically, the platform leverages Natural Language Processing (NLP) techniques and Large Language Models (LLMs) to automatically analyze textual information and assess the relevance of each applicant's academic background to the scientific field and the courses associated with a given position. The NLP pipeline processes the title, abstract, and keywords of doctoral dissertations, as well as the proposed teaching syllabi submitted for each course. In parallel, the platform automatically verifies and scores the applicants' published work output according to the evaluation requirements specified in each call. Based on these analyses, ProfRanker generates an overall evaluation score for every application together with a recommended ranking of candidates for each available position. The platform supports three registered user roles: visitors, candidates (applicants), and administrators. Visitors can browse published calls and view publicly available evaluation results, and they are automatically promoted to applicants upon applying. Applicants can modify their submissions until the application deadline, access all previously submitted applications and their corresponding evaluation results and manage a personal profile and document repository for storing and organizing the supporting documents required for future applications. Administrators have unrestricted access to the platform's data and functionality, including creating and publishing calls for applications, managing the evaluation process, and viewing statistical reports related to the platform's usage and overall operation. ProfRanker was primarily designed for desktop use and includes a dark mode, accessibility support through the UserWay accessibility widget, and bilingual support in both Greek and English. The platform was developed using React, Django, and PostgreSQL as its core technology stack, while Redis and Resend provide email-related services and the OpenAI API powers the natural language processing components. The application's infrastructure is distributed across multiple cloud platforms, including Cloudflare, Render, Neon, and Upstash. | |
| dc.identifier.uri | https://hdl.handle.net/10889/32780 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | |
| dc.subject | Ακαδημαϊκή διδακτική εμπειρία | |
| dc.subject | Νέοι επιστήμονες | |
| dc.subject | Αξιολόγηση αιτήσεων | |
| dc.subject | Κατάταξη υποψηφίων | |
| dc.subject | Επεξεργασία φυσικής γλώσσας | |
| dc.subject | Web εφαρμογές | |
| dc.subject.alternative | University of Patras | |
| dc.subject.alternative | Αcademic teaching experience | |
| dc.subject.alternative | Εarly-career researchers | |
| dc.subject.alternative | Application evaluation | |
| dc.subject.alternative | Candidate ranking | |
| dc.subject.alternative | Natural language processing (NLP) | |
| dc.subject.alternative | Large language models (LLMs) | |
| dc.subject.alternative | Web applications | |
| dc.subject.alternative | React | |
| dc.subject.alternative | Django | |
| dc.subject.alternative | PostgreSQL | |
| dc.subject.alternative | OpenAI | |
| dc.title | Σχεδιασμός και ανάπτυξη συστήματος για την αυτόματη αξιολόγηση των αιτήσεων προσωρινών διδασκόντων στο Πανεπιστήμιο Πατρών | |
| dc.title.alternative | Design and development of a web platform for the automatic evaluation of applications for adjunct faculty positions at the University of Patras |