{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3300910"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3300910","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανίχνευση διαδικτυακού εκφοβισμού με χρήση αλγορίθμων μηχανικής μάθησης","abstract":"Η παρούσα διπλωματική εργασία αφορά την εφαρμογή και σύγκριση αλγορίθμων μηχανικής μάθησης για ανάλυση συναισθήματος με σκοπό την ανίχνευση διαδικτυακού εκφοβισμού. Η εφαρμογή των αλγορίθμων πραγματοποιείται σε δύο διαφορετικά σύνολα δεδομένων τα: SOSNet Twitter Dataset και Suspicious Tweets Dataset. Σκοπός της εργασίας αποτέλεσε εκτός από απλή ανίχνευση του διαδικτυακού εκφοβισμού, να πραγματοποιείται περαιτέρω εύρεση του είδους του εκφοβισμού σύμφωνα με συγκεκριμένα κριτήρια όπως η ηλικία, το φύλο, η εθνικότητα κ.λ.π. Επιπρόσθετα, παρουσιάζονται τα γλωσσολογικά στοιχεία των κειμένων της εκάστοτε κατηγορίας, καθώς και αποτελέσματα άλλων ερευνών σχετικά με τη συχνότητα εμφάνισης διαδικτυακού εκφοβισμού ανάλογα με τα υπό μελέτη προσωπικά χαρακτηριστικά του ατόμου. Ως επεκτάσεις της παρούσας μελέτης τίθενται η δημιουργία ενός συστήματος το οποίο θα λαμβάνει υπόψη προσωπικούς άξονες/ κριτήρια όπως φύλο, εθνικότητα, σεξουαλικός προσανατολισμός κ.α για την ανίχνευση του διαδικτυακού εκφοβισμού. Επιπλέον, τα γλωσσολογικά χαρακτηριστικά συγκεντρώνονται ώστε να υπάρξει αναπροσαρμογή της έρευνας και σε ελληνικά δεδομένα. Η πρώτη κρούση για αυτήν την επέκταση λαμβάνει χώρα στην παρούσα μελέτη. Τέλος, περιγράφονται αναλυτικά όλες οι μεθοδολογίες που έχουν υλοποιηθεί σε παρεμφερείς έρευνες καθώς και εκείνη που προτιμάται στην τρέχουσα. Τα αποτελέσματα όλων των αλγορίθμων σε κάθε σύνολο δεδομένων παρατίθενται και σχολιάζονται εκτενώς. Η ανίχνευση του διαδικτυακού εκφοβισμού και η σωστή κατηγοριοποίησή του γίνονται με υψηλή ακρίβεια. Ωστόσο, επισημαίνονται κάποιες μικρές αστοχίες και τίθεται ως μελλοντικός στόχος η δημιουργία νευρωνικού δικτύου για ενδεχόμενη βελτίωση αυτών των αστοχιών.","abstract_html":"Η παρούσα διπλωματική εργασία αφορά την εφαρμογή και σύγκριση αλγορίθμων μηχανικής μάθησης για ανάλυση συναισθήματος με σκοπό την ανίχνευση διαδικτυακού εκφοβισμού. Η εφαρμογή των αλγορίθμων πραγματοποιείται σε δύο διαφορετικά σύνολα δεδομένων τα: SOSNet Twitter Dataset και Suspicious Tweets Dataset. Σκοπός της εργασίας αποτέλεσε εκτός από απλή ανίχνευση του διαδικτυακού εκφοβισμού, να πραγματοποιείται περαιτέρω εύρεση του είδους του εκφοβισμού σύμφωνα με συγκεκριμένα κριτήρια όπως η ηλικία, το φύλο, η εθνικότητα κ.λ.π. Επιπρόσθετα, παρουσιάζονται τα γλωσσολογικά στοιχεία των κειμένων της εκάστοτε κατηγορίας, καθώς και αποτελέσματα άλλων ερευνών σχετικά με τη συχνότητα εμφάνισης διαδικτυακού εκφοβισμού ανάλογα με τα υπό μελέτη προσωπικά χαρακτηριστικά του ατόμου. Ως επεκτάσεις της παρούσας μελέτης τίθενται η δημιουργία ενός συστήματος το οποίο θα λαμβάνει υπόψη προσωπικούς άξονες/ κριτήρια όπως φύλο, εθνικότητα, σεξουαλικός προσανατολισμός κ.α για την ανίχνευση του διαδικτυακού εκφοβισμού. Επιπλέον, τα γλωσσολογικά χαρακτηριστικά συγκεντρώνονται ώστε να υπάρξει αναπροσαρμογή της έρευνας και σε ελληνικά δεδομένα. Η πρώτη κρούση για αυτήν την επέκταση λαμβάνει χώρα στην παρούσα μελέτη. Τέλος, περιγράφονται αναλυτικά όλες οι μεθοδολογίες που έχουν υλοποιηθεί σε παρεμφερείς έρευνες καθώς και εκείνη που προτιμάται στην τρέχουσα. Τα αποτελέσματα όλων των αλγορίθμων σε κάθε σύνολο δεδομένων παρατίθενται και σχολιάζονται εκτενώς. Η ανίχνευση του διαδικτυακού εκφοβισμού και η σωστή κατηγοριοποίησή του γίνονται με υψηλή ακρίβεια. Ωστόσο, επισημαίνονται κάποιες μικρές αστοχίες και τίθεται ως μελλοντικός στόχος η δημιουργία νευρωνικού δικτύου για ενδεχόμενη βελτίωση αυτών των αστοχιών.","abstract_has_math":false,"creators":["Καλογιαννίδη Σοφία","Kalogiannidi Sofia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:21:45Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3300910"],"render_values":[{"text":"uoadl:3300910","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3300910","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3300910","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3300910","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καλογιαννίδη Σοφία","Kalogiannidi Sofia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3300910","https://pergamos.lib.uoa.gr/uoa/dl/object/3300910"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία αφορά την εφαρμογή και σύγκριση αλγορίθμων μηχανικής μάθησης για ανάλυση συναισθήματος με σκοπό την ανίχνευση διαδικτυακού εκφοβισμού. Η εφαρμογή των αλγορίθμων πραγματοποιείται σε δύο διαφορετικά σύνολα δεδομένων τα: SOSNet Twitter Dataset και Suspicious Tweets Dataset. Σκοπός της εργασίας αποτέλεσε εκτός από απλή ανίχνευση του διαδικτυακού εκφοβισμού, να πραγματοποιείται περαιτέρω εύρεση του είδους του εκφοβισμού σύμφωνα με συγκεκριμένα κριτήρια όπως η ηλικία, το φύλο, η εθνικότητα κ.λ.π. Επιπρόσθετα, παρουσιάζονται τα γλωσσολογικά στοιχεία των κειμένων της εκάστοτε κατηγορίας, καθώς και αποτελέσματα άλλων ερευνών σχετικά με τη συχνότητα εμφάνισης διαδικτυακού εκφοβισμού ανάλογα με τα υπό μελέτη προσωπικά χαρακτηριστικά του ατόμου. Ως επεκτάσεις της παρούσας μελέτης τίθενται η δημιουργία ενός συστήματος το οποίο θα λαμβάνει υπόψη προσωπικούς άξονες/ κριτήρια όπως φύλο, εθνικότητα, σεξουαλικός προσανατολισμός κ.α για την ανίχνευση του διαδικτυακού εκφοβισμού. Επιπλέον, τα γλωσσολογικά χαρακτηριστικά συγκεντρώνονται ώστε να υπάρξει αναπροσαρμογή της έρευνας και σε ελληνικά δεδομένα. Η πρώτη κρούση για αυτήν την επέκταση λαμβάνει χώρα στην παρούσα μελέτη. Τέλος, περιγράφονται αναλυτικά όλες οι μεθοδολογίες που έχουν υλοποιηθεί σε παρεμφερείς έρευνες καθώς και εκείνη που προτιμάται στην τρέχουσα. Τα αποτελέσματα όλων των αλγορίθμων σε κάθε σύνολο δεδομένων παρατίθενται και σχολιάζονται εκτενώς. Η ανίχνευση του διαδικτυακού εκφοβισμού και η σωστή κατηγοριοποίησή του γίνονται με υψηλή ακρίβεια. Ωστόσο, επισημαίνονται κάποιες μικρές αστοχίες και τίθεται ως μελλοντικός στόχος η δημιουργία νευρωνικού δικτύου για ενδεχόμενη βελτίωση αυτών των αστοχιών.","This thesis concerns the application and comparison of machine learning algorithms for sentiment analysis in order to detect cyberbullying. The algorithms are applied to two different datasets: SOSNet Twitter Dataset and Suspicious Tweets Dataset. The purpose of the work was, in addition to simple detection of online bullying, to further find the type of bullying according to specific criteria such as age, gender, nationality, etc. Furthermore, the linguistic elements of the texts of each category are presented, as well as the results of other researches regarding the incidence of cyberbullying according to the personal characteristics of the person under study. As extensions of the present study, the creation of a system which will take into account personal axes/criteria such as gender, nationality, sexual orientation etc. for the detection of online bullying is proposed. In addition, the linguistic features are collected so that the research can be adapted to Greek data as well. The first effort for this extension takes place in the present study. Finally, all the methodologies that have been implemented in similar research are described in detail, as well as the one preferred in the current one. The results of all algorithms on each data set are listed and commented extensively. The detection of cyberbullying and its correct categorization are done with high accuracy. However, some minor failures are pointed out and a future goal is to create a neural network to potentially improve these failures."]},{"key":"dc:title","label":"Title","values":["Ανίχνευση διαδικτυακού εκφοβισμού με χρήση αλγορίθμων μηχανικής μάθησης"]}]}],"canonical_facts":{"dc:creator":["Καλογιαννίδη Σοφία","Kalogiannidi Sofia"],"dc:date":["2023"],"dc:description":["Η παρούσα διπλωματική εργασία αφορά την εφαρμογή και σύγκριση αλγορίθμων μηχανικής μάθησης για ανάλυση συναισθήματος με σκοπό την ανίχνευση διαδικτυακού εκφοβισμού. Η εφαρμογή των αλγορίθμων πραγματοποιείται σε δύο διαφορετικά σύνολα δεδομένων τα: SOSNet Twitter Dataset και Suspicious Tweets Dataset. Σκοπός της εργασίας αποτέλεσε εκτός από απλή ανίχνευση του διαδικτυακού εκφοβισμού, να πραγματοποιείται περαιτέρω εύρεση του είδους του εκφοβισμού σύμφωνα με συγκεκριμένα κριτήρια όπως η ηλικία, το φύλο, η εθνικότητα κ.λ.π. Επιπρόσθετα, παρουσιάζονται τα γλωσσολογικά στοιχεία των κειμένων της εκάστοτε κατηγορίας, καθώς και αποτελέσματα άλλων ερευνών σχετικά με τη συχνότητα εμφάνισης διαδικτυακού εκφοβισμού ανάλογα με τα υπό μελέτη προσωπικά χαρακτηριστικά του ατόμου. Ως επεκτάσεις της παρούσας μελέτης τίθενται η δημιουργία ενός συστήματος το οποίο θα λαμβάνει υπόψη προσωπικούς άξονες/ κριτήρια όπως φύλο, εθνικότητα, σεξουαλικός προσανατολισμός κ.α για την ανίχνευση του διαδικτυακού εκφοβισμού. Επιπλέον, τα γλωσσολογικά χαρακτηριστικά συγκεντρώνονται ώστε να υπάρξει αναπροσαρμογή της έρευνας και σε ελληνικά δεδομένα. Η πρώτη κρούση για αυτήν την επέκταση λαμβάνει χώρα στην παρούσα μελέτη. Τέλος, περιγράφονται αναλυτικά όλες οι μεθοδολογίες που έχουν υλοποιηθεί σε παρεμφερείς έρευνες καθώς και εκείνη που προτιμάται στην τρέχουσα. Τα αποτελέσματα όλων των αλγορίθμων σε κάθε σύνολο δεδομένων παρατίθενται και σχολιάζονται εκτενώς. Η ανίχνευση του διαδικτυακού εκφοβισμού και η σωστή κατηγοριοποίησή του γίνονται με υψηλή ακρίβεια. Ωστόσο, επισημαίνονται κάποιες μικρές αστοχίες και τίθεται ως μελλοντικός στόχος η δημιουργία νευρωνικού δικτύου για ενδεχόμενη βελτίωση αυτών των αστοχιών.","This thesis concerns the application and comparison of machine learning algorithms for sentiment analysis in order to detect cyberbullying. The algorithms are applied to two different datasets: SOSNet Twitter Dataset and Suspicious Tweets Dataset. The purpose of the work was, in addition to simple detection of online bullying, to further find the type of bullying according to specific criteria such as age, gender, nationality, etc. Furthermore, the linguistic elements of the texts of each category are presented, as well as the results of other researches regarding the incidence of cyberbullying according to the personal characteristics of the person under study. As extensions of the present study, the creation of a system which will take into account personal axes/criteria such as gender, nationality, sexual orientation etc. for the detection of online bullying is proposed. In addition, the linguistic features are collected so that the research can be adapted to Greek data as well. The first effort for this extension takes place in the present study. Finally, all the methodologies that have been implemented in similar research are described in detail, as well as the one preferred in the current one. The results of all algorithms on each data set are listed and commented extensively. The detection of cyberbullying and its correct categorization are done with high accuracy. However, some minor failures are pointed out and a future goal is to create a neural network to potentially improve these failures."],"dc:identifier":["uoadl:3300910","https://pergamos.lib.uoa.gr/uoa/dl/object/3300910"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Ανίχνευση διαδικτυακού εκφοβισμού με χρήση αλγορίθμων μηχανικής μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:21:45Z"}