{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3315512"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3315512","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Συλλογή και αξιολόγηση δεδομένων εθνοφαρμακολογικού ενδιαφέροντος με τη χρήση μηχανικής μάθησης","abstract":"Η εργασία στοχεύει στην κατανόηση και αξιοποίηση τεχνικών μηχανικής μάθησης (και τεχνητής νοημοσύνης γενικότερα) για την ανάλυση δημοσιεύσεων και ισχυρισμών που σχετίζονται με ιατρο-βιολογικά θέματα. Για το σκοπό αυτό επιλέχθηκανδημοσιεύσεις σχετικές με εθνοφαρμακολογικό περιεχόμενο ως πιθανός χώρος επαλήθευσης των μεθόδων που θα αναπτυχθούν. Ως πηγές δεδομένων επιλέχθηκαν τα κοινωνικά δίκτυα και ειδικότερα το Twitter. Στα συλλεγμένα δεδομένα αξιοποιήθηκαν μέθοδοι ανάλυσης συναισθήματος και ανάλυσης φυσικής γλώσσας εν γένει, για την αξιολόγηση της μεταδιδόμενης πληροφορίας. Με βάση αυτήν την ανάλυση, επιδιώξαμε να εξάγουμε συμπεράσματα για την κοινή γνώμη σε διάφορες ομάδες πληθυσμού (π.χ. διαφορετικές χώρες του κόσμου), σχετικά με τα θέματα ενδιαφέροντος, αλλά και να κατανοήσουμε τη σύνδεση μεταξύ του συναισθήματος και της αξιοπιστίας της πληροφορίας.","abstract_html":"Η εργασία στοχεύει στην κατανόηση και αξιοποίηση τεχνικών μηχανικής μάθησης (και τεχνητής νοημοσύνης γενικότερα) για την ανάλυση δημοσιεύσεων και ισχυρισμών που σχετίζονται με ιατρο-βιολογικά θέματα. Για το σκοπό αυτό επιλέχθηκανδημοσιεύσεις σχετικές με εθνοφαρμακολογικό περιεχόμενο ως πιθανός χώρος επαλήθευσης των μεθόδων που θα αναπτυχθούν. Ως πηγές δεδομένων επιλέχθηκαν τα κοινωνικά δίκτυα και ειδικότερα το Twitter. Στα συλλεγμένα δεδομένα αξιοποιήθηκαν μέθοδοι ανάλυσης συναισθήματος και ανάλυσης φυσικής γλώσσας εν γένει, για την αξιολόγηση της μεταδιδόμενης πληροφορίας. Με βάση αυτήν την ανάλυση, επιδιώξαμε να εξάγουμε συμπεράσματα για την κοινή γνώμη σε διάφορες ομάδες πληθυσμού (π.χ. διαφορετικές χώρες του κόσμου), σχετικά με τα θέματα ενδιαφέροντος, αλλά και να κατανοήσουμε τη σύνδεση μεταξύ του συναισθήματος και της αξιοπιστίας της πληροφορίας.","abstract_has_math":false,"creators":["Μπαλωτής Χρήστος","Mpalotis Christos"],"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":"2026-11-19T06:21:56Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3315512"],"render_values":[{"text":"uoadl:3315512","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3315512","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3315512","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%3A3315512","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπαλωτής Χρήστος","Mpalotis Christos"]}]},{"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"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3315512","https://pergamos.lib.uoa.gr/uoa/dl/object/3315512"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η εργασία στοχεύει στην κατανόηση και αξιοποίηση τεχνικών μηχανικής μάθησης (και τεχνητής νοημοσύνης γενικότερα) για την ανάλυση δημοσιεύσεων και ισχυρισμών που σχετίζονται με ιατρο-βιολογικά θέματα. Για το σκοπό αυτό επιλέχθηκανδημοσιεύσεις σχετικές με εθνοφαρμακολογικό περιεχόμενο ως πιθανός χώρος επαλήθευσης των μεθόδων που θα αναπτυχθούν. Ως πηγές δεδομένων επιλέχθηκαν τα κοινωνικά δίκτυα και ειδικότερα το Twitter. Στα συλλεγμένα δεδομένα αξιοποιήθηκαν μέθοδοι ανάλυσης συναισθήματος και ανάλυσης φυσικής γλώσσας εν γένει, για την αξιολόγηση της μεταδιδόμενης πληροφορίας. Με βάση αυτήν την ανάλυση, επιδιώξαμε να εξάγουμε συμπεράσματα για την κοινή γνώμη σε διάφορες ομάδες πληθυσμού (π.χ. διαφορετικές χώρες του κόσμου), σχετικά με τα θέματα ενδιαφέροντος, αλλά και να κατανοήσουμε τη σύνδεση μεταξύ του συναισθήματος και της αξιοπιστίας της πληροφορίας.","The work aims to understand and utilize machine learning techniques (and artificial intelligence in general) to analyze publications and claims related to medical-biological issues. For this purpose, publications related to ethno-pharmacological content were selected as a potential site for the verification of the methods to be developed. Social networks and in particular Twitter were selected as data sources. Sentiment analysis and natural language analysis methods in general were utilized in the collected data to evaluate the transmitted information. Based on this analysis, we sought to draw conclusions about public opinion in different population groups (e.g., different countries of the world) on topics of interest, and to understand the link between sentiment and information reliability."]},{"key":"dc:title","label":"Title","values":["Συλλογή και αξιολόγηση δεδομένων εθνοφαρμακολογικού ενδιαφέροντος με τη χρήση μηχανικής μάθησης"]}]}],"canonical_facts":{"dc:creator":["Μπαλωτής Χρήστος","Mpalotis Christos"],"dc:date":["2023"],"dc:description":["Η εργασία στοχεύει στην κατανόηση και αξιοποίηση τεχνικών μηχανικής μάθησης (και τεχνητής νοημοσύνης γενικότερα) για την ανάλυση δημοσιεύσεων και ισχυρισμών που σχετίζονται με ιατρο-βιολογικά θέματα. Για το σκοπό αυτό επιλέχθηκανδημοσιεύσεις σχετικές με εθνοφαρμακολογικό περιεχόμενο ως πιθανός χώρος επαλήθευσης των μεθόδων που θα αναπτυχθούν. Ως πηγές δεδομένων επιλέχθηκαν τα κοινωνικά δίκτυα και ειδικότερα το Twitter. Στα συλλεγμένα δεδομένα αξιοποιήθηκαν μέθοδοι ανάλυσης συναισθήματος και ανάλυσης φυσικής γλώσσας εν γένει, για την αξιολόγηση της μεταδιδόμενης πληροφορίας. Με βάση αυτήν την ανάλυση, επιδιώξαμε να εξάγουμε συμπεράσματα για την κοινή γνώμη σε διάφορες ομάδες πληθυσμού (π.χ. διαφορετικές χώρες του κόσμου), σχετικά με τα θέματα ενδιαφέροντος, αλλά και να κατανοήσουμε τη σύνδεση μεταξύ του συναισθήματος και της αξιοπιστίας της πληροφορίας.","The work aims to understand and utilize machine learning techniques (and artificial intelligence in general) to analyze publications and claims related to medical-biological issues. For this purpose, publications related to ethno-pharmacological content were selected as a potential site for the verification of the methods to be developed. Social networks and in particular Twitter were selected as data sources. Sentiment analysis and natural language analysis methods in general were utilized in the collected data to evaluate the transmitted information. Based on this analysis, we sought to draw conclusions about public opinion in different population groups (e.g., different countries of the world) on topics of interest, and to understand the link between sentiment and information reliability."],"dc:identifier":["uoadl:3315512","https://pergamos.lib.uoa.gr/uoa/dl/object/3315512"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Συλλογή και αξιολόγηση δεδομένων εθνοφαρμακολογικού ενδιαφέροντος με τη χρήση μηχανικής μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:21:56Z"}