{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3325589"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3325589","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Εφαρμογή για την εξόρυξη (ανάκτηση και κατηγοριοποίηση) δεδομένων απο το κοινωνικό δίκτυο Twitter αναφορικά με την ψυχολογία του πληθυσμού στην πανδημία Covid-19","abstract":"Η παρούσα εργασία, που εκπονείται στο πλαίσιο του Διιδρυματικού Προγράμματος Μεταπτυχιακών Σπουδών «Οργάνωση και Διοίκηση Υπηρεσιών Υγείας – Πληροφορική της Υγείας», πραγματεύεται την εξόρυξη γνώσης απο το Twitter σχετικά με το Long Covid. Αρχικά, γίνεται αναφορά στα μεγάλα δεδομένα στην Υγεία και την επεξεργασία φυσικής γλώσσας. Στη συνέχεια αναφέρονται περιπτώσεις όπου η επεξεργασία φυσικής γλώσσας εξήγαγε χρήσιμα συμπεράσματα για τη δημόσια υγεία την περίοδο του Covid-19. Ακολουθεί η μελέτη περίπτωσης όπου αναλύθηκαν tweets στα ελληνικά που αναφέρονταν στο Long Covid. Μετά την προεπεξεργασία των δεδομένων βρέθηκαν τα κύρια θέματα στα οποία αναφέρονται οι χρήστες και έγινε ανάλυση συναισθήματος. Η προεπεξεργασία και η ανάλυση των αποτελεσμάτων έγινε σε Python με το εργαλείο Jupyter Notebook . Τα αποτελέσματα έδειξαν τα ακόλουθα κύρια θέματα: οι πολίτες συζητούν τις επιπτώσεις του Long Covid, τις επιπτώσεις του Long Covid σε συγκεκριμένες ομάδες πληθυσμού όπως τα παιδιά και τέλος για τρόπους αντιμετώπισης όπως τα εμβόλια. To 59% των tweets είχε αρνητικό συναίσθημα ενώ τα υπόλοιπα είχαν θετικό ή ουδέτερο συναίσθημα.","abstract_html":"Η παρούσα εργασία, που εκπονείται στο πλαίσιο του Διιδρυματικού Προγράμματος Μεταπτυχιακών Σπουδών «Οργάνωση και Διοίκηση Υπηρεσιών Υγείας – Πληροφορική της Υγείας», πραγματεύεται την εξόρυξη γνώσης απο το Twitter σχετικά με το Long Covid. Αρχικά, γίνεται αναφορά στα μεγάλα δεδομένα στην Υγεία και την επεξεργασία φυσικής γλώσσας. Στη συνέχεια αναφέρονται περιπτώσεις όπου η επεξεργασία φυσικής γλώσσας εξήγαγε χρήσιμα συμπεράσματα για τη δημόσια υγεία την περίοδο του Covid-19. Ακολουθεί η μελέτη περίπτωσης όπου αναλύθηκαν tweets στα ελληνικά που αναφέρονταν στο Long Covid. Μετά την προεπεξεργασία των δεδομένων βρέθηκαν τα κύρια θέματα στα οποία αναφέρονται οι χρήστες και έγινε ανάλυση συναισθήματος. Η προεπεξεργασία και η ανάλυση των αποτελεσμάτων έγινε σε Python με το εργαλείο Jupyter Notebook . Τα αποτελέσματα έδειξαν τα ακόλουθα κύρια θέματα: οι πολίτες συζητούν τις επιπτώσεις του Long Covid, τις επιπτώσεις του Long Covid σε συγκεκριμένες ομάδες πληθυσμού όπως τα παιδιά και τέλος για τρόπους αντιμετώπισης όπως τα εμβόλια. To 59% των tweets είχε αρνητικό συναίσθημα ενώ τα υπόλοιπα είχαν θετικό ή ουδέτερο συναίσθημα.","abstract_has_math":false,"creators":["Κατίκα Aφροδίτη","Katika Afroditi"],"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":"2026-11-19T06:22:08Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3325589"],"render_values":[{"text":"uoadl:3325589","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3325589","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3325589","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%3A3325589","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κατίκα Aφροδίτη","Katika Afroditi"]}]},{"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":["Επιστήμες Υγείας","Health Sciences"]}]},{"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:3325589","https://pergamos.lib.uoa.gr/uoa/dl/object/3325589"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία, που εκπονείται στο πλαίσιο του Διιδρυματικού Προγράμματος Μεταπτυχιακών Σπουδών «Οργάνωση και Διοίκηση Υπηρεσιών Υγείας – Πληροφορική της Υγείας», πραγματεύεται την εξόρυξη γνώσης απο το Twitter σχετικά με το Long Covid. Αρχικά, γίνεται αναφορά στα μεγάλα δεδομένα στην Υγεία και την επεξεργασία φυσικής γλώσσας. Στη συνέχεια αναφέρονται περιπτώσεις όπου η επεξεργασία φυσικής γλώσσας εξήγαγε χρήσιμα συμπεράσματα για τη δημόσια υγεία την περίοδο του Covid-19. Ακολουθεί η μελέτη περίπτωσης όπου αναλύθηκαν tweets στα ελληνικά που αναφέρονταν στο Long Covid. Μετά την προεπεξεργασία των δεδομένων βρέθηκαν τα κύρια θέματα στα οποία αναφέρονται οι χρήστες και έγινε ανάλυση συναισθήματος. Η προεπεξεργασία και η ανάλυση των αποτελεσμάτων έγινε σε Python με το εργαλείο Jupyter Notebook . Τα αποτελέσματα έδειξαν τα ακόλουθα κύρια θέματα: οι πολίτες συζητούν τις επιπτώσεις του Long Covid, τις επιπτώσεις του Long Covid σε συγκεκριμένες ομάδες πληθυσμού όπως τα παιδιά και τέλος για τρόπους αντιμετώπισης όπως τα εμβόλια. To 59% των tweets είχε αρνητικό συναίσθημα ενώ τα υπόλοιπα είχαν θετικό ή ουδέτερο συναίσθημα.","This thesis, prepared in the framework of the InterUniversity Postgraduate Program \"Health Care Management – Health Informatics\" discusses Greek speaking users’ attitude with regards to Long Covid. Initially there is a mention of big data in healthcare and natural language processing. Afterwards, there is a list of use cases where natural language processing provided important insights for public health over the pandemic of Covid-19. Then the main use case of this thesis is presented. Twitter data in the Greek language referring to Long Covid were mined, processed and analysed to model main topics of discussion and analyse sentiment. Pre-processing, analysis and results were performed in Python using Jupyter Notebook tool. Results highlighted the following discussion topics: Greek-speaking users discuss Long Covid effects, Long Covid effects in specific population groups like children and vaccines. 59% of analysed tweets conveyed a negative sentiment while the rest had positive or neutral sentiment."]},{"key":"dc:title","label":"Title","values":["Εφαρμογή για την εξόρυξη (ανάκτηση και κατηγοριοποίηση) δεδομένων απο το κοινωνικό δίκτυο Twitter αναφορικά με την ψυχολογία του πληθυσμού στην πανδημία Covid-19"]}]}],"canonical_facts":{"dc:creator":["Κατίκα Aφροδίτη","Katika Afroditi"],"dc:date":["2023"],"dc:description":["Η παρούσα εργασία, που εκπονείται στο πλαίσιο του Διιδρυματικού Προγράμματος Μεταπτυχιακών Σπουδών «Οργάνωση και Διοίκηση Υπηρεσιών Υγείας – Πληροφορική της Υγείας», πραγματεύεται την εξόρυξη γνώσης απο το Twitter σχετικά με το Long Covid. Αρχικά, γίνεται αναφορά στα μεγάλα δεδομένα στην Υγεία και την επεξεργασία φυσικής γλώσσας. Στη συνέχεια αναφέρονται περιπτώσεις όπου η επεξεργασία φυσικής γλώσσας εξήγαγε χρήσιμα συμπεράσματα για τη δημόσια υγεία την περίοδο του Covid-19. Ακολουθεί η μελέτη περίπτωσης όπου αναλύθηκαν tweets στα ελληνικά που αναφέρονταν στο Long Covid. Μετά την προεπεξεργασία των δεδομένων βρέθηκαν τα κύρια θέματα στα οποία αναφέρονται οι χρήστες και έγινε ανάλυση συναισθήματος. Η προεπεξεργασία και η ανάλυση των αποτελεσμάτων έγινε σε Python με το εργαλείο Jupyter Notebook . Τα αποτελέσματα έδειξαν τα ακόλουθα κύρια θέματα: οι πολίτες συζητούν τις επιπτώσεις του Long Covid, τις επιπτώσεις του Long Covid σε συγκεκριμένες ομάδες πληθυσμού όπως τα παιδιά και τέλος για τρόπους αντιμετώπισης όπως τα εμβόλια. To 59% των tweets είχε αρνητικό συναίσθημα ενώ τα υπόλοιπα είχαν θετικό ή ουδέτερο συναίσθημα.","This thesis, prepared in the framework of the InterUniversity Postgraduate Program \"Health Care Management – Health Informatics\" discusses Greek speaking users’ attitude with regards to Long Covid. Initially there is a mention of big data in healthcare and natural language processing. Afterwards, there is a list of use cases where natural language processing provided important insights for public health over the pandemic of Covid-19. Then the main use case of this thesis is presented. Twitter data in the Greek language referring to Long Covid were mined, processed and analysed to model main topics of discussion and analyse sentiment. Pre-processing, analysis and results were performed in Python using Jupyter Notebook tool. Results highlighted the following discussion topics: Greek-speaking users discuss Long Covid effects, Long Covid effects in specific population groups like children and vaccines. 59% of analysed tweets conveyed a negative sentiment while the rest had positive or neutral sentiment."],"dc:identifier":["uoadl:3325589","https://pergamos.lib.uoa.gr/uoa/dl/object/3325589"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Εφαρμογή για την εξόρυξη (ανάκτηση και κατηγοριοποίηση) δεδομένων απο το κοινωνικό δίκτυο Twitter αναφορικά με την ψυχολογία του πληθυσμού στην πανδημία Covid-19"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:08Z"}