{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3336734"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3336734","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"AMR-based scientific claim detection","abstract":"Στόχος της παρούσας διπλωματικής εργασίας είναι να διερευνήσει τις δυνατότητες χρήσης σημασιακών αναπαραστάσεων στον τομέα της ανίχνευσης επιστημονικών ισχυρισμών σε φυσική γλώσσα. Η ανίχνευση επιστημονικών ισχυρισμών υπάγεται στο ευρύτερο task της εξόρυξης επιχειρημάτων, η οποία στοχεύει στον αυτόματο εντοπισμό και ανάλυση επιχειρημάτων εντός μη δομημένου κειμένου. Ο εντοπισμός επιστημονικών ισχυρισμών είναι ιδιαίτερα σημαντικός ώστε να περιοριστεί ο αριθμός ψευδών ισχυρισμών στο διαδίκτυο, οι οποίοι δυνητικά παραπλανούν τον αναγνώστη σχετικά με επιστημονικά θέματα. Η κύρια υπόθεση αυτής της διατριβής είναι ότι οι επιστημονικοί ισχυρισμοί συχνά εκφράζονται μέσα από συγκεκριμένα ρητορικά σχήματα που αντικατοπτρίζουν τη φύση ή το σκοπό των ευρημάτων τους. Αυτά τα σχήματα μπορούν να αναγνωριστούν με την ανάλυση των κατηγορημάτων των προτάσεων, που είναι οι κύριοι φορείς του νοήματος. Για να ελεγχθεί αυτή η υπόθεση, η διατριβή υιοθετεί τη σημασιολογική αναπαράσταση AMR, η οποία είναι ένας φορμαλισμός βασισμένος σε γράφους που αποτυπώνουν την ανάπτυξη των κατηγορημάτων και των επιχειρημάτων τους στην πρόταση. Η διατριβή αυτή προτείνει μια μέθοδο χρήσης αναπαραστάσεων AMR για εξαγωγή των κατηγορημάτων, και μετέπειτα την αντίστοιχη απόδοση βαθμολογίας, ανάλογα με την γενικότερη συχνότητά τους στις προτάσεις ισχυρισμών. Η μέθοδος εφαρμόζεται σε δεδομένα που αποτελούνται από άρθρα τριών τομέων: υγεία, κλιματική αλλαγή και διατροφή. Η απόδοση της μεθόδου αξιολογείται σε σύγκριση με το ClaimBuster, ένα μοντέλο ανίχνευσης επιστημονικών ισχυρισμών που βασίζεται σε εποπτευόμενη μάθηση. Τα αποτελέσματα δείχνουν ότι η σημασιολογική προσέγγιση που προτείνεται σε αυτή τη διατριβή υπερέχει του μοντέλου ClaimBuster όσον αφορά τα accuracy, precision και F1-score στην ανίχνευση επιστημονικών ισχυρισμών. Η διατριβή ολοκληρώνεται συζητώντας τις επιπτώσεις και τους περιορισμούς της σημασιολογικής προσέγγισης, και προτείνοντας κατευθύνσεις για μελλοντική έρευνα.","abstract_html":"Στόχος της παρούσας διπλωματικής εργασίας είναι να διερευνήσει τις δυνατότητες χρήσης σημασιακών αναπαραστάσεων στον τομέα της ανίχνευσης επιστημονικών ισχυρισμών σε φυσική γλώσσα. Η ανίχνευση επιστημονικών ισχυρισμών υπάγεται στο ευρύτερο task της εξόρυξης επιχειρημάτων, η οποία στοχεύει στον αυτόματο εντοπισμό και ανάλυση επιχειρημάτων εντός μη δομημένου κειμένου. Ο εντοπισμός επιστημονικών ισχυρισμών είναι ιδιαίτερα σημαντικός ώστε να περιοριστεί ο αριθμός ψευδών ισχυρισμών στο διαδίκτυο, οι οποίοι δυνητικά παραπλανούν τον αναγνώστη σχετικά με επιστημονικά θέματα. Η κύρια υπόθεση αυτής της διατριβής είναι ότι οι επιστημονικοί ισχυρισμοί συχνά εκφράζονται μέσα από συγκεκριμένα ρητορικά σχήματα που αντικατοπτρίζουν τη φύση ή το σκοπό των ευρημάτων τους. Αυτά τα σχήματα μπορούν να αναγνωριστούν με την ανάλυση των κατηγορημάτων των προτάσεων, που είναι οι κύριοι φορείς του νοήματος. Για να ελεγχθεί αυτή η υπόθεση, η διατριβή υιοθετεί τη σημασιολογική αναπαράσταση AMR, η οποία είναι ένας φορμαλισμός βασισμένος σε γράφους που αποτυπώνουν την ανάπτυξη των κατηγορημάτων και των επιχειρημάτων τους στην πρόταση. Η διατριβή αυτή προτείνει μια μέθοδο χρήσης αναπαραστάσεων AMR για εξαγωγή των κατηγορημάτων, και μετέπειτα την αντίστοιχη απόδοση βαθμολογίας, ανάλογα με την γενικότερη συχνότητά τους στις προτάσεις ισχυρισμών. Η μέθοδος εφαρμόζεται σε δεδομένα που αποτελούνται από άρθρα τριών τομέων: υγεία, κλιματική αλλαγή και διατροφή. Η απόδοση της μεθόδου αξιολογείται σε σύγκριση με το ClaimBuster, ένα μοντέλο ανίχνευσης επιστημονικών ισχυρισμών που βασίζεται σε εποπτευόμενη μάθηση. Τα αποτελέσματα δείχνουν ότι η σημασιολογική προσέγγιση που προτείνεται σε αυτή τη διατριβή υπερέχει του μοντέλου ClaimBuster όσον αφορά τα accuracy, precision και F1-score στην ανίχνευση επιστημονικών ισχυρισμών. Η διατριβή ολοκληρώνεται συζητώντας τις επιπτώσεις και τους περιορισμούς της σημασιολογικής προσέγγισης, και προτείνοντας κατευθύνσεις για μελλοντική έρευνα.","abstract_has_math":false,"creators":["Παττακός Κωνσταντίνος","Pattakos Konstantinos"],"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":"2026-11-19T06:22:56Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3336734"],"render_values":[{"text":"uoadl:3336734","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3336734","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3336734","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%3A3336734","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Παττακός Κωνσταντίνος","Pattakos Konstantinos"]}]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3336734","https://pergamos.lib.uoa.gr/uoa/dl/object/3336734"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στόχος της παρούσας διπλωματικής εργασίας είναι να διερευνήσει τις δυνατότητες χρήσης σημασιακών αναπαραστάσεων στον τομέα της ανίχνευσης επιστημονικών ισχυρισμών σε φυσική γλώσσα. Η ανίχνευση επιστημονικών ισχυρισμών υπάγεται στο ευρύτερο task της εξόρυξης επιχειρημάτων, η οποία στοχεύει στον αυτόματο εντοπισμό και ανάλυση επιχειρημάτων εντός μη δομημένου κειμένου. Ο εντοπισμός επιστημονικών ισχυρισμών είναι ιδιαίτερα σημαντικός ώστε να περιοριστεί ο αριθμός ψευδών ισχυρισμών στο διαδίκτυο, οι οποίοι δυνητικά παραπλανούν τον αναγνώστη σχετικά με επιστημονικά θέματα. Η κύρια υπόθεση αυτής της διατριβής είναι ότι οι επιστημονικοί ισχυρισμοί συχνά εκφράζονται μέσα από συγκεκριμένα ρητορικά σχήματα που αντικατοπτρίζουν τη φύση ή το σκοπό των ευρημάτων τους. Αυτά τα σχήματα μπορούν να αναγνωριστούν με την ανάλυση των κατηγορημάτων των προτάσεων, που είναι οι κύριοι φορείς του νοήματος. Για να ελεγχθεί αυτή η υπόθεση, η διατριβή υιοθετεί τη σημασιολογική αναπαράσταση AMR, η οποία είναι ένας φορμαλισμός βασισμένος σε γράφους που αποτυπώνουν την ανάπτυξη των κατηγορημάτων και των επιχειρημάτων τους στην πρόταση. Η διατριβή αυτή προτείνει μια μέθοδο χρήσης αναπαραστάσεων AMR για εξαγωγή των κατηγορημάτων, και μετέπειτα την αντίστοιχη απόδοση βαθμολογίας, ανάλογα με την γενικότερη συχνότητά τους στις προτάσεις ισχυρισμών. Η μέθοδος εφαρμόζεται σε δεδομένα που αποτελούνται από άρθρα τριών τομέων: υγεία, κλιματική αλλαγή και διατροφή. Η απόδοση της μεθόδου αξιολογείται σε σύγκριση με το ClaimBuster, ένα μοντέλο ανίχνευσης επιστημονικών ισχυρισμών που βασίζεται σε εποπτευόμενη μάθηση. Τα αποτελέσματα δείχνουν ότι η σημασιολογική προσέγγιση που προτείνεται σε αυτή τη διατριβή υπερέχει του μοντέλου ClaimBuster όσον αφορά τα accuracy, precision και F1-score στην ανίχνευση επιστημονικών ισχυρισμών. Η διατριβή ολοκληρώνεται συζητώντας τις επιπτώσεις και τους περιορισμούς της σημασιολογικής προσέγγισης, και προτείνοντας κατευθύνσεις για μελλοντική έρευνα.","The aim of this thesis is to investigate the potential of semantic representation for the task of scientific claim detection in natural language text. Scientific claim detection is a subtask of argumentation mining, which aims to automatically identify and analyze arguments within unstructured text. Scientific claim detection is especially relevant in the context of fake claims online, which can mislead or confuse the public about scientific topics. The main hypothesis of this thesis is that scientific claims are often expressed within specific rhetorical schemata that reflect the nature or the purpose of their findings. These schemata can be recognized by analyzing the predicates of the sentences, which are the main carriers of meaning. To test this hypothesis, the thesis adopts the AMR semantic representation, which is a graph-based formalism that captures the predicates and their arguments in a sentence. The thesis proposes a method that uses AMR representations to extract the predicates and apply scores, depending on their presence in claim sentences. The method is applied to a dataset of articles from three domains: health, climate change, and nutrition. The performance of the method is evaluated against the ClaimBuster model, which is a benchmark model for scientific claim detection based on supervised learning. The results show that the semantic approach proposed in this thesis outperforms the ClaimBuster model in terms of accuracy, precision, and F1-score for detecting scientific claims. The thesis concludes by discussing the implications and limitations of the semantic approach, and suggesting directions for future research."]},{"key":"dc:title","label":"Title","values":["AMR-based scientific claim detection"]}]}],"canonical_facts":{"dc:creator":["Παττακός Κωνσταντίνος","Pattakos Konstantinos"],"dc:date":["2023"],"dc:description":["Στόχος της παρούσας διπλωματικής εργασίας είναι να διερευνήσει τις δυνατότητες χρήσης σημασιακών αναπαραστάσεων στον τομέα της ανίχνευσης επιστημονικών ισχυρισμών σε φυσική γλώσσα. Η ανίχνευση επιστημονικών ισχυρισμών υπάγεται στο ευρύτερο task της εξόρυξης επιχειρημάτων, η οποία στοχεύει στον αυτόματο εντοπισμό και ανάλυση επιχειρημάτων εντός μη δομημένου κειμένου. Ο εντοπισμός επιστημονικών ισχυρισμών είναι ιδιαίτερα σημαντικός ώστε να περιοριστεί ο αριθμός ψευδών ισχυρισμών στο διαδίκτυο, οι οποίοι δυνητικά παραπλανούν τον αναγνώστη σχετικά με επιστημονικά θέματα. Η κύρια υπόθεση αυτής της διατριβής είναι ότι οι επιστημονικοί ισχυρισμοί συχνά εκφράζονται μέσα από συγκεκριμένα ρητορικά σχήματα που αντικατοπτρίζουν τη φύση ή το σκοπό των ευρημάτων τους. Αυτά τα σχήματα μπορούν να αναγνωριστούν με την ανάλυση των κατηγορημάτων των προτάσεων, που είναι οι κύριοι φορείς του νοήματος. Για να ελεγχθεί αυτή η υπόθεση, η διατριβή υιοθετεί τη σημασιολογική αναπαράσταση AMR, η οποία είναι ένας φορμαλισμός βασισμένος σε γράφους που αποτυπώνουν την ανάπτυξη των κατηγορημάτων και των επιχειρημάτων τους στην πρόταση. Η διατριβή αυτή προτείνει μια μέθοδο χρήσης αναπαραστάσεων AMR για εξαγωγή των κατηγορημάτων, και μετέπειτα την αντίστοιχη απόδοση βαθμολογίας, ανάλογα με την γενικότερη συχνότητά τους στις προτάσεις ισχυρισμών. Η μέθοδος εφαρμόζεται σε δεδομένα που αποτελούνται από άρθρα τριών τομέων: υγεία, κλιματική αλλαγή και διατροφή. Η απόδοση της μεθόδου αξιολογείται σε σύγκριση με το ClaimBuster, ένα μοντέλο ανίχνευσης επιστημονικών ισχυρισμών που βασίζεται σε εποπτευόμενη μάθηση. Τα αποτελέσματα δείχνουν ότι η σημασιολογική προσέγγιση που προτείνεται σε αυτή τη διατριβή υπερέχει του μοντέλου ClaimBuster όσον αφορά τα accuracy, precision και F1-score στην ανίχνευση επιστημονικών ισχυρισμών. Η διατριβή ολοκληρώνεται συζητώντας τις επιπτώσεις και τους περιορισμούς της σημασιολογικής προσέγγισης, και προτείνοντας κατευθύνσεις για μελλοντική έρευνα.","The aim of this thesis is to investigate the potential of semantic representation for the task of scientific claim detection in natural language text. Scientific claim detection is a subtask of argumentation mining, which aims to automatically identify and analyze arguments within unstructured text. Scientific claim detection is especially relevant in the context of fake claims online, which can mislead or confuse the public about scientific topics. The main hypothesis of this thesis is that scientific claims are often expressed within specific rhetorical schemata that reflect the nature or the purpose of their findings. These schemata can be recognized by analyzing the predicates of the sentences, which are the main carriers of meaning. To test this hypothesis, the thesis adopts the AMR semantic representation, which is a graph-based formalism that captures the predicates and their arguments in a sentence. The thesis proposes a method that uses AMR representations to extract the predicates and apply scores, depending on their presence in claim sentences. The method is applied to a dataset of articles from three domains: health, climate change, and nutrition. The performance of the method is evaluated against the ClaimBuster model, which is a benchmark model for scientific claim detection based on supervised learning. The results show that the semantic approach proposed in this thesis outperforms the ClaimBuster model in terms of accuracy, precision, and F1-score for detecting scientific claims. The thesis concludes by discussing the implications and limitations of the semantic approach, and suggesting directions for future research."],"dc:identifier":["uoadl:3336734","https://pergamos.lib.uoa.gr/uoa/dl/object/3336734"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["AMR-based scientific claim detection"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:56Z"}