{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3389221"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3389221","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 Ψευδών Ειδήσεων για Covid-19","abstract":"H εξάπλωση της πανδημίας του COVID-19 συνοδεύτηκε από μια εκρηκτική αύξηση και διασπορά των ψευδών ειδήσεων σχετικά με τον ιό. Αρωγός στην διασπορά τους στάθηκε και η εκτεταμένη χρήση των μέσων κοινωνικής δικτύωσης. Οι επιπτώσεις της διασποράς των ψευδών ειδήσεων ήταν πολυάριθμες και πολυεπίπεδες, από την επιβάρυνση των υγειονομικών συστημάτων μέχρι την πρόκληση αναστάτωσης και παραπλάνησης του κοινού. Εξαιτίας αυτής της τάσης, έγινε επιτακτική η ανίχνευση τους. Με την χρήση τεχνολογιών όπως η τεχνητή νοημοσύνη και η μηχανική μάθηση, αναπτύχθηκαν αλγόριθμοι και συστήματα για την αναγνώριση και την κατηγοριοποίηση των ψευδών πληροφοριών. Στην παρούσα Διπλωματική Εργασία και μελέτη, θα εξεταστούν και θα συγκριθούν τεχνικές, μέθοδοι και αλγόριθμοι μηχανικής και βαθιάς μηχανικής μάθησης, που χρησιμοποιούνται για την ανίχνευση ψευδών ειδήσεων, μέσω της επεξεργασίας φυσικής γλώσσας. Για την επίτευξη του σκοπού της παρούσας εργασίας χρησιμοποιήθηκαν επικεφαλίδες άρθρων, καθώς και αναρτήσεις στα μέσα κοινωνικής δικτύωσης (twitter, Facebook, Instagram, etc.) σχετικές με την Πανδημία. Τα κείμενα που συλλέχθηκαν είναι στην αγγλική γλώσσα και υποβλήθηκαν σε επεξεργασία χρησιμοποιώντας τεχνικές επεξεργασίας φυσικής γλώσσας, με απώτερο σκοπό την κατηγοριοποίησή τους σε ψευδείς ή αληθείς. Η κατηγοριοποίηση πραγματοποιήθηκε με την χρήση αλγορίθμων μηχανικής και βαθιάς μηχανικής μάθησης. Συγκεκριμένα, χρησιμοποιήθηκαν οι τεχνικές συχνότητας όρων/αντίστροφης συχνότητας όρων (TF-IDF) και ενσωμάτωσης λέξεων (Word2Vec) για την επεξεργασία φυσικής γλώσσας, καθώς και οι αλγόριθμοι Λογιστική Παλινδρόμηση, Πολυωνυμικός αλγόριθμος Naive Bayes, Decision Tree, KNN και το μοντέλο βαθιάς μηχανικής μάθηση (LSTM) για την απόδοση ετικετών (ψευδής ή αληθής) σε κάθε κείμενο. Για την υλοποίηση της έρευνας χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python.","abstract_html":"H εξάπλωση της πανδημίας του COVID-19 συνοδεύτηκε από μια εκρηκτική αύξηση και διασπορά των ψευδών ειδήσεων σχετικά με τον ιό. Αρωγός στην διασπορά τους στάθηκε και η εκτεταμένη χρήση των μέσων κοινωνικής δικτύωσης. Οι επιπτώσεις της διασποράς των ψευδών ειδήσεων ήταν πολυάριθμες και πολυεπίπεδες, από την επιβάρυνση των υγειονομικών συστημάτων μέχρι την πρόκληση αναστάτωσης και παραπλάνησης του κοινού. Εξαιτίας αυτής της τάσης, έγινε επιτακτική η ανίχνευση τους. Με την χρήση τεχνολογιών όπως η τεχνητή νοημοσύνη και η μηχανική μάθηση, αναπτύχθηκαν αλγόριθμοι και συστήματα για την αναγνώριση και την κατηγοριοποίηση των ψευδών πληροφοριών. Στην παρούσα Διπλωματική Εργασία και μελέτη, θα εξεταστούν και θα συγκριθούν τεχνικές, μέθοδοι και αλγόριθμοι μηχανικής και βαθιάς μηχανικής μάθησης, που χρησιμοποιούνται για την ανίχνευση ψευδών ειδήσεων, μέσω της επεξεργασίας φυσικής γλώσσας. Για την επίτευξη του σκοπού της παρούσας εργασίας χρησιμοποιήθηκαν επικεφαλίδες άρθρων, καθώς και αναρτήσεις στα μέσα κοινωνικής δικτύωσης (twitter, Facebook, Instagram, etc.) σχετικές με την Πανδημία. Τα κείμενα που συλλέχθηκαν είναι στην αγγλική γλώσσα και υποβλήθηκαν σε επεξεργασία χρησιμοποιώντας τεχνικές επεξεργασίας φυσικής γλώσσας, με απώτερο σκοπό την κατηγοριοποίησή τους σε ψευδείς ή αληθείς. Η κατηγοριοποίηση πραγματοποιήθηκε με την χρήση αλγορίθμων μηχανικής και βαθιάς μηχανικής μάθησης. Συγκεκριμένα, χρησιμοποιήθηκαν οι τεχνικές συχνότητας όρων/αντίστροφης συχνότητας όρων (TF-IDF) και ενσωμάτωσης λέξεων (Word2Vec) για την επεξεργασία φυσικής γλώσσας, καθώς και οι αλγόριθμοι Λογιστική Παλινδρόμηση, Πολυωνυμικός αλγόριθμος Naive Bayes, Decision Tree, KNN και το μοντέλο βαθιάς μηχανικής μάθηση (LSTM) για την απόδοση ετικετών (ψευδής ή αληθής) σε κάθε κείμενο. Για την υλοποίηση της έρευνας χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python.","abstract_has_math":false,"creators":["Σιαμέτη Οντέτα","Siameti Odeta"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:27:53Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3389221"],"render_values":[{"text":"uoadl:3389221","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3389221","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3389221","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%3A3389221","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σιαμέτη Οντέτα","Siameti Odeta"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3389221","https://pergamos.lib.uoa.gr/uoa/dl/object/3389221"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["H εξάπλωση της πανδημίας του COVID-19 συνοδεύτηκε από μια εκρηκτική αύξηση και διασπορά των ψευδών ειδήσεων σχετικά με τον ιό. Αρωγός στην διασπορά τους στάθηκε και η εκτεταμένη χρήση των μέσων κοινωνικής δικτύωσης. Οι επιπτώσεις της διασποράς των ψευδών ειδήσεων ήταν πολυάριθμες και πολυεπίπεδες, από την επιβάρυνση των υγειονομικών συστημάτων μέχρι την πρόκληση αναστάτωσης και παραπλάνησης του κοινού. Εξαιτίας αυτής της τάσης, έγινε επιτακτική η ανίχνευση τους. Με την χρήση τεχνολογιών όπως η τεχνητή νοημοσύνη και η μηχανική μάθηση, αναπτύχθηκαν αλγόριθμοι και συστήματα για την αναγνώριση και την κατηγοριοποίηση των ψευδών πληροφοριών. Στην παρούσα Διπλωματική Εργασία και μελέτη, θα εξεταστούν και θα συγκριθούν τεχνικές, μέθοδοι και αλγόριθμοι μηχανικής και βαθιάς μηχανικής μάθησης, που χρησιμοποιούνται για την ανίχνευση ψευδών ειδήσεων, μέσω της επεξεργασίας φυσικής γλώσσας. Για την επίτευξη του σκοπού της παρούσας εργασίας χρησιμοποιήθηκαν επικεφαλίδες άρθρων, καθώς και αναρτήσεις στα μέσα κοινωνικής δικτύωσης (twitter, Facebook, Instagram, etc.) σχετικές με την Πανδημία. Τα κείμενα που συλλέχθηκαν είναι στην αγγλική γλώσσα και υποβλήθηκαν σε επεξεργασία χρησιμοποιώντας τεχνικές επεξεργασίας φυσικής γλώσσας, με απώτερο σκοπό την κατηγοριοποίησή τους σε ψευδείς ή αληθείς. Η κατηγοριοποίηση πραγματοποιήθηκε με την χρήση αλγορίθμων μηχανικής και βαθιάς μηχανικής μάθησης. Συγκεκριμένα, χρησιμοποιήθηκαν οι τεχνικές συχνότητας όρων/αντίστροφης συχνότητας όρων (TF-IDF) και ενσωμάτωσης λέξεων (Word2Vec) για την επεξεργασία φυσικής γλώσσας, καθώς και οι αλγόριθμοι Λογιστική Παλινδρόμηση, Πολυωνυμικός αλγόριθμος Naive Bayes, Decision Tree, KNN και το μοντέλο βαθιάς μηχανικής μάθηση (LSTM) για την απόδοση ετικετών (ψευδής ή αληθής) σε κάθε κείμενο. Για την υλοποίηση της έρευνας χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python.","The spread of the COVID-19 pandemic was accompanied by a significant increase and distribution of fake news related to the virus. Social media platforms played a crucial role in the spread of this misinformation. The consequences of the distribution of fake news were numerous and multi-dimensional, ranging from straining healthcare systems to causing public disturbance and misinformation. As a result, there was an urgent need for detection mechanisms. In particular, the identification and classification of false information is based on artificial intelligence (AI) and machine learning (ML) algorithms and detection systems. In the present research, we will examine and compare techniques, methods, machine and deep learning algorithms, that are used for fake news detection, based on natural language processing (NLP). Our data is based on a collection of article headlines and social media posts (from platforms such as Twitter, Facebook, and Instagram) related to the Pandemic. The texts collected are in English and underwent processing using natural language processing techniques, targeting to their categorization as “False” or “True”. Classification was performed using machine learning (ML) and deep learning algorithms. Specifically, in the present research, term frequency-inverse document frequency (TF-IDF) and word embedding (Word2Vec) techniques were used for natural language processing. Algorithms such as Logistic Regression, Polynomial Naive Bayes algorithm, Decision Tree, KNN, and the deep learning model LSTM were used for labeling each text as false or true. The Python programming language was used for the implementation."]},{"key":"dc:title","label":"Title","values":["Ανίχνευση Ψευδών Ειδήσεων για Covid-19"]}]}],"canonical_facts":{"dc:creator":["Σιαμέτη Οντέτα","Siameti Odeta"],"dc:date":["2024"],"dc:description":["H εξάπλωση της πανδημίας του COVID-19 συνοδεύτηκε από μια εκρηκτική αύξηση και διασπορά των ψευδών ειδήσεων σχετικά με τον ιό. Αρωγός στην διασπορά τους στάθηκε και η εκτεταμένη χρήση των μέσων κοινωνικής δικτύωσης. Οι επιπτώσεις της διασποράς των ψευδών ειδήσεων ήταν πολυάριθμες και πολυεπίπεδες, από την επιβάρυνση των υγειονομικών συστημάτων μέχρι την πρόκληση αναστάτωσης και παραπλάνησης του κοινού. Εξαιτίας αυτής της τάσης, έγινε επιτακτική η ανίχνευση τους. Με την χρήση τεχνολογιών όπως η τεχνητή νοημοσύνη και η μηχανική μάθηση, αναπτύχθηκαν αλγόριθμοι και συστήματα για την αναγνώριση και την κατηγοριοποίηση των ψευδών πληροφοριών. Στην παρούσα Διπλωματική Εργασία και μελέτη, θα εξεταστούν και θα συγκριθούν τεχνικές, μέθοδοι και αλγόριθμοι μηχανικής και βαθιάς μηχανικής μάθησης, που χρησιμοποιούνται για την ανίχνευση ψευδών ειδήσεων, μέσω της επεξεργασίας φυσικής γλώσσας. Για την επίτευξη του σκοπού της παρούσας εργασίας χρησιμοποιήθηκαν επικεφαλίδες άρθρων, καθώς και αναρτήσεις στα μέσα κοινωνικής δικτύωσης (twitter, Facebook, Instagram, etc.) σχετικές με την Πανδημία. Τα κείμενα που συλλέχθηκαν είναι στην αγγλική γλώσσα και υποβλήθηκαν σε επεξεργασία χρησιμοποιώντας τεχνικές επεξεργασίας φυσικής γλώσσας, με απώτερο σκοπό την κατηγοριοποίησή τους σε ψευδείς ή αληθείς. Η κατηγοριοποίηση πραγματοποιήθηκε με την χρήση αλγορίθμων μηχανικής και βαθιάς μηχανικής μάθησης. Συγκεκριμένα, χρησιμοποιήθηκαν οι τεχνικές συχνότητας όρων/αντίστροφης συχνότητας όρων (TF-IDF) και ενσωμάτωσης λέξεων (Word2Vec) για την επεξεργασία φυσικής γλώσσας, καθώς και οι αλγόριθμοι Λογιστική Παλινδρόμηση, Πολυωνυμικός αλγόριθμος Naive Bayes, Decision Tree, KNN και το μοντέλο βαθιάς μηχανικής μάθηση (LSTM) για την απόδοση ετικετών (ψευδής ή αληθής) σε κάθε κείμενο. Για την υλοποίηση της έρευνας χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python.","The spread of the COVID-19 pandemic was accompanied by a significant increase and distribution of fake news related to the virus. Social media platforms played a crucial role in the spread of this misinformation. The consequences of the distribution of fake news were numerous and multi-dimensional, ranging from straining healthcare systems to causing public disturbance and misinformation. As a result, there was an urgent need for detection mechanisms. In particular, the identification and classification of false information is based on artificial intelligence (AI) and machine learning (ML) algorithms and detection systems. In the present research, we will examine and compare techniques, methods, machine and deep learning algorithms, that are used for fake news detection, based on natural language processing (NLP). Our data is based on a collection of article headlines and social media posts (from platforms such as Twitter, Facebook, and Instagram) related to the Pandemic. The texts collected are in English and underwent processing using natural language processing techniques, targeting to their categorization as “False” or “True”. Classification was performed using machine learning (ML) and deep learning algorithms. Specifically, in the present research, term frequency-inverse document frequency (TF-IDF) and word embedding (Word2Vec) techniques were used for natural language processing. Algorithms such as Logistic Regression, Polynomial Naive Bayes algorithm, Decision Tree, KNN, and the deep learning model LSTM were used for labeling each text as false or true. The Python programming language was used for the implementation."],"dc:identifier":["uoadl:3389221","https://pergamos.lib.uoa.gr/uoa/dl/object/3389221"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ανίχνευση Ψευδών Ειδήσεων για Covid-19"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:27:53Z"}