{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3456844"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3456844","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Key Point Analysis in Greek: A New Dataset and Baselines","abstract":"Ο εντοπισμός των βασικών θέσεων μέσα σε ένα μεγάλο όγκο ιδεολογικά χρωματισμένων κειμένων, που παρουσιάζονται καθημερινά στα κοινωνικά δίκτυα και τις διαδικτυακές συζητήσεις, αποτελεί ένα απαραίτητο εργαλείο για την συνειδητή λήψη αποφάσεων. Στη διάρκεια του 8ου Εργαστηρίου πάνω στην Εξόρυξη Επιχειρημάτων στο Συνέδριο EMNLP το 2021, σε μια προσπάθεια να προταθούν συναφείς λύσεις σε αυτό το καινούριο πρόβλημα, παρουσιάστηκε ένα έργο προς κοινή επίλυση με τίτλο «Quantitative Argument Summarization - Key Point Analysis». Το έργο χωρίζεται στην Παραγωγή Keypoints (ΠΚ), που ασχολείται με τον εντοπισμό και την παραγωγή δηλώσεων-κλειδιά από ένα σώμα κειμένων, και την Αντιστοίχιση Keypoints (ΑΚ), που αντιστοιχεί αυτές τις δηλώσεις πίσω σε επιχειρήματα του αρχικού σώματος κειμένων. Αυτός ο συνδυασμός υπο-εργασιών προτείνει μια ποσοτική και επεξηγήσιμη λύση στον τομέα της πολυκειμενικής περίληψης επιχειρημάτων, η οποία έχει διερευνηθεί αρκετά στην Αγγλική γλώσσα, ωστόσο το σημερινό τοπίο στερείται έρευνας σε ένα πολυγλωσσικό περιβάλλον. Η παρούσα διπλωματική εργασία αποτελεί μια προσπάθεια προσαρμογής του έργου της Ανάλυσης Keypoints στην Ελληνική, μια γλώσσα με χαμηλό επίπεδο πόρων. Προτείνουμε βασικές λύσεις για κάθε υπο-εργασία, αξιοποιώντας τα πιο σύγχρονα διαθέσιμα ελληνικά γλωσσικά μοντέλα, εστιάζοντας στο πρόσφατο μεγάλο γλωσσικό μοντέλο με αρχιτεκτονική decoder-only, το Meltemi, σε μια προσπάθεια να εξερευνήσουμε τις δυνατότητές του στην Κατανόηση και την Παραγωγή Κειμένου. Σε κάθε υπο-εργασία χρησιμοποιούμε το επίσημο σύνολο δεδομένων του έργου, το οποίο μεταφράσαμε στα Ελληνικά με μεθόδους μηχανικής μετάφρασης και με ανθρώπινη παρέμβαση. Για την ΑΚ χρησιμοποιήθηκε το θεμελιώδες μοντέλο, κβαντοποιημέμο σε 4 bits, και εκπαιδευμένο με Parameter Efficient Fine Tuning (PEFT) μεθόδους για κειμενική ταξινόμηση, ενώ το συγκρίνουμε με δύο υπάρχουσες υλοποιήσεις με encoder-only μοντέλα. Για την ΠΚ πειραματιζόμαστε με μεθόδους abstractive παραγωγής κειμένου, βασισμένες σε μεθόδους συσταδοποίησης, με μοντέλα encoder-decoder και decoder-only (θεμελιώδη και instruction-tuned) σε 0-shot και few-shot πειράματα. Τα ευρήματά μας δείχνουν την εξέχουσα απόδοση του Meltemi-base-v1.0 στην ΑΚ ως έργο κειμενικής ταξινόμησης (avg mAP: 89.06) σε σχέση με encoder-only μοντέλα (avg mAP: 82.01) που έχουν εκπαιδευτεί για τον ίδιο σκοπό, καθώς και την εξέχουσα απόδοση του Meltemi-Instruct-v1.5 (R_1: 20.2, R_2: 8.0, R_L: 19.1, BERTScore P: 74.0, R: 72.8, F1: 73.4 ), που ξεπερνάει μοντέλα της σειράς GreekT5 στην abstractive ΠΚ (R_1: 12.3, R_2: 3.6, R_L: 11.0, BERTScore P: 66.0, R: 67.5, F1: 66.7). Οι προτεινόμενες προσεγγίσεις παρέχουν μια πολλά υποσχόμενη μεθοδολογία για την επέκταση έργου της Ανάλυσης Keypoints σε ένα πολύγλωσσο περιβάλλον.","abstract_html":"Ο εντοπισμός των βασικών θέσεων μέσα σε ένα μεγάλο όγκο ιδεολογικά χρωματισμένων κειμένων, που παρουσιάζονται καθημερινά στα κοινωνικά δίκτυα και τις διαδικτυακές συζητήσεις, αποτελεί ένα απαραίτητο εργαλείο για την συνειδητή λήψη αποφάσεων. Στη διάρκεια του 8ου Εργαστηρίου πάνω στην Εξόρυξη Επιχειρημάτων στο Συνέδριο EMNLP το 2021, σε μια προσπάθεια να προταθούν συναφείς λύσεις σε αυτό το καινούριο πρόβλημα, παρουσιάστηκε ένα έργο προς κοινή επίλυση με τίτλο «Quantitative Argument Summarization - Key Point Analysis». Το έργο χωρίζεται στην Παραγωγή Keypoints (ΠΚ), που ασχολείται με τον εντοπισμό και την παραγωγή δηλώσεων-κλειδιά από ένα σώμα κειμένων, και την Αντιστοίχιση Keypoints (ΑΚ), που αντιστοιχεί αυτές τις δηλώσεις πίσω σε επιχειρήματα του αρχικού σώματος κειμένων. Αυτός ο συνδυασμός υπο-εργασιών προτείνει μια ποσοτική και επεξηγήσιμη λύση στον τομέα της πολυκειμενικής περίληψης επιχειρημάτων, η οποία έχει διερευνηθεί αρκετά στην Αγγλική γλώσσα, ωστόσο το σημερινό τοπίο στερείται έρευνας σε ένα πολυγλωσσικό περιβάλλον. Η παρούσα διπλωματική εργασία αποτελεί μια προσπάθεια προσαρμογής του έργου της Ανάλυσης Keypoints στην Ελληνική, μια γλώσσα με χαμηλό επίπεδο πόρων. Προτείνουμε βασικές λύσεις για κάθε υπο-εργασία, αξιοποιώντας τα πιο σύγχρονα διαθέσιμα ελληνικά γλωσσικά μοντέλα, εστιάζοντας στο πρόσφατο μεγάλο γλωσσικό μοντέλο με αρχιτεκτονική decoder-only, το Meltemi, σε μια προσπάθεια να εξερευνήσουμε τις δυνατότητές του στην Κατανόηση και την Παραγωγή Κειμένου. Σε κάθε υπο-εργασία χρησιμοποιούμε το επίσημο σύνολο δεδομένων του έργου, το οποίο μεταφράσαμε στα Ελληνικά με μεθόδους μηχανικής μετάφρασης και με ανθρώπινη παρέμβαση. Για την ΑΚ χρησιμοποιήθηκε το θεμελιώδες μοντέλο, κβαντοποιημέμο σε 4 bits, και εκπαιδευμένο με Parameter Efficient Fine Tuning (PEFT) μεθόδους για κειμενική ταξινόμηση, ενώ το συγκρίνουμε με δύο υπάρχουσες υλοποιήσεις με encoder-only μοντέλα. Για την ΠΚ πειραματιζόμαστε με μεθόδους abstractive παραγωγής κειμένου, βασισμένες σε μεθόδους συσταδοποίησης, με μοντέλα encoder-decoder και decoder-only (θεμελιώδη και instruction-tuned) σε 0-shot και few-shot πειράματα. Τα ευρήματά μας δείχνουν την εξέχουσα απόδοση του Meltemi-base-v1.0 στην ΑΚ ως έργο κειμενικής ταξινόμησης (avg mAP: 89.06) σε σχέση με encoder-only μοντέλα (avg mAP: 82.01) που έχουν εκπαιδευτεί για τον ίδιο σκοπό, καθώς και την εξέχουσα απόδοση του Meltemi-Instruct-v1.5 (R_1: 20.2, R_2: 8.0, R_L: 19.1, BERTScore P: 74.0, R: 72.8, F1: 73.4 ), που ξεπερνάει μοντέλα της σειράς GreekT5 στην abstractive ΠΚ (R_1: 12.3, R_2: 3.6, R_L: 11.0, BERTScore P: 66.0, R: 67.5, F1: 66.7). Οι προτεινόμενες προσεγγίσεις παρέχουν μια πολλά υποσχόμενη μεθοδολογία για την επέκταση έργου της Ανάλυσης Keypoints σε ένα πολύγλωσσο περιβάλλον.","abstract_has_math":false,"creators":["Καραπαναγιώτου Κλεοπάτρα","Karapanagiotou Kleopatra"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:31:41Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3456844"],"render_values":[{"text":"uoadl:3456844","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3456844","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3456844","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%3A3456844","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καραπαναγιώτου Κλεοπάτρα","Karapanagiotou Kleopatra"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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:3456844","https://pergamos.lib.uoa.gr/uoa/dl/object/3456844"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο εντοπισμός των βασικών θέσεων μέσα σε ένα μεγάλο όγκο ιδεολογικά χρωματισμένων κειμένων, που παρουσιάζονται καθημερινά στα κοινωνικά δίκτυα και τις διαδικτυακές συζητήσεις, αποτελεί ένα απαραίτητο εργαλείο για την συνειδητή λήψη αποφάσεων. Στη διάρκεια του 8ου Εργαστηρίου πάνω στην Εξόρυξη Επιχειρημάτων στο Συνέδριο EMNLP το 2021, σε μια προσπάθεια να προταθούν συναφείς λύσεις σε αυτό το καινούριο πρόβλημα, παρουσιάστηκε ένα έργο προς κοινή επίλυση με τίτλο «Quantitative Argument Summarization - Key Point Analysis». Το έργο χωρίζεται στην Παραγωγή Keypoints (ΠΚ), που ασχολείται με τον εντοπισμό και την παραγωγή δηλώσεων-κλειδιά από ένα σώμα κειμένων, και την Αντιστοίχιση Keypoints (ΑΚ), που αντιστοιχεί αυτές τις δηλώσεις πίσω σε επιχειρήματα του αρχικού σώματος κειμένων. Αυτός ο συνδυασμός υπο-εργασιών προτείνει μια ποσοτική και επεξηγήσιμη λύση στον τομέα της πολυκειμενικής περίληψης επιχειρημάτων, η οποία έχει διερευνηθεί αρκετά στην Αγγλική γλώσσα, ωστόσο το σημερινό τοπίο στερείται έρευνας σε ένα πολυγλωσσικό περιβάλλον. Η παρούσα διπλωματική εργασία αποτελεί μια προσπάθεια προσαρμογής του έργου της Ανάλυσης Keypoints στην Ελληνική, μια γλώσσα με χαμηλό επίπεδο πόρων. Προτείνουμε βασικές λύσεις για κάθε υπο-εργασία, αξιοποιώντας τα πιο σύγχρονα διαθέσιμα ελληνικά γλωσσικά μοντέλα, εστιάζοντας στο πρόσφατο μεγάλο γλωσσικό μοντέλο με αρχιτεκτονική decoder-only, το Meltemi, σε μια προσπάθεια να εξερευνήσουμε τις δυνατότητές του στην Κατανόηση και την Παραγωγή Κειμένου. Σε κάθε υπο-εργασία χρησιμοποιούμε το επίσημο σύνολο δεδομένων του έργου, το οποίο μεταφράσαμε στα Ελληνικά με μεθόδους μηχανικής μετάφρασης και με ανθρώπινη παρέμβαση. Για την ΑΚ χρησιμοποιήθηκε το θεμελιώδες μοντέλο, κβαντοποιημέμο σε 4 bits, και εκπαιδευμένο με Parameter Efficient Fine Tuning (PEFT) μεθόδους για κειμενική ταξινόμηση, ενώ το συγκρίνουμε με δύο υπάρχουσες υλοποιήσεις με encoder-only μοντέλα. Για την ΠΚ πειραματιζόμαστε με μεθόδους abstractive παραγωγής κειμένου, βασισμένες σε μεθόδους συσταδοποίησης, με μοντέλα encoder-decoder και decoder-only (θεμελιώδη και instruction-tuned) σε 0-shot και few-shot πειράματα. Τα ευρήματά μας δείχνουν την εξέχουσα απόδοση του Meltemi-base-v1.0 στην ΑΚ ως έργο κειμενικής ταξινόμησης (avg mAP: 89.06) σε σχέση με encoder-only μοντέλα (avg mAP: 82.01) που έχουν εκπαιδευτεί για τον ίδιο σκοπό, καθώς και την εξέχουσα απόδοση του Meltemi-Instruct-v1.5 (R_1: 20.2, R_2: 8.0, R_L: 19.1, BERTScore P: 74.0, R: 72.8, F1: 73.4 ), που ξεπερνάει μοντέλα της σειράς GreekT5 στην abstractive ΠΚ (R_1: 12.3, R_2: 3.6, R_L: 11.0, BERTScore P: 66.0, R: 67.5, F1: 66.7). Οι προτεινόμενες προσεγγίσεις παρέχουν μια πολλά υποσχόμενη μεθοδολογία για την επέκταση έργου της Ανάλυσης Keypoints σε ένα πολύγλωσσο περιβάλλον.","Identifying key statements in large volumes of opinionated texts that appear daily in social media, and online debates is an essential tool for informed decision making. During the 8th Workshop on Arguments Mining at EMNLP 2021, in an attempt to suggest relevant solutions to this recent problem, the Quantitative Argument Summarization - Key Point Analysis Shared Task was introduced. The task is divided into Key Point Generation (KPG), which focuses on the identification and generation of key statements from a text corpus, and Key Point Matching (KPM), that maps these statements back to arguments of the original corpus. This subtask combination contributes to a quantitative and explainable solution in the field of multi-document argument summarization, which has been extensively studied in the English language, however, the current landscape lacks research in a multilingual setting. This thesis project is an attempt to adjust the task of Key Point Analysis (KPA) in Greek, a low resource language. We propose baseline solutions for both subtasks by leveraging available state-of-the-art Greek Language Models with a focus on the recently introduced decoder-only Greek model, Meltemi, to explore both its NLU and NLG capabilities. For both subtasks we use the official dataset of the KPA shared Task, which we adjusted for the Greek language through machine and human translation. For KPM a 4-bit quantized Meltemi-base model is finetuned for classification using PEFT methods and compared to two encoder-only baselines. For KPG we experiment with clustering based abstractive baselines in combination with encoder-decoder and decoder-only models (foundation and instruction-tuned) in zero and few-shot inference settings. The findings show the performance of Meltemi-base v1.0 in the KPM classification task (avg mAP: 89.06) comparatively better than Greek encoder-only based classifiers (avg mAP: 82.01) as well as that of Meltemi-Instruct v1.5 (R_1: 20.2, R_2: 8.0, R_L: 19.1, BERTScore P: 74.0, R: 72.8, F1: 73.4 ) that outperforms Greek T5 models (R_1: 12.3, R_2: 3.6, R_L: 11.0, BERTScore P: 66.0, R: 67.5, F1: 66.7 ) in KPG. The proposed approaches provide a promising methodology for extending the KPA task in a multilingual setting."]},{"key":"dc:title","label":"Title","values":["Key Point Analysis in Greek: A New Dataset and Baselines"]}]}],"canonical_facts":{"dc:creator":["Καραπαναγιώτου Κλεοπάτρα","Karapanagiotou Kleopatra"],"dc:date":["2025"],"dc:description":["Ο εντοπισμός των βασικών θέσεων μέσα σε ένα μεγάλο όγκο ιδεολογικά χρωματισμένων κειμένων, που παρουσιάζονται καθημερινά στα κοινωνικά δίκτυα και τις διαδικτυακές συζητήσεις, αποτελεί ένα απαραίτητο εργαλείο για την συνειδητή λήψη αποφάσεων. Στη διάρκεια του 8ου Εργαστηρίου πάνω στην Εξόρυξη Επιχειρημάτων στο Συνέδριο EMNLP το 2021, σε μια προσπάθεια να προταθούν συναφείς λύσεις σε αυτό το καινούριο πρόβλημα, παρουσιάστηκε ένα έργο προς κοινή επίλυση με τίτλο «Quantitative Argument Summarization - Key Point Analysis». Το έργο χωρίζεται στην Παραγωγή Keypoints (ΠΚ), που ασχολείται με τον εντοπισμό και την παραγωγή δηλώσεων-κλειδιά από ένα σώμα κειμένων, και την Αντιστοίχιση Keypoints (ΑΚ), που αντιστοιχεί αυτές τις δηλώσεις πίσω σε επιχειρήματα του αρχικού σώματος κειμένων. Αυτός ο συνδυασμός υπο-εργασιών προτείνει μια ποσοτική και επεξηγήσιμη λύση στον τομέα της πολυκειμενικής περίληψης επιχειρημάτων, η οποία έχει διερευνηθεί αρκετά στην Αγγλική γλώσσα, ωστόσο το σημερινό τοπίο στερείται έρευνας σε ένα πολυγλωσσικό περιβάλλον. Η παρούσα διπλωματική εργασία αποτελεί μια προσπάθεια προσαρμογής του έργου της Ανάλυσης Keypoints στην Ελληνική, μια γλώσσα με χαμηλό επίπεδο πόρων. Προτείνουμε βασικές λύσεις για κάθε υπο-εργασία, αξιοποιώντας τα πιο σύγχρονα διαθέσιμα ελληνικά γλωσσικά μοντέλα, εστιάζοντας στο πρόσφατο μεγάλο γλωσσικό μοντέλο με αρχιτεκτονική decoder-only, το Meltemi, σε μια προσπάθεια να εξερευνήσουμε τις δυνατότητές του στην Κατανόηση και την Παραγωγή Κειμένου. Σε κάθε υπο-εργασία χρησιμοποιούμε το επίσημο σύνολο δεδομένων του έργου, το οποίο μεταφράσαμε στα Ελληνικά με μεθόδους μηχανικής μετάφρασης και με ανθρώπινη παρέμβαση. Για την ΑΚ χρησιμοποιήθηκε το θεμελιώδες μοντέλο, κβαντοποιημέμο σε 4 bits, και εκπαιδευμένο με Parameter Efficient Fine Tuning (PEFT) μεθόδους για κειμενική ταξινόμηση, ενώ το συγκρίνουμε με δύο υπάρχουσες υλοποιήσεις με encoder-only μοντέλα. Για την ΠΚ πειραματιζόμαστε με μεθόδους abstractive παραγωγής κειμένου, βασισμένες σε μεθόδους συσταδοποίησης, με μοντέλα encoder-decoder και decoder-only (θεμελιώδη και instruction-tuned) σε 0-shot και few-shot πειράματα. Τα ευρήματά μας δείχνουν την εξέχουσα απόδοση του Meltemi-base-v1.0 στην ΑΚ ως έργο κειμενικής ταξινόμησης (avg mAP: 89.06) σε σχέση με encoder-only μοντέλα (avg mAP: 82.01) που έχουν εκπαιδευτεί για τον ίδιο σκοπό, καθώς και την εξέχουσα απόδοση του Meltemi-Instruct-v1.5 (R_1: 20.2, R_2: 8.0, R_L: 19.1, BERTScore P: 74.0, R: 72.8, F1: 73.4 ), που ξεπερνάει μοντέλα της σειράς GreekT5 στην abstractive ΠΚ (R_1: 12.3, R_2: 3.6, R_L: 11.0, BERTScore P: 66.0, R: 67.5, F1: 66.7). Οι προτεινόμενες προσεγγίσεις παρέχουν μια πολλά υποσχόμενη μεθοδολογία για την επέκταση έργου της Ανάλυσης Keypoints σε ένα πολύγλωσσο περιβάλλον.","Identifying key statements in large volumes of opinionated texts that appear daily in social media, and online debates is an essential tool for informed decision making. During the 8th Workshop on Arguments Mining at EMNLP 2021, in an attempt to suggest relevant solutions to this recent problem, the Quantitative Argument Summarization - Key Point Analysis Shared Task was introduced. The task is divided into Key Point Generation (KPG), which focuses on the identification and generation of key statements from a text corpus, and Key Point Matching (KPM), that maps these statements back to arguments of the original corpus. This subtask combination contributes to a quantitative and explainable solution in the field of multi-document argument summarization, which has been extensively studied in the English language, however, the current landscape lacks research in a multilingual setting. This thesis project is an attempt to adjust the task of Key Point Analysis (KPA) in Greek, a low resource language. We propose baseline solutions for both subtasks by leveraging available state-of-the-art Greek Language Models with a focus on the recently introduced decoder-only Greek model, Meltemi, to explore both its NLU and NLG capabilities. For both subtasks we use the official dataset of the KPA shared Task, which we adjusted for the Greek language through machine and human translation. For KPM a 4-bit quantized Meltemi-base model is finetuned for classification using PEFT methods and compared to two encoder-only baselines. For KPG we experiment with clustering based abstractive baselines in combination with encoder-decoder and decoder-only models (foundation and instruction-tuned) in zero and few-shot inference settings. The findings show the performance of Meltemi-base v1.0 in the KPM classification task (avg mAP: 89.06) comparatively better than Greek encoder-only based classifiers (avg mAP: 82.01) as well as that of Meltemi-Instruct v1.5 (R_1: 20.2, R_2: 8.0, R_L: 19.1, BERTScore P: 74.0, R: 72.8, F1: 73.4 ) that outperforms Greek T5 models (R_1: 12.3, R_2: 3.6, R_L: 11.0, BERTScore P: 66.0, R: 67.5, F1: 66.7 ) in KPG. The proposed approaches provide a promising methodology for extending the KPA task in a multilingual setting."],"dc:identifier":["uoadl:3456844","https://pergamos.lib.uoa.gr/uoa/dl/object/3456844"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Key Point Analysis in Greek: A New Dataset and Baselines"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:31:41Z"}