{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3463536"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3463536","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάλυση Συναισθήματος Ποδοσφαιρικών Tweets με RoBERTa: Συσχέτιση Υποστήριξης Οπαδών και Απόδοσης Ομάδων","abstract":"Η παρούσα μελέτη αφορά την Ανάλυση Συναισθήματος (Sentiment Analysis) στις αναρτήσεις χρηστών σε μέσα κοινωνικής δικτύωσης (Social Media) στο πεδίο του Ποδοσφαίρου (Football, USA: Soccer). Πρόκειται για αναρτήσεις οπαδών και ποδοσφαιρόφιλων στην πλατφόρμα κοινωνικής δικύωσης «Χ» - πρώην «Twitter» μέγεθος 1.000.000 με δεδομένα και ομάδες από το Πρωτάθλημα English Premier Leauge («Αγγλικό Ποδόσφαιρο» ). Η Ανάλυση Συναισθήματος (Sentiment Analysis) αποτελεί σχετικά πρόσφατο πεδίο εφαρμογών της Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing – NLP) και της Υπολογιστικής Γλωσσολογίας (Computational Linguistics). Μολονότι η Ανάλυση Συναισθήματος συνήθως εφαρμόζεται σε δεδομένα χρηστών ή/και καταναλωτών προϊόντων και υπηρεσιών, τα τελευταία χρόνια εφαρμόζεται και σε δεδομένα πιο πολύπλοκου περιεχομένου, ακόμη και στον τομέα της Δημοσιογραφίας και της Πολιτικής. Τα δεδομένα από το πεδίο του Ποδοσφαίρου και των ποδοσφαιρόφιλων ή/και οπαδών ποδοσφαιρικών ομάδων μπορούν να χαρακτηριστούν ως σύνθετου και πολύπλοκου περιεχομένου, κυρίως επειδή δεν περιορίζονται σε προκαθορισμένο λεξιολόγιο και ορολογία και επειδή συχνά περιέχουν αρκετά κοινωνιο-γλωσσολογικά στοιχεία. Στόχο της παρούσας ανάλυσης και μελέτης αποτελεί, κατ’ αρχήν, η έρευνα συσχέτισης αποτελεσμάτων ομάδων με συναισθηματικά δεδομένα οπαδών από το Twitter. Ειδικότερα, ερευνάται η δυνατότητα ύπαρξης στοιχείων που ενισχύουν τη σύνδεση μεταξύ οπαδών, ομάδας και αθλητικών επιδόσεων μέσω των social media. Όσον αφορά τα δεδομένα που επεξεργάστηκαν, τα στοιχεία αυτά περιλαμβάνουν τα ποσοστά νίκης, τη συναισθηματική επίδραση, και την ομαδική δυναμική. Ταυτοχρόνως, στοχεύεται η δημιουργία και αξιολόγηση μοντέλων μηχανικής μάθησης για πρόβλεψη αποτελεσμάτων αγώνων με υψηλή ακρίβεια. και η ανάπτυξη δεικτών για ενσωμάτωση στους αλγόριθμους μηχανικής μάθησης. Η παρούσα προσέγγιση μπορεί να θεωρηθεί ότι συνδέεται με τις εξής εφαρμογές και οφέλη: βελτίωση στρατηγικής εμπλοκής οπαδών, ενίσχυση ψυχολογίας παικτών και δυναμωμένη σχέση με τους υποστηρικτές. Η έρευνα αποκαλύπτει ισχυρή συσχέτιση ανάμεσα στην ενεργή υποστήριξη των οπαδών και τη βελτίωση των αποτελεσμάτων. Η υποστήριξη αυτή εκτείνεται πέρα από τις εμφανείς εκφράσεις, όπως το χειροκρότημα στο γήπεδο ή τα σχόλια στα κοινωνικά δίκτυα, και συμβάλλει στη δημιουργία μιας διαρκούς σχέσης εμπιστοσύνης και αφοσίωσης. Επιπλέον, η κατανόηση των συναισθημάτων και των προτιμήσεων του κοινού μέσω της ανάλυσης δεδομένων ανοίγει νέους δρόμους για καινοτόμες στρατηγικές μάρκετινγκ και αλληλεπίδρασης. Η ανάλυση των hashtags, των σχολίων και των συναισθημάτων επιτρέπει την προσαρμογή των εμπειριών στις ανάγκες του κοινού, ενισχύοντας τη σύνδεση με τους υποστηρικτές και την απόδοσή τους στο αγωνιστικό πεδίο.","abstract_html":"Η παρούσα μελέτη αφορά την Ανάλυση Συναισθήματος (Sentiment Analysis) στις αναρτήσεις χρηστών σε μέσα κοινωνικής δικτύωσης (Social Media) στο πεδίο του Ποδοσφαίρου (Football, USA: Soccer). Πρόκειται για αναρτήσεις οπαδών και ποδοσφαιρόφιλων στην πλατφόρμα κοινωνικής δικύωσης «Χ» - πρώην «Twitter» μέγεθος 1.000.000 με δεδομένα και ομάδες από το Πρωτάθλημα English Premier Leauge («Αγγλικό Ποδόσφαιρο» ). Η Ανάλυση Συναισθήματος (Sentiment Analysis) αποτελεί σχετικά πρόσφατο πεδίο εφαρμογών της Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing – NLP) και της Υπολογιστικής Γλωσσολογίας (Computational Linguistics). Μολονότι η Ανάλυση Συναισθήματος συνήθως εφαρμόζεται σε δεδομένα χρηστών ή/και καταναλωτών προϊόντων και υπηρεσιών, τα τελευταία χρόνια εφαρμόζεται και σε δεδομένα πιο πολύπλοκου περιεχομένου, ακόμη και στον τομέα της Δημοσιογραφίας και της Πολιτικής. Τα δεδομένα από το πεδίο του Ποδοσφαίρου και των ποδοσφαιρόφιλων ή/και οπαδών ποδοσφαιρικών ομάδων μπορούν να χαρακτηριστούν ως σύνθετου και πολύπλοκου περιεχομένου, κυρίως επειδή δεν περιορίζονται σε προκαθορισμένο λεξιολόγιο και ορολογία και επειδή συχνά περιέχουν αρκετά κοινωνιο-γλωσσολογικά στοιχεία. Στόχο της παρούσας ανάλυσης και μελέτης αποτελεί, κατ’ αρχήν, η έρευνα συσχέτισης αποτελεσμάτων ομάδων με συναισθηματικά δεδομένα οπαδών από το Twitter. Ειδικότερα, ερευνάται η δυνατότητα ύπαρξης στοιχείων που ενισχύουν τη σύνδεση μεταξύ οπαδών, ομάδας και αθλητικών επιδόσεων μέσω των social media. Όσον αφορά τα δεδομένα που επεξεργάστηκαν, τα στοιχεία αυτά περιλαμβάνουν τα ποσοστά νίκης, τη συναισθηματική επίδραση, και την ομαδική δυναμική. Ταυτοχρόνως, στοχεύεται η δημιουργία και αξιολόγηση μοντέλων μηχανικής μάθησης για πρόβλεψη αποτελεσμάτων αγώνων με υψηλή ακρίβεια. και η ανάπτυξη δεικτών για ενσωμάτωση στους αλγόριθμους μηχανικής μάθησης. Η παρούσα προσέγγιση μπορεί να θεωρηθεί ότι συνδέεται με τις εξής εφαρμογές και οφέλη: βελτίωση στρατηγικής εμπλοκής οπαδών, ενίσχυση ψυχολογίας παικτών και δυναμωμένη σχέση με τους υποστηρικτές. Η έρευνα αποκαλύπτει ισχυρή συσχέτιση ανάμεσα στην ενεργή υποστήριξη των οπαδών και τη βελτίωση των αποτελεσμάτων. Η υποστήριξη αυτή εκτείνεται πέρα από τις εμφανείς εκφράσεις, όπως το χειροκρότημα στο γήπεδο ή τα σχόλια στα κοινωνικά δίκτυα, και συμβάλλει στη δημιουργία μιας διαρκούς σχέσης εμπιστοσύνης και αφοσίωσης. Επιπλέον, η κατανόηση των συναισθημάτων και των προτιμήσεων του κοινού μέσω της ανάλυσης δεδομένων ανοίγει νέους δρόμους για καινοτόμες στρατηγικές μάρκετινγκ και αλληλεπίδρασης. Η ανάλυση των hashtags, των σχολίων και των συναισθημάτων επιτρέπει την προσαρμογή των εμπειριών στις ανάγκες του κοινού, ενισχύοντας τη σύνδεση με τους υποστηρικτές και την απόδοσή τους στο αγωνιστικό πεδίο.","abstract_has_math":false,"creators":["Ιωαννίδης Άγγελος","Ioannidis Aggelos"],"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":"2026-11-19T06:31:56Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3463536"],"render_values":[{"text":"uoadl:3463536","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3463536","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3463536","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%3A3463536","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ιωαννίδης Άγγελος","Ioannidis Aggelos"]}]},{"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":["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:3463536","https://pergamos.lib.uoa.gr/uoa/dl/object/3463536"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα μελέτη αφορά την Ανάλυση Συναισθήματος (Sentiment Analysis) στις αναρτήσεις χρηστών σε μέσα κοινωνικής δικτύωσης (Social Media) στο πεδίο του Ποδοσφαίρου (Football, USA: Soccer). Πρόκειται για αναρτήσεις οπαδών και ποδοσφαιρόφιλων στην πλατφόρμα κοινωνικής δικύωσης «Χ» - πρώην «Twitter» μέγεθος 1.000.000 με δεδομένα και ομάδες από το Πρωτάθλημα English Premier Leauge («Αγγλικό Ποδόσφαιρο» ). Η Ανάλυση Συναισθήματος (Sentiment Analysis) αποτελεί σχετικά πρόσφατο πεδίο εφαρμογών της Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing – NLP) και της Υπολογιστικής Γλωσσολογίας (Computational Linguistics). Μολονότι η Ανάλυση Συναισθήματος συνήθως εφαρμόζεται σε δεδομένα χρηστών ή/και καταναλωτών προϊόντων και υπηρεσιών, τα τελευταία χρόνια εφαρμόζεται και σε δεδομένα πιο πολύπλοκου περιεχομένου, ακόμη και στον τομέα της Δημοσιογραφίας και της Πολιτικής. Τα δεδομένα από το πεδίο του Ποδοσφαίρου και των ποδοσφαιρόφιλων ή/και οπαδών ποδοσφαιρικών ομάδων μπορούν να χαρακτηριστούν ως σύνθετου και πολύπλοκου περιεχομένου, κυρίως επειδή δεν περιορίζονται σε προκαθορισμένο λεξιολόγιο και ορολογία και επειδή συχνά περιέχουν αρκετά κοινωνιο-γλωσσολογικά στοιχεία. Στόχο της παρούσας ανάλυσης και μελέτης αποτελεί, κατ’ αρχήν, η έρευνα συσχέτισης αποτελεσμάτων ομάδων με συναισθηματικά δεδομένα οπαδών από το Twitter. Ειδικότερα, ερευνάται η δυνατότητα ύπαρξης στοιχείων που ενισχύουν τη σύνδεση μεταξύ οπαδών, ομάδας και αθλητικών επιδόσεων μέσω των social media. Όσον αφορά τα δεδομένα που επεξεργάστηκαν, τα στοιχεία αυτά περιλαμβάνουν τα ποσοστά νίκης, τη συναισθηματική επίδραση, και την ομαδική δυναμική. Ταυτοχρόνως, στοχεύεται η δημιουργία και αξιολόγηση μοντέλων μηχανικής μάθησης για πρόβλεψη αποτελεσμάτων αγώνων με υψηλή ακρίβεια. και η ανάπτυξη δεικτών για ενσωμάτωση στους αλγόριθμους μηχανικής μάθησης. Η παρούσα προσέγγιση μπορεί να θεωρηθεί ότι συνδέεται με τις εξής εφαρμογές και οφέλη: βελτίωση στρατηγικής εμπλοκής οπαδών, ενίσχυση ψυχολογίας παικτών και δυναμωμένη σχέση με τους υποστηρικτές. Η έρευνα αποκαλύπτει ισχυρή συσχέτιση ανάμεσα στην ενεργή υποστήριξη των οπαδών και τη βελτίωση των αποτελεσμάτων. Η υποστήριξη αυτή εκτείνεται πέρα από τις εμφανείς εκφράσεις, όπως το χειροκρότημα στο γήπεδο ή τα σχόλια στα κοινωνικά δίκτυα, και συμβάλλει στη δημιουργία μιας διαρκούς σχέσης εμπιστοσύνης και αφοσίωσης. Επιπλέον, η κατανόηση των συναισθημάτων και των προτιμήσεων του κοινού μέσω της ανάλυσης δεδομένων ανοίγει νέους δρόμους για καινοτόμες στρατηγικές μάρκετινγκ και αλληλεπίδρασης. Η ανάλυση των hashtags, των σχολίων και των συναισθημάτων επιτρέπει την προσαρμογή των εμπειριών στις ανάγκες του κοινού, ενισχύοντας τη σύνδεση με τους υποστηρικτές και την απόδοσή τους στο αγωνιστικό πεδίο.","This study focuses on Sentiment Analysis of user posts on social media in the field of Football (USA: Soccer). It examines posts from fans and football enthusiasts on the social media platform “X” – formerly “Twitter” – based on a dataset of 1,000,000 entries related to teams from the English Premier League. Sentiment Analysis is a relatively recent application field in Natural Language Processing (NLP) and Computational Linguistics. While it is typically used to analyze consumer data regarding products and services, in recent years, it has also been applied to more complex content, including Journalism and Politics. Football-related data, particularly those concerning fans and supporters of football teams, can be classified as complex and multifaceted content, mainly because they are not restricted to a predefined vocabulary and terminology and often include various sociolinguistic elements. The primary goal of this analysis and study is to investigate the correlation between team performance and fan sentiment data from Twitter. Specifically, it examines the potential existence of factors that strengthen the connection between fans, teams, and sports performance through social media. Regarding the processed data, these factors include win percentages, emotional impact, and team dynamics. At the same time, the study aims to develop and evaluate machine learning models for predicting match outcomes with high accuracy and to create indicators for integration into machine learning algorithms. This approach is associated with various applications and benefits, including improved fan engagement strategies, enhanced player psychology, and a stronger relationship with supporters. The research reveals a strong correlation between active fan support and improved team performance. This support extends beyond visible expressions, such as cheering in the stadium or comments on social media, and contributes to the development of a lasting relationship of trust and loyalty. Additionally, understanding audience sentiments and preferences through data analysis opens new opportunities for innovative marketing and engagement strategies. The analysis of hashtags, comments, and sentiments allows for tailoring experiences to meet audience needs, strengthening the connection with supporters and improving team performance on the field."]},{"key":"dc:title","label":"Title","values":["Ανάλυση Συναισθήματος Ποδοσφαιρικών Tweets με RoBERTa: Συσχέτιση Υποστήριξης Οπαδών και Απόδοσης Ομάδων"]}]}],"canonical_facts":{"dc:creator":["Ιωαννίδης Άγγελος","Ioannidis Aggelos"],"dc:date":["2025"],"dc:description":["Η παρούσα μελέτη αφορά την Ανάλυση Συναισθήματος (Sentiment Analysis) στις αναρτήσεις χρηστών σε μέσα κοινωνικής δικτύωσης (Social Media) στο πεδίο του Ποδοσφαίρου (Football, USA: Soccer). Πρόκειται για αναρτήσεις οπαδών και ποδοσφαιρόφιλων στην πλατφόρμα κοινωνικής δικύωσης «Χ» - πρώην «Twitter» μέγεθος 1.000.000 με δεδομένα και ομάδες από το Πρωτάθλημα English Premier Leauge («Αγγλικό Ποδόσφαιρο» ). Η Ανάλυση Συναισθήματος (Sentiment Analysis) αποτελεί σχετικά πρόσφατο πεδίο εφαρμογών της Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing – NLP) και της Υπολογιστικής Γλωσσολογίας (Computational Linguistics). Μολονότι η Ανάλυση Συναισθήματος συνήθως εφαρμόζεται σε δεδομένα χρηστών ή/και καταναλωτών προϊόντων και υπηρεσιών, τα τελευταία χρόνια εφαρμόζεται και σε δεδομένα πιο πολύπλοκου περιεχομένου, ακόμη και στον τομέα της Δημοσιογραφίας και της Πολιτικής. Τα δεδομένα από το πεδίο του Ποδοσφαίρου και των ποδοσφαιρόφιλων ή/και οπαδών ποδοσφαιρικών ομάδων μπορούν να χαρακτηριστούν ως σύνθετου και πολύπλοκου περιεχομένου, κυρίως επειδή δεν περιορίζονται σε προκαθορισμένο λεξιολόγιο και ορολογία και επειδή συχνά περιέχουν αρκετά κοινωνιο-γλωσσολογικά στοιχεία. Στόχο της παρούσας ανάλυσης και μελέτης αποτελεί, κατ’ αρχήν, η έρευνα συσχέτισης αποτελεσμάτων ομάδων με συναισθηματικά δεδομένα οπαδών από το Twitter. Ειδικότερα, ερευνάται η δυνατότητα ύπαρξης στοιχείων που ενισχύουν τη σύνδεση μεταξύ οπαδών, ομάδας και αθλητικών επιδόσεων μέσω των social media. Όσον αφορά τα δεδομένα που επεξεργάστηκαν, τα στοιχεία αυτά περιλαμβάνουν τα ποσοστά νίκης, τη συναισθηματική επίδραση, και την ομαδική δυναμική. Ταυτοχρόνως, στοχεύεται η δημιουργία και αξιολόγηση μοντέλων μηχανικής μάθησης για πρόβλεψη αποτελεσμάτων αγώνων με υψηλή ακρίβεια. και η ανάπτυξη δεικτών για ενσωμάτωση στους αλγόριθμους μηχανικής μάθησης. Η παρούσα προσέγγιση μπορεί να θεωρηθεί ότι συνδέεται με τις εξής εφαρμογές και οφέλη: βελτίωση στρατηγικής εμπλοκής οπαδών, ενίσχυση ψυχολογίας παικτών και δυναμωμένη σχέση με τους υποστηρικτές. Η έρευνα αποκαλύπτει ισχυρή συσχέτιση ανάμεσα στην ενεργή υποστήριξη των οπαδών και τη βελτίωση των αποτελεσμάτων. Η υποστήριξη αυτή εκτείνεται πέρα από τις εμφανείς εκφράσεις, όπως το χειροκρότημα στο γήπεδο ή τα σχόλια στα κοινωνικά δίκτυα, και συμβάλλει στη δημιουργία μιας διαρκούς σχέσης εμπιστοσύνης και αφοσίωσης. Επιπλέον, η κατανόηση των συναισθημάτων και των προτιμήσεων του κοινού μέσω της ανάλυσης δεδομένων ανοίγει νέους δρόμους για καινοτόμες στρατηγικές μάρκετινγκ και αλληλεπίδρασης. Η ανάλυση των hashtags, των σχολίων και των συναισθημάτων επιτρέπει την προσαρμογή των εμπειριών στις ανάγκες του κοινού, ενισχύοντας τη σύνδεση με τους υποστηρικτές και την απόδοσή τους στο αγωνιστικό πεδίο.","This study focuses on Sentiment Analysis of user posts on social media in the field of Football (USA: Soccer). It examines posts from fans and football enthusiasts on the social media platform “X” – formerly “Twitter” – based on a dataset of 1,000,000 entries related to teams from the English Premier League. Sentiment Analysis is a relatively recent application field in Natural Language Processing (NLP) and Computational Linguistics. While it is typically used to analyze consumer data regarding products and services, in recent years, it has also been applied to more complex content, including Journalism and Politics. Football-related data, particularly those concerning fans and supporters of football teams, can be classified as complex and multifaceted content, mainly because they are not restricted to a predefined vocabulary and terminology and often include various sociolinguistic elements. The primary goal of this analysis and study is to investigate the correlation between team performance and fan sentiment data from Twitter. Specifically, it examines the potential existence of factors that strengthen the connection between fans, teams, and sports performance through social media. Regarding the processed data, these factors include win percentages, emotional impact, and team dynamics. At the same time, the study aims to develop and evaluate machine learning models for predicting match outcomes with high accuracy and to create indicators for integration into machine learning algorithms. This approach is associated with various applications and benefits, including improved fan engagement strategies, enhanced player psychology, and a stronger relationship with supporters. The research reveals a strong correlation between active fan support and improved team performance. This support extends beyond visible expressions, such as cheering in the stadium or comments on social media, and contributes to the development of a lasting relationship of trust and loyalty. Additionally, understanding audience sentiments and preferences through data analysis opens new opportunities for innovative marketing and engagement strategies. The analysis of hashtags, comments, and sentiments allows for tailoring experiences to meet audience needs, strengthening the connection with supporters and improving team performance on the field."],"dc:identifier":["uoadl:3463536","https://pergamos.lib.uoa.gr/uoa/dl/object/3463536"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Ανάλυση Συναισθήματος Ποδοσφαιρικών Tweets με RoBERTa: Συσχέτιση Υποστήριξης Οπαδών και Απόδοσης Ομάδων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:31:56Z"}