{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5295123"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5295123","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη Ορθογράφου για την Ελληνική Γλώσσα με Χρήση Ελαφριών Τεχνικών Επεξεργασίας Φυσικής Γλώσσας","abstract":"Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη ενός ελαφριού και λειτουργικού εργαλείου ορθογραφικού ελεγκτή (spellchecker) για την ελληνική γλώσσα, αξιοποιώντας τεχνικές Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing – NLP) με χαμηλό υπολογιστικό κόστος. Δεδομένων των γλωσσικών ιδιαιτεροτήτων της ελληνικής, όπως η πλούσια μορφολογία, η ύπαρξη τόνων και η εναλλαγή γραφημάτων με ίδιο φθόγγο, η εργασία επιδιώκει τη δημιουργία ενός διορθωτή που να είναι ευέλικτος, αξιόπιστος και κατάλληλος για ενσωμάτωση σε πραγματικές εφαρμογές. Στο θεωρητικό σκέλος παρουσιάζονται οι βασικές τεχνικές NLP, με ιδιαίτερη έμφαση στις ελαφριές μεθόδους (lightweight NLP), καθώς και τα εργαλεία spaCy, Hunspell, PyEnchant και Symspell, τα οποία αξιολογούνται ως προς τη δυνατότητα προσαρμογής τους στην ελληνική. Η υλοποίηση πραγματοποιήθηκε σε Python και συνδυάζει το γλωσσικό μοντέλο el_core_news_md της spaCy με τον ορθογραφικό έλεγχο του PyEnchant και του λεξικού Hunspell, ενισχυμένο με μηχανισμούς διόρθωσης τόνων και βελτιστοποίησης προτεινόμενων λέξεων με βάση similarity metrics. Το εργαλείο αξιολογήθηκε σε τρεις φάσεις: σε κείμενα με τεχνητά λάθη, στο πολύγλωσσο σύνολο MultiGEC, και μέσω σύγκρισης με Hunspell και Symspellpy. Τα αποτελέσματα έδειξαν ακρίβεια 80% σε σκόπιμα λάθη, BLEU δείκτη 0.517 και Levenshtein απόσταση 0.517 στο MultiGEC, ενώ στη συγκριτική αξιολόγηση πέτυχε F1-δείκτη 0.214, υπερτερώντας του Symspellpy και ισοδύναμο με το απλό Hunspell. Οι προσθήκες βελτίωσης, όπως η διόρθωση τόνων, συνέβαλαν καθοριστικά στη συνολική απόδοση. Η εργασία αποδεικνύει ότι οι ελαφριές τεχνικές NLP, αν και απλές, μπορούν να προσφέρουν ουσιαστικές λύσεις σε στοχευμένα προβλήματα, όπως ο ορθογραφικός έλεγχος σε γλώσσες με περιορισμένους ψηφιακούς πόρους, προτείνοντας ένα πρακτικό υπόδειγμα εφαρμογής για την ελληνική γλώσσα.","abstract_html":"Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη ενός ελαφριού και λειτουργικού εργαλείου ορθογραφικού ελεγκτή (spellchecker) για την ελληνική γλώσσα, αξιοποιώντας τεχνικές Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing – NLP) με χαμηλό υπολογιστικό κόστος. Δεδομένων των γλωσσικών ιδιαιτεροτήτων της ελληνικής, όπως η πλούσια μορφολογία, η ύπαρξη τόνων και η εναλλαγή γραφημάτων με ίδιο φθόγγο, η εργασία επιδιώκει τη δημιουργία ενός διορθωτή που να είναι ευέλικτος, αξιόπιστος και κατάλληλος για ενσωμάτωση σε πραγματικές εφαρμογές. Στο θεωρητικό σκέλος παρουσιάζονται οι βασικές τεχνικές NLP, με ιδιαίτερη έμφαση στις ελαφριές μεθόδους (lightweight NLP), καθώς και τα εργαλεία spaCy, Hunspell, PyEnchant και Symspell, τα οποία αξιολογούνται ως προς τη δυνατότητα προσαρμογής τους στην ελληνική. Η υλοποίηση πραγματοποιήθηκε σε Python και συνδυάζει το γλωσσικό μοντέλο el_core_news_md της spaCy με τον ορθογραφικό έλεγχο του PyEnchant και του λεξικού Hunspell, ενισχυμένο με μηχανισμούς διόρθωσης τόνων και βελτιστοποίησης προτεινόμενων λέξεων με βάση similarity metrics. Το εργαλείο αξιολογήθηκε σε τρεις φάσεις: σε κείμενα με τεχνητά λάθη, στο πολύγλωσσο σύνολο MultiGEC, και μέσω σύγκρισης με Hunspell και Symspellpy. Τα αποτελέσματα έδειξαν ακρίβεια 80% σε σκόπιμα λάθη, BLEU δείκτη 0.517 και Levenshtein απόσταση 0.517 στο MultiGEC, ενώ στη συγκριτική αξιολόγηση πέτυχε F1-δείκτη 0.214, υπερτερώντας του Symspellpy και ισοδύναμο με το απλό Hunspell. Οι προσθήκες βελτίωσης, όπως η διόρθωση τόνων, συνέβαλαν καθοριστικά στη συνολική απόδοση. Η εργασία αποδεικνύει ότι οι ελαφριές τεχνικές NLP, αν και απλές, μπορούν να προσφέρουν ουσιαστικές λύσεις σε στοχευμένα προβλήματα, όπως ο ορθογραφικός έλεγχος σε γλώσσες με περιορισμένους ψηφιακούς πόρους, προτείνοντας ένα πρακτικό υπόδειγμα εφαρμογής για την ελληνική γλώσσα.","abstract_has_math":false,"creators":["Κυριακοπούλου Κωνσταντίνα","Kyriakopoulou Konstantina"],"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":"2026-11-19T06:32:53Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5295123"],"render_values":[{"text":"uoadl:5295123","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5295123","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5295123","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%3A5295123","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κυριακοπούλου Κωνσταντίνα","Kyriakopoulou Konstantina"]}]},{"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":["Ελληνικά","Greek","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5295123","https://pergamos.lib.uoa.gr/uoa/dl/object/5295123"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη ενός ελαφριού και λειτουργικού εργαλείου ορθογραφικού ελεγκτή (spellchecker) για την ελληνική γλώσσα, αξιοποιώντας τεχνικές Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing – NLP) με χαμηλό υπολογιστικό κόστος. Δεδομένων των γλωσσικών ιδιαιτεροτήτων της ελληνικής, όπως η πλούσια μορφολογία, η ύπαρξη τόνων και η εναλλαγή γραφημάτων με ίδιο φθόγγο, η εργασία επιδιώκει τη δημιουργία ενός διορθωτή που να είναι ευέλικτος, αξιόπιστος και κατάλληλος για ενσωμάτωση σε πραγματικές εφαρμογές. Στο θεωρητικό σκέλος παρουσιάζονται οι βασικές τεχνικές NLP, με ιδιαίτερη έμφαση στις ελαφριές μεθόδους (lightweight NLP), καθώς και τα εργαλεία spaCy, Hunspell, PyEnchant και Symspell, τα οποία αξιολογούνται ως προς τη δυνατότητα προσαρμογής τους στην ελληνική. Η υλοποίηση πραγματοποιήθηκε σε Python και συνδυάζει το γλωσσικό μοντέλο el_core_news_md της spaCy με τον ορθογραφικό έλεγχο του PyEnchant και του λεξικού Hunspell, ενισχυμένο με μηχανισμούς διόρθωσης τόνων και βελτιστοποίησης προτεινόμενων λέξεων με βάση similarity metrics. Το εργαλείο αξιολογήθηκε σε τρεις φάσεις: σε κείμενα με τεχνητά λάθη, στο πολύγλωσσο σύνολο MultiGEC, και μέσω σύγκρισης με Hunspell και Symspellpy. Τα αποτελέσματα έδειξαν ακρίβεια 80% σε σκόπιμα λάθη, BLEU δείκτη 0.517 και Levenshtein απόσταση 0.517 στο MultiGEC, ενώ στη συγκριτική αξιολόγηση πέτυχε F1-δείκτη 0.214, υπερτερώντας του Symspellpy και ισοδύναμο με το απλό Hunspell. Οι προσθήκες βελτίωσης, όπως η διόρθωση τόνων, συνέβαλαν καθοριστικά στη συνολική απόδοση. Η εργασία αποδεικνύει ότι οι ελαφριές τεχνικές NLP, αν και απλές, μπορούν να προσφέρουν ουσιαστικές λύσεις σε στοχευμένα προβλήματα, όπως ο ορθογραφικός έλεγχος σε γλώσσες με περιορισμένους ψηφιακούς πόρους, προτείνοντας ένα πρακτικό υπόδειγμα εφαρμογής για την ελληνική γλώσσα.","This study focuses on the development of a lightweight and functional spellchecker for the Greek language, utilizing Natural Language Processing (NLP) techniques with low computational cost. Given the linguistic peculiarities of Greek, such as its rich morphology, the existence of accents, and the alternation of graphemes with the same phoneme, the paper aims to create a spellchecker that is flexible, reliable, and suitable for integration into real-world applications. The theoretical part presents the basic NLP techniques, with particular emphasis on lightweight NLP methods, as well as the spaCy, Hunspell, PyEnchant, and Symspell tools, which are evaluated in terms of their adaptability to Greek. The implementation was carried out in Python and combines the spaCy language model el_core_news_md with the spell checker PyEnchant and the Hunspell dictionary, enhanced with accent correction and word suggestion optimization mechanisms based on similarity metrics. The tool was evaluated in three phases: on texts with artificial errors, on the multilingual MultiGEC corpus, and through comparison with Hunspell and Symspellpy. The results showed 80% accuracy on intentional errors, a BLEU score of 0.517, and a Levenshtein distance of 0.517 on MultiGEC, while in the comparative evaluation it achieved an F1-score of 0.214, outperforming Symspellpy and equivalent to plain Hunspell. Improvements such as accent correction contributed significantly to the overall performance. The work demonstrates that lightweight NLP techniques, although simple, can offer meaningful solutions to targeted problems, such as spell checking in languages with limited digital resources, proposing a practical application model for the Greek language."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη Ορθογράφου για την Ελληνική Γλώσσα με Χρήση Ελαφριών Τεχνικών Επεξεργασίας Φυσικής Γλώσσας"]}]}],"canonical_facts":{"dc:creator":["Κυριακοπούλου Κωνσταντίνα","Kyriakopoulou Konstantina"],"dc:date":["2025"],"dc:description":["Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη ενός ελαφριού και λειτουργικού εργαλείου ορθογραφικού ελεγκτή (spellchecker) για την ελληνική γλώσσα, αξιοποιώντας τεχνικές Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing – NLP) με χαμηλό υπολογιστικό κόστος. Δεδομένων των γλωσσικών ιδιαιτεροτήτων της ελληνικής, όπως η πλούσια μορφολογία, η ύπαρξη τόνων και η εναλλαγή γραφημάτων με ίδιο φθόγγο, η εργασία επιδιώκει τη δημιουργία ενός διορθωτή που να είναι ευέλικτος, αξιόπιστος και κατάλληλος για ενσωμάτωση σε πραγματικές εφαρμογές. Στο θεωρητικό σκέλος παρουσιάζονται οι βασικές τεχνικές NLP, με ιδιαίτερη έμφαση στις ελαφριές μεθόδους (lightweight NLP), καθώς και τα εργαλεία spaCy, Hunspell, PyEnchant και Symspell, τα οποία αξιολογούνται ως προς τη δυνατότητα προσαρμογής τους στην ελληνική. Η υλοποίηση πραγματοποιήθηκε σε Python και συνδυάζει το γλωσσικό μοντέλο el_core_news_md της spaCy με τον ορθογραφικό έλεγχο του PyEnchant και του λεξικού Hunspell, ενισχυμένο με μηχανισμούς διόρθωσης τόνων και βελτιστοποίησης προτεινόμενων λέξεων με βάση similarity metrics. Το εργαλείο αξιολογήθηκε σε τρεις φάσεις: σε κείμενα με τεχνητά λάθη, στο πολύγλωσσο σύνολο MultiGEC, και μέσω σύγκρισης με Hunspell και Symspellpy. Τα αποτελέσματα έδειξαν ακρίβεια 80% σε σκόπιμα λάθη, BLEU δείκτη 0.517 και Levenshtein απόσταση 0.517 στο MultiGEC, ενώ στη συγκριτική αξιολόγηση πέτυχε F1-δείκτη 0.214, υπερτερώντας του Symspellpy και ισοδύναμο με το απλό Hunspell. Οι προσθήκες βελτίωσης, όπως η διόρθωση τόνων, συνέβαλαν καθοριστικά στη συνολική απόδοση. Η εργασία αποδεικνύει ότι οι ελαφριές τεχνικές NLP, αν και απλές, μπορούν να προσφέρουν ουσιαστικές λύσεις σε στοχευμένα προβλήματα, όπως ο ορθογραφικός έλεγχος σε γλώσσες με περιορισμένους ψηφιακούς πόρους, προτείνοντας ένα πρακτικό υπόδειγμα εφαρμογής για την ελληνική γλώσσα.","This study focuses on the development of a lightweight and functional spellchecker for the Greek language, utilizing Natural Language Processing (NLP) techniques with low computational cost. Given the linguistic peculiarities of Greek, such as its rich morphology, the existence of accents, and the alternation of graphemes with the same phoneme, the paper aims to create a spellchecker that is flexible, reliable, and suitable for integration into real-world applications. The theoretical part presents the basic NLP techniques, with particular emphasis on lightweight NLP methods, as well as the spaCy, Hunspell, PyEnchant, and Symspell tools, which are evaluated in terms of their adaptability to Greek. The implementation was carried out in Python and combines the spaCy language model el_core_news_md with the spell checker PyEnchant and the Hunspell dictionary, enhanced with accent correction and word suggestion optimization mechanisms based on similarity metrics. The tool was evaluated in three phases: on texts with artificial errors, on the multilingual MultiGEC corpus, and through comparison with Hunspell and Symspellpy. The results showed 80% accuracy on intentional errors, a BLEU score of 0.517, and a Levenshtein distance of 0.517 on MultiGEC, while in the comparative evaluation it achieved an F1-score of 0.214, outperforming Symspellpy and equivalent to plain Hunspell. Improvements such as accent correction contributed significantly to the overall performance. The work demonstrates that lightweight NLP techniques, although simple, can offer meaningful solutions to targeted problems, such as spell checking in languages with limited digital resources, proposing a practical application model for the Greek language."],"dc:identifier":["uoadl:5295123","https://pergamos.lib.uoa.gr/uoa/dl/object/5295123"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ανάπτυξη Ορθογράφου για την Ελληνική Γλώσσα με Χρήση Ελαφριών Τεχνικών Επεξεργασίας Φυσικής Γλώσσας"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:53Z"}