{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5307731"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5307731","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Συγκριτική ανάλυση αλγορίθμων μηχανικής μάθησης για την ανίχνευση τοξικής συμπεριφοράς σε συνομιλίες βιντεοπαιχνιδιών","abstract":"Η παρούσα εργασία εστιάζει στην ανίχνευση τοξικής συμπεριφοράς σε συνομιλίες παικτών στο βιντεοπαιχνίδι Dota 2, μέσω εφαρμογής μεθόδων μηχανικής μάθησης και τεχνικών επεξεργασίας φυσικής γλώσσας (NLP). Αρχικά, πραγματοποιείται ανασκόπηση των υπαρχουσών ερευνών στον τομέα, εξετάζοντας τη χρήση τόσο παραδοσιακών αλγορίθμων όσο και σύγχρονων μοντέλων για την ανίχνευση τοξικότητας στις διαδικτυακές συνομιλίες. Στη συνέχεια, αναλύονται τα δεδομένα από συνομιλίες παικτών του Dota 2 και παρουσιάζονται οι επιλεγμένοι αλγόριθμοι για την αναγνώριση τοξικής συμπεριφοράς, με παρουσίαση των αποτελεσμάτων μέσω μετρικών και γραφικών παραστάσεων. Η εργασία συγκρίνει την απόδοση των αλγορίθμων Naïve Bayes, Random Forest και BERT Transformer, αξιολογώντας τα αποτελέσματά τους και προτείνοντας νέες προσεγγίσεις για τη βελτίωση της ακρίβειας ανίχνευσης. Καινοτομία της μελέτης αποτελεί η συνδυαστική εφαρμογή αλγορίθμων για την ανίχνευση τοξικότητας στο πλαίσιο του Dota 2, προσφέροντας στρατηγικές για την ενσωμάτωσή τους στην επιχειρηματική πρακτική, με στόχο τη βελτίωση της εμπειρίας των παικτών και τη διαχείριση τοξικής συμπεριφοράς.","abstract_html":"Η παρούσα εργασία εστιάζει στην ανίχνευση τοξικής συμπεριφοράς σε συνομιλίες παικτών στο βιντεοπαιχνίδι Dota 2, μέσω εφαρμογής μεθόδων μηχανικής μάθησης και τεχνικών επεξεργασίας φυσικής γλώσσας (NLP). Αρχικά, πραγματοποιείται ανασκόπηση των υπαρχουσών ερευνών στον τομέα, εξετάζοντας τη χρήση τόσο παραδοσιακών αλγορίθμων όσο και σύγχρονων μοντέλων για την ανίχνευση τοξικότητας στις διαδικτυακές συνομιλίες. Στη συνέχεια, αναλύονται τα δεδομένα από συνομιλίες παικτών του Dota 2 και παρουσιάζονται οι επιλεγμένοι αλγόριθμοι για την αναγνώριση τοξικής συμπεριφοράς, με παρουσίαση των αποτελεσμάτων μέσω μετρικών και γραφικών παραστάσεων. Η εργασία συγκρίνει την απόδοση των αλγορίθμων Naïve Bayes, Random Forest και BERT Transformer, αξιολογώντας τα αποτελέσματά τους και προτείνοντας νέες προσεγγίσεις για τη βελτίωση της ακρίβειας ανίχνευσης. Καινοτομία της μελέτης αποτελεί η συνδυαστική εφαρμογή αλγορίθμων για την ανίχνευση τοξικότητας στο πλαίσιο του Dota 2, προσφέροντας στρατηγικές για την ενσωμάτωσή τους στην επιχειρηματική πρακτική, με στόχο τη βελτίωση της εμπειρίας των παικτών και τη διαχείριση τοξικής συμπεριφοράς.","abstract_has_math":false,"creators":["ΜΑΚΡΥΝΙΩΤΗ ΕΙΡΗΝΗ","MAKRYNIOTI EIRINI"],"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":"2026-11-19T06:40:19Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5307731"],"render_values":[{"text":"uoadl:5307731","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5307731","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5307731","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%3A5307731","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΜΑΚΡΥΝΙΩΤΗ ΕΙΡΗΝΗ","MAKRYNIOTI EIRINI"]}]},{"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"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5307731","https://pergamos.lib.uoa.gr/uoa/dl/object/5307731"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία εστιάζει στην ανίχνευση τοξικής συμπεριφοράς σε συνομιλίες παικτών στο βιντεοπαιχνίδι Dota 2, μέσω εφαρμογής μεθόδων μηχανικής μάθησης και τεχνικών επεξεργασίας φυσικής γλώσσας (NLP). Αρχικά, πραγματοποιείται ανασκόπηση των υπαρχουσών ερευνών στον τομέα, εξετάζοντας τη χρήση τόσο παραδοσιακών αλγορίθμων όσο και σύγχρονων μοντέλων για την ανίχνευση τοξικότητας στις διαδικτυακές συνομιλίες. Στη συνέχεια, αναλύονται τα δεδομένα από συνομιλίες παικτών του Dota 2 και παρουσιάζονται οι επιλεγμένοι αλγόριθμοι για την αναγνώριση τοξικής συμπεριφοράς, με παρουσίαση των αποτελεσμάτων μέσω μετρικών και γραφικών παραστάσεων. Η εργασία συγκρίνει την απόδοση των αλγορίθμων Naïve Bayes, Random Forest και BERT Transformer, αξιολογώντας τα αποτελέσματά τους και προτείνοντας νέες προσεγγίσεις για τη βελτίωση της ακρίβειας ανίχνευσης. Καινοτομία της μελέτης αποτελεί η συνδυαστική εφαρμογή αλγορίθμων για την ανίχνευση τοξικότητας στο πλαίσιο του Dota 2, προσφέροντας στρατηγικές για την ενσωμάτωσή τους στην επιχειρηματική πρακτική, με στόχο τη βελτίωση της εμπειρίας των παικτών και τη διαχείριση τοξικής συμπεριφοράς.","This thesis focuses on detecting toxicity in player chat logs within the video game Dota 2, using machine learning methods and natural language processing (NLP) techniques. Initially, a review of the existing literature is conducted, examining the use of both traditional algorithms and modern models for detecting toxicity in online player conversations. The data from Dota 2 video game player conversations is then analyzed, and the selected algorithms for recognizing toxic behavior are presented, along with results displayed through metrics and graphical representations. The thesis compares the performance of the Naïve Bayes, Random Forest, and BERT Transformer algorithms, evaluating their results and suggesting new approaches to improve detection accuracy. The innovation of this study lies in the combined application of these algorithms for toxicity detection within the Dota 2 framework, offering strategies for their integration into business practices to enhance player experience and manage toxic behavior."]},{"key":"dc:title","label":"Title","values":["Συγκριτική ανάλυση αλγορίθμων μηχανικής μάθησης για την ανίχνευση τοξικής συμπεριφοράς σε συνομιλίες βιντεοπαιχνιδιών"]}]}],"canonical_facts":{"dc:creator":["ΜΑΚΡΥΝΙΩΤΗ ΕΙΡΗΝΗ","MAKRYNIOTI EIRINI"],"dc:date":["2025"],"dc:description":["Η παρούσα εργασία εστιάζει στην ανίχνευση τοξικής συμπεριφοράς σε συνομιλίες παικτών στο βιντεοπαιχνίδι Dota 2, μέσω εφαρμογής μεθόδων μηχανικής μάθησης και τεχνικών επεξεργασίας φυσικής γλώσσας (NLP). Αρχικά, πραγματοποιείται ανασκόπηση των υπαρχουσών ερευνών στον τομέα, εξετάζοντας τη χρήση τόσο παραδοσιακών αλγορίθμων όσο και σύγχρονων μοντέλων για την ανίχνευση τοξικότητας στις διαδικτυακές συνομιλίες. Στη συνέχεια, αναλύονται τα δεδομένα από συνομιλίες παικτών του Dota 2 και παρουσιάζονται οι επιλεγμένοι αλγόριθμοι για την αναγνώριση τοξικής συμπεριφοράς, με παρουσίαση των αποτελεσμάτων μέσω μετρικών και γραφικών παραστάσεων. Η εργασία συγκρίνει την απόδοση των αλγορίθμων Naïve Bayes, Random Forest και BERT Transformer, αξιολογώντας τα αποτελέσματά τους και προτείνοντας νέες προσεγγίσεις για τη βελτίωση της ακρίβειας ανίχνευσης. Καινοτομία της μελέτης αποτελεί η συνδυαστική εφαρμογή αλγορίθμων για την ανίχνευση τοξικότητας στο πλαίσιο του Dota 2, προσφέροντας στρατηγικές για την ενσωμάτωσή τους στην επιχειρηματική πρακτική, με στόχο τη βελτίωση της εμπειρίας των παικτών και τη διαχείριση τοξικής συμπεριφοράς.","This thesis focuses on detecting toxicity in player chat logs within the video game Dota 2, using machine learning methods and natural language processing (NLP) techniques. Initially, a review of the existing literature is conducted, examining the use of both traditional algorithms and modern models for detecting toxicity in online player conversations. The data from Dota 2 video game player conversations is then analyzed, and the selected algorithms for recognizing toxic behavior are presented, along with results displayed through metrics and graphical representations. The thesis compares the performance of the Naïve Bayes, Random Forest, and BERT Transformer algorithms, evaluating their results and suggesting new approaches to improve detection accuracy. The innovation of this study lies in the combined application of these algorithms for toxicity detection within the Dota 2 framework, offering strategies for their integration into business practices to enhance player experience and manage toxic behavior."],"dc:identifier":["uoadl:5307731","https://pergamos.lib.uoa.gr/uoa/dl/object/5307731"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Συγκριτική ανάλυση αλγορίθμων μηχανικής μάθησης για την ανίχνευση τοξικής συμπεριφοράς σε συνομιλίες βιντεοπαιχνιδιών"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:19Z"}