{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5309789"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5309789","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"LLM-Assisted Ontology Engineering: A Case Study on the EU Artificial Intelligence Act.","abstract":"Η παρούσα εργασία εξερευνά τη χρήση των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models - LLMs) στην ανάπτυξη οντολογιών. Χρησιμοποιώντας το ChatGPT ως LLM και τον Κανονισμό Τεχνητής Νοημοσύνης της Ευρωπαϊκής Ένωσης (Κανονισμός (ΕΕ) 2024/1689) ως μελέτη περίπτωσης, επιδεικνύεται πώς το ChatGPT μπορεί να καθοδηγηθεί μέσω μιας δομημένης μεθοδολογίας οντολογικής μηχανικής για να εξαγάγει, να ταξινομήσει και να τυποποιήσει ημι-αυτόματα νομική γνώση. Με αξιοποίηση ροών εργασίας βασισμένων σε προτροπές (prompts) και μετα-επεξεργασία σε Python με τη βιβλιοθήκη RDFLib, παράχθηκε μια πλήρης οντολογία σε OWL, η οποία καλύπτει τα κεφάλαια, τις ενότητες, τα άρθρα, τις αιτιολογικές σκέψεις και τα παραρτήματα του κανονισμού. Η προκύπτουσα οντολογία αξιολογήθηκε ως προς τη δομική συνοχή, τη συντακτική εγκυρότητα και το βάθος μοντελοποίησης. Τα αποτελέσματα δείχνουν ότι, ενώ το ChatGPT αποδίδει ικανοποιητικά στη δομή και ονομασία των εννοιών του πεδίου, υστερεί στην ικανότητα λογικού συλλογισμού, στη μοντελοποίηση περιορισμών ιδιοτήτων και στην τυπική επικύρωση. Ωστόσο, επιταχύνει σημαντικά τα πρώιμα στάδια ανάπτυξης οντολογίας, προσφέροντας ένα αξιόπιστο σημείο εκκίνησης για περαιτέρω ανθρώπινη βελτίωση. Η εργασία αυτή συμβάλλει στο αναδυόμενο πεδίο της μηχανικής γνώσης με υποστήριξη LLMs, παρουσιάζοντας μια αναπαραγώγιμη μεθοδολογία και μια νομική μελέτη περίπτωσης υψηλής πολυπλοκότητας και ακρίβειας.","abstract_html":"Η παρούσα εργασία εξερευνά τη χρήση των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models - LLMs) στην ανάπτυξη οντολογιών. Χρησιμοποιώντας το ChatGPT ως LLM και τον Κανονισμό Τεχνητής Νοημοσύνης της Ευρωπαϊκής Ένωσης (Κανονισμός (ΕΕ) 2024/1689) ως μελέτη περίπτωσης, επιδεικνύεται πώς το ChatGPT μπορεί να καθοδηγηθεί μέσω μιας δομημένης μεθοδολογίας οντολογικής μηχανικής για να εξαγάγει, να ταξινομήσει και να τυποποιήσει ημι-αυτόματα νομική γνώση. Με αξιοποίηση ροών εργασίας βασισμένων σε προτροπές (prompts) και μετα-επεξεργασία σε Python με τη βιβλιοθήκη RDFLib, παράχθηκε μια πλήρης οντολογία σε OWL, η οποία καλύπτει τα κεφάλαια, τις ενότητες, τα άρθρα, τις αιτιολογικές σκέψεις και τα παραρτήματα του κανονισμού. Η προκύπτουσα οντολογία αξιολογήθηκε ως προς τη δομική συνοχή, τη συντακτική εγκυρότητα και το βάθος μοντελοποίησης. Τα αποτελέσματα δείχνουν ότι, ενώ το ChatGPT αποδίδει ικανοποιητικά στη δομή και ονομασία των εννοιών του πεδίου, υστερεί στην ικανότητα λογικού συλλογισμού, στη μοντελοποίηση περιορισμών ιδιοτήτων και στην τυπική επικύρωση. Ωστόσο, επιταχύνει σημαντικά τα πρώιμα στάδια ανάπτυξης οντολογίας, προσφέροντας ένα αξιόπιστο σημείο εκκίνησης για περαιτέρω ανθρώπινη βελτίωση. Η εργασία αυτή συμβάλλει στο αναδυόμενο πεδίο της μηχανικής γνώσης με υποστήριξη LLMs, παρουσιάζοντας μια αναπαραγώγιμη μεθοδολογία και μια νομική μελέτη περίπτωσης υψηλής πολυπλοκότητας και ακρίβειας.","abstract_has_math":false,"creators":["Σπανού Χαρίκλεια","Spanou CHarikleia"],"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":"2026-11-19T06:40:39Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5309789"],"render_values":[{"text":"uoadl:5309789","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5309789","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5309789","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%3A5309789","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σπανού Χαρίκλεια","Spanou CHarikleia"]}]},{"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:5309789","https://pergamos.lib.uoa.gr/uoa/dl/object/5309789"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία εξερευνά τη χρήση των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models - LLMs) στην ανάπτυξη οντολογιών. Χρησιμοποιώντας το ChatGPT ως LLM και τον Κανονισμό Τεχνητής Νοημοσύνης της Ευρωπαϊκής Ένωσης (Κανονισμός (ΕΕ) 2024/1689) ως μελέτη περίπτωσης, επιδεικνύεται πώς το ChatGPT μπορεί να καθοδηγηθεί μέσω μιας δομημένης μεθοδολογίας οντολογικής μηχανικής για να εξαγάγει, να ταξινομήσει και να τυποποιήσει ημι-αυτόματα νομική γνώση. Με αξιοποίηση ροών εργασίας βασισμένων σε προτροπές (prompts) και μετα-επεξεργασία σε Python με τη βιβλιοθήκη RDFLib, παράχθηκε μια πλήρης οντολογία σε OWL, η οποία καλύπτει τα κεφάλαια, τις ενότητες, τα άρθρα, τις αιτιολογικές σκέψεις και τα παραρτήματα του κανονισμού. Η προκύπτουσα οντολογία αξιολογήθηκε ως προς τη δομική συνοχή, τη συντακτική εγκυρότητα και το βάθος μοντελοποίησης. Τα αποτελέσματα δείχνουν ότι, ενώ το ChatGPT αποδίδει ικανοποιητικά στη δομή και ονομασία των εννοιών του πεδίου, υστερεί στην ικανότητα λογικού συλλογισμού, στη μοντελοποίηση περιορισμών ιδιοτήτων και στην τυπική επικύρωση. Ωστόσο, επιταχύνει σημαντικά τα πρώιμα στάδια ανάπτυξης οντολογίας, προσφέροντας ένα αξιόπιστο σημείο εκκίνησης για περαιτέρω ανθρώπινη βελτίωση. Η εργασία αυτή συμβάλλει στο αναδυόμενο πεδίο της μηχανικής γνώσης με υποστήριξη LLMs, παρουσιάζοντας μια αναπαραγώγιμη μεθοδολογία και μια νομική μελέτη περίπτωσης υψηλής πολυπλοκότητας και ακρίβειας.","This thesis explores the use of Large Language Models (LLMs) in the development of ontologies . Using ChatGPT as the LLM and the European Union Artificial Intelligence Act (Regulation (EU) 2024/1689) as a case study, I demonstrate how ChatGPT can be guided through a structured ontology engineering methodology to semi-automatically extract, classify, and formalize legal knowledge. Leveraging prompt-based workflows and Python-based post-processing with RDFLib, I generated a complete OWL ontology covering the regulation’s chapters, sections, articles, recitals, and annexes. The resulting ontology was evaluated for structural coherence, syntactic validity, and modeling depth. Findings show that while ChatGPT performs well instructuring and labeling domain concepts, it lacks the capacity for formal reasoning, property constraint modeling, and logical validation. Nonetheless, it significantly accelerates the early phases of ontology development, providing a viable starting point for human-centered refinement. This thesis contributes to the emerging field of LLM-supported knowledge engineering by presenting a reproducible pipeline and a legal use case with high complexity and precision requirements."]},{"key":"dc:title","label":"Title","values":["LLM-Assisted Ontology Engineering: A Case Study on the EU Artificial Intelligence Act."]}]}],"canonical_facts":{"dc:creator":["Σπανού Χαρίκλεια","Spanou CHarikleia"],"dc:date":["2025"],"dc:description":["Η παρούσα εργασία εξερευνά τη χρήση των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models - LLMs) στην ανάπτυξη οντολογιών. Χρησιμοποιώντας το ChatGPT ως LLM και τον Κανονισμό Τεχνητής Νοημοσύνης της Ευρωπαϊκής Ένωσης (Κανονισμός (ΕΕ) 2024/1689) ως μελέτη περίπτωσης, επιδεικνύεται πώς το ChatGPT μπορεί να καθοδηγηθεί μέσω μιας δομημένης μεθοδολογίας οντολογικής μηχανικής για να εξαγάγει, να ταξινομήσει και να τυποποιήσει ημι-αυτόματα νομική γνώση. Με αξιοποίηση ροών εργασίας βασισμένων σε προτροπές (prompts) και μετα-επεξεργασία σε Python με τη βιβλιοθήκη RDFLib, παράχθηκε μια πλήρης οντολογία σε OWL, η οποία καλύπτει τα κεφάλαια, τις ενότητες, τα άρθρα, τις αιτιολογικές σκέψεις και τα παραρτήματα του κανονισμού. Η προκύπτουσα οντολογία αξιολογήθηκε ως προς τη δομική συνοχή, τη συντακτική εγκυρότητα και το βάθος μοντελοποίησης. Τα αποτελέσματα δείχνουν ότι, ενώ το ChatGPT αποδίδει ικανοποιητικά στη δομή και ονομασία των εννοιών του πεδίου, υστερεί στην ικανότητα λογικού συλλογισμού, στη μοντελοποίηση περιορισμών ιδιοτήτων και στην τυπική επικύρωση. Ωστόσο, επιταχύνει σημαντικά τα πρώιμα στάδια ανάπτυξης οντολογίας, προσφέροντας ένα αξιόπιστο σημείο εκκίνησης για περαιτέρω ανθρώπινη βελτίωση. Η εργασία αυτή συμβάλλει στο αναδυόμενο πεδίο της μηχανικής γνώσης με υποστήριξη LLMs, παρουσιάζοντας μια αναπαραγώγιμη μεθοδολογία και μια νομική μελέτη περίπτωσης υψηλής πολυπλοκότητας και ακρίβειας.","This thesis explores the use of Large Language Models (LLMs) in the development of ontologies . Using ChatGPT as the LLM and the European Union Artificial Intelligence Act (Regulation (EU) 2024/1689) as a case study, I demonstrate how ChatGPT can be guided through a structured ontology engineering methodology to semi-automatically extract, classify, and formalize legal knowledge. Leveraging prompt-based workflows and Python-based post-processing with RDFLib, I generated a complete OWL ontology covering the regulation’s chapters, sections, articles, recitals, and annexes. The resulting ontology was evaluated for structural coherence, syntactic validity, and modeling depth. Findings show that while ChatGPT performs well instructuring and labeling domain concepts, it lacks the capacity for formal reasoning, property constraint modeling, and logical validation. Nonetheless, it significantly accelerates the early phases of ontology development, providing a viable starting point for human-centered refinement. This thesis contributes to the emerging field of LLM-supported knowledge engineering by presenting a reproducible pipeline and a legal use case with high complexity and precision requirements."],"dc:identifier":["uoadl:5309789","https://pergamos.lib.uoa.gr/uoa/dl/object/5309789"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["LLM-Assisted Ontology Engineering: A Case Study on the EU Artificial Intelligence Act."],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:39Z"}