National and Kapodistrian University of Athens
Η συμβολή της τεχνητής νοημοσύνης και μηχανικής μάθησης στην προσβασιμότητα των ατόμων με προβλήματα όρασης
Abstract
dc:descriptionΗ παρούσα διπλωματική εργασία εξετάζει την εφαρμογή αλγορίθμων μηχανικής μάθησης για την πρόβλεψη του επιπέδου ικανοποίησης ατόμων με οπτική αναπηρία από την συμβολή της ΑΙ και ΜΜ στην προσβασιμότητά τους. Επιπλέον, αναδεικνύει τα σημαντικότερα χαρακτηριστικά που επηρεάζουν την μεταβλητή στόχο, τα κύρια εμπόδια ενσωμάτωσης των υποστηρικτικών τεχνολογιών και τις μελλοντικές κατευθύνσεις που θα πρέπει να ακολουθήσει η αγορά. Το σύνολο δεδομένων αντλήθηκε μέσω σκόπιμης δειγματοληψίας από ερωτηματολόγιο που απευθυνόταν σε άτομα με απώλεια όρασης άνω των 18 ετών, περιλαμβάνοντας ερωτήσεις κλειστού τύπου και διαβαθμίσεις τύπου Likert. Το τελικό δείγμα ανέρχεται σε 97 παρατηρήσεις και 16 μεταβλητές. Η μελέτη ξεκινάει με το θεωρητικό πλαίσιο όπου αναφέρονται οι βασικοί ορισμοί και παρουσιάζονται οι υπάρχουσες υποστηρικτικές τεχνολογίες. Συνεχίζει με την διερευνητική ανάλυση δεδομένων όπου αποτυπώνονται τα μέτρα θέσης και διασποράς, εξετάζεται η κατανομή και οι συχνότητες των χαρακτηριστικών και αναδύονται οι σχέσεις μεταξύ της μεταβλητής στόχου και των ανεξάρτητων μεταβλητών μέσω συγκριτικής στατιστικής. Επίσης πραγματοποιούνται στατιστικοί έλεγχοι ώστε να εκτιμηθεί η σημαντικότητά τους σε σχέση με το επίπεδο ικανοποίησης. Αναλύονται οι συσχετίσεις μεταξύ χαρακτηριστικών με Cramer's V για την αποφυγή πολυσυγγραμμικότητας και γίνεται ανάλυση σημαντικότητας μεταβλητών για τη βελτιστοποίηση του δεδομένου συνόλου. Τέλος υλοποιούνται τέσσερις αλγόριθμοι: Λογιστική παλινδρόμηση, Τυχαίο δάσος, k-NN και Naïve Bayes σε περιβάλλον Python. Η μεταβλητή στόχος διακρίνεται σε τρία επίπεδα ικανοποίησης και δίνεται έμφαση στην βελτιστοποίηση της ακρίβειας των προβλέψεων. Τα μοντέλα αξιολογούνται βάση μετρικών όπως το Accuracy, training accuracy, precision, recall, f1 score, mean ROC curve AUC και mean Precision recall AUC. Τα αποτελέσματα δείχνουν πως το μοντέλο k-NN θεωρείται το βέλτιστο με ακρίβεια 75%, ισορροπημένη απόδοση μεταξύ ανάκλησης και ακρίβειας (F1 Scores: Weighted Avg = 75%, Macro Avg = 73%) και καλή γενικευσιμότητα (Test accuracy = 77%). Οι σημαντικότεροι παράγοντες για την ικανοποίηση είναι η επαγγελματική εμπειρία και η εξοικείωση με τις υποστηρικτικές τεχνολογίες. Τα κύρια εμπόδια υιοθέτησης των συσκευών ή εφαρμογών ΑΙ και ΜΜ είναι η προσαρμοστικότητα τους και το κόστος. Τέλος η αγορά θα πρέπει να εστιάσει στην καθημερινή ζωή και την πλοήγηση για την καλύτερη προσβασιμότητα των ατόμων με οπτική αναπηρία.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- ΚΩΝΣΤΑΝΤΙΝΟΥ-ΤΖΑΒΕΤΣ ΕΛΕΝΗ-ΑΝΝΑ
- KONSTANTINOU-ZAVECZ ELENE-ANNA
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:5313409