{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5325894"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5325894","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Σχεδίαση και Υλοποίηση Διαλογικού Συστήματος Υποστήριξης για Άγχος και Συναφείς Δυσκολίες με Τεχνικές Μηχανικής Μάθησης","abstract":"Η παρούσα διπλωματική πραγματεύεται τη σχεδίαση και υλοποίηση ενός ελεγχόμενου διαλογικού συστήματος υποστήριξης για άγχος και συναφείς δυσκολίες, με στόχο να παρέχει σύντομη, τεκμηριωμένη και ασφαλή καθοδήγηση σε ελληνόφωνους χρήστες. Το σύστημα δεν επιχειρεί διάγνωση ή θεραπευτική παρέμβαση, αλλά λειτουργεί ως εργαλείο πρώτου επιπέδου: προσφέρει ψυχοεκπαίδευση και πρακτικές τεχνικές αυτοφροντίδας (π.χ. αναπνοές/γείωση, ύπνος, διαχείριση υπερανάλυσης, στρες ή κρίσης πανικού) και ενθαρρύνει την αναζήτηση επαγγελματικής βοήθειας όταν αυτό είναι αναγκαίο. Η αρχιτεκτονική ακολουθεί υβριδικό pipeline δύο σταδίων: (α) αναγνώριση πρόθεσης (intent classification) με επιβλεπόμενη μηχανική μάθηση και (β) ανάκτηση απάντησης (retrieval) από επιμελημένη βάση γνώσης ερωτήσεων-απαντήσεων (Q/A), όπου κάθε απάντηση συνοδεύεται από πηγή. Για την αναγνώριση προθέσεων υλοποιήθηκε baseline μοντέλο TF-IDF (n-grams 1-2) με Logistic Regression, ενώ για την ανάκτηση χρησιμοποιείται TF-IDF και cosine similarity, με κατώφλια ομοιότητας και fallback πολιτική όταν δεν υπάρχει επαρκής συνάφεια. Ο Dialogue Manager ενσωματώνει κανόνες για small-talk (χαιρετισμός/αποχαιρετισμός), χειρισμό χαμηλής εμπιστοσύνης (top-k intents) και anchors λέξεων-κλειδιών για σταθερότερη συμπεριφορά. Κρίσιμο στοιχείο της υλοποίησης είναι το Safety Layer: σε μηνύματα υψηλού ρίσκου (intent crisis_risk) παρακάμπτει την τυπική ροή και επιστρέφει προκαθορισμένο, ασφαλές μήνυμα παραπομπής, ώστε να μειώνεται ο κίνδυνος ακατάλληλων αποκρίσεων σε ευαίσθητα σενάρια. Το πρωτότυπο υλοποιήθηκε με διεπαφή χρήστη σε Streamlit, επιτρέποντας δοκιμές και εμφάνιση πηγών/παραμέτρων για αναπαραγωγιμότητα. Η αξιολόγηση περιλαμβάνει ποσοτική εκτίμηση του intent classifier και ποιοτική αξιολόγηση της συμπεριφοράς σε σενάρια χρήσης. Στο test set, το baseline μοντέλο πέτυχε Accuracy=0,30 και macro-F1=0,34, αναδεικνύοντας τη δυσκολία του προβλήματος με μικρά και πολυ-κλασικά δεδομένα. Παρά τους περιορισμούς, η συνολική λειτουργικότητα ενισχύεται από τους μηχανισμούς ελέγχου (intent-filtered retrieval, thresholds, fallbacks και safety overrides). Τέλος, προτείνονται επεκτάσεις όπως εμπλουτισμός δεδομένων, αναβάθμιση ανάκτησης με σημασιολογικά embeddings και αξιολόγηση με πραγματικούς χρήστες/ειδικούς.","abstract_html":"Η παρούσα διπλωματική πραγματεύεται τη σχεδίαση και υλοποίηση ενός ελεγχόμενου διαλογικού συστήματος υποστήριξης για άγχος και συναφείς δυσκολίες, με στόχο να παρέχει σύντομη, τεκμηριωμένη και ασφαλή καθοδήγηση σε ελληνόφωνους χρήστες. Το σύστημα δεν επιχειρεί διάγνωση ή θεραπευτική παρέμβαση, αλλά λειτουργεί ως εργαλείο πρώτου επιπέδου: προσφέρει ψυχοεκπαίδευση και πρακτικές τεχνικές αυτοφροντίδας (π.χ. αναπνοές/γείωση, ύπνος, διαχείριση υπερανάλυσης, στρες ή κρίσης πανικού) και ενθαρρύνει την αναζήτηση επαγγελματικής βοήθειας όταν αυτό είναι αναγκαίο. Η αρχιτεκτονική ακολουθεί υβριδικό pipeline δύο σταδίων: (α) αναγνώριση πρόθεσης (intent classification) με επιβλεπόμενη μηχανική μάθηση και (β) ανάκτηση απάντησης (retrieval) από επιμελημένη βάση γνώσης ερωτήσεων-απαντήσεων (Q/A), όπου κάθε απάντηση συνοδεύεται από πηγή. Για την αναγνώριση προθέσεων υλοποιήθηκε baseline μοντέλο TF-IDF (n-grams 1-2) με Logistic Regression, ενώ για την ανάκτηση χρησιμοποιείται TF-IDF και cosine similarity, με κατώφλια ομοιότητας και fallback πολιτική όταν δεν υπάρχει επαρκής συνάφεια. Ο Dialogue Manager ενσωματώνει κανόνες για small-talk (χαιρετισμός/αποχαιρετισμός), χειρισμό χαμηλής εμπιστοσύνης (top-k intents) και anchors λέξεων-κλειδιών για σταθερότερη συμπεριφορά. Κρίσιμο στοιχείο της υλοποίησης είναι το Safety Layer: σε μηνύματα υψηλού ρίσκου (intent crisis_risk) παρακάμπτει την τυπική ροή και επιστρέφει προκαθορισμένο, ασφαλές μήνυμα παραπομπής, ώστε να μειώνεται ο κίνδυνος ακατάλληλων αποκρίσεων σε ευαίσθητα σενάρια. Το πρωτότυπο υλοποιήθηκε με διεπαφή χρήστη σε Streamlit, επιτρέποντας δοκιμές και εμφάνιση πηγών/παραμέτρων για αναπαραγωγιμότητα. Η αξιολόγηση περιλαμβάνει ποσοτική εκτίμηση του intent classifier και ποιοτική αξιολόγηση της συμπεριφοράς σε σενάρια χρήσης. Στο test set, το baseline μοντέλο πέτυχε Accuracy=0,30 και macro-F1=0,34, αναδεικνύοντας τη δυσκολία του προβλήματος με μικρά και πολυ-κλασικά δεδομένα. Παρά τους περιορισμούς, η συνολική λειτουργικότητα ενισχύεται από τους μηχανισμούς ελέγχου (intent-filtered retrieval, thresholds, fallbacks και safety overrides). Τέλος, προτείνονται επεκτάσεις όπως εμπλουτισμός δεδομένων, αναβάθμιση ανάκτησης με σημασιολογικά embeddings και αξιολόγηση με πραγματικούς χρήστες/ειδικούς.","abstract_has_math":false,"creators":["Νάτση Δήμητρα","Natsi Dimitra"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:17:49Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5325894"],"render_values":[{"text":"uoadl:5325894","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5325894","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5325894","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%3A5325894","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Νάτση Δήμητρα","Natsi Dimitra"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5325894","https://pergamos.lib.uoa.gr/uoa/dl/object/5325894"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική πραγματεύεται τη σχεδίαση και υλοποίηση ενός ελεγχόμενου διαλογικού συστήματος υποστήριξης για άγχος και συναφείς δυσκολίες, με στόχο να παρέχει σύντομη, τεκμηριωμένη και ασφαλή καθοδήγηση σε ελληνόφωνους χρήστες. Το σύστημα δεν επιχειρεί διάγνωση ή θεραπευτική παρέμβαση, αλλά λειτουργεί ως εργαλείο πρώτου επιπέδου: προσφέρει ψυχοεκπαίδευση και πρακτικές τεχνικές αυτοφροντίδας (π.χ. αναπνοές/γείωση, ύπνος, διαχείριση υπερανάλυσης, στρες ή κρίσης πανικού) και ενθαρρύνει την αναζήτηση επαγγελματικής βοήθειας όταν αυτό είναι αναγκαίο. Η αρχιτεκτονική ακολουθεί υβριδικό pipeline δύο σταδίων: (α) αναγνώριση πρόθεσης (intent classification) με επιβλεπόμενη μηχανική μάθηση και (β) ανάκτηση απάντησης (retrieval) από επιμελημένη βάση γνώσης ερωτήσεων-απαντήσεων (Q/A), όπου κάθε απάντηση συνοδεύεται από πηγή. Για την αναγνώριση προθέσεων υλοποιήθηκε baseline μοντέλο TF-IDF (n-grams 1-2) με Logistic Regression, ενώ για την ανάκτηση χρησιμοποιείται TF-IDF και cosine similarity, με κατώφλια ομοιότητας και fallback πολιτική όταν δεν υπάρχει επαρκής συνάφεια. Ο Dialogue Manager ενσωματώνει κανόνες για small-talk (χαιρετισμός/αποχαιρετισμός), χειρισμό χαμηλής εμπιστοσύνης (top-k intents) και anchors λέξεων-κλειδιών για σταθερότερη συμπεριφορά. Κρίσιμο στοιχείο της υλοποίησης είναι το Safety Layer: σε μηνύματα υψηλού ρίσκου (intent crisis_risk) παρακάμπτει την τυπική ροή και επιστρέφει προκαθορισμένο, ασφαλές μήνυμα παραπομπής, ώστε να μειώνεται ο κίνδυνος ακατάλληλων αποκρίσεων σε ευαίσθητα σενάρια. Το πρωτότυπο υλοποιήθηκε με διεπαφή χρήστη σε Streamlit, επιτρέποντας δοκιμές και εμφάνιση πηγών/παραμέτρων για αναπαραγωγιμότητα. Η αξιολόγηση περιλαμβάνει ποσοτική εκτίμηση του intent classifier και ποιοτική αξιολόγηση της συμπεριφοράς σε σενάρια χρήσης. Στο test set, το baseline μοντέλο πέτυχε Accuracy=0,30 και macro-F1=0,34, αναδεικνύοντας τη δυσκολία του προβλήματος με μικρά και πολυ-κλασικά δεδομένα. Παρά τους περιορισμούς, η συνολική λειτουργικότητα ενισχύεται από τους μηχανισμούς ελέγχου (intent-filtered retrieval, thresholds, fallbacks και safety overrides). Τέλος, προτείνονται επεκτάσεις όπως εμπλουτισμός δεδομένων, αναβάθμιση ανάκτησης με σημασιολογικά embeddings και αξιολόγηση με πραγματικούς χρήστες/ειδικούς.","This thesis presents the design and implementation of a controlled conversational support system for anxiety and related difficulties, aiming to deliver brief, evidence-oriented, and safe guidance to Greek-speaking users. The system is not intended for diagnosis or therapy; instead, it acts as a first-line support tool by providing psychoeducational information and practical self-care techniques (e.g., breathing/grounding exercises, sleep hygiene, managing rumination, stress/overload, and panic symptoms) while encouraging users to seek professional help when appropriate. The proposed solution follows a hybrid pipeline: (a) intent recognition as a supervised text classification task and (b) answer retrieval from a curated question-answer (Q/A) knowledge base where each response is linked to a source. For intent classification, a TF-IDF representation (1-2 n-grams) with Logistic Regression is implemented as a baseline. For retrieval, TF-IDF and cosine similarity are used, combined with similarity thresholds and a fallback strategy when no sufficiently relevant entry is found. A Dialogue Manager complements the pipeline with small-talk rules (greeting/goodbye), low-confidence handling (top-k intents), and keyword anchors to improve robustness in obvious cases. A core contribution is the Safety Layer: for high-risk messages (crisis_risk intent) it overrides the default flow and returns a predefined, safe referral message, reducing the chance of inappropriate responses in sensitive scenarios. The prototype is exposed through a Streamlit user interface that supports experimentation and transparency (e.g., showing sources and adjustable parameters). Evaluation combines quantitative metrics for the intent classifier with qualitative scenario-based assessment of the end-to-end behavior. On the test set, the baseline intent model achieved Accuracy=0.30 and macro-F1=0.34, highlighting the challenges posed by a small, multi-class dataset. Despite these limitations, system-level behavior benefits from control mechanisms such as intent-filtered retrieval, thresholds, fallbacks, and safety overrides. Future work includes expanding the datasets, upgrading retrieval with semantic embeddings, and conducting user studies and expert review to strengthen usability and safety."]},{"key":"dc:title","label":"Title","values":["Σχεδίαση και Υλοποίηση Διαλογικού Συστήματος Υποστήριξης για Άγχος και Συναφείς Δυσκολίες με Τεχνικές Μηχανικής Μάθησης"]}]}],"canonical_facts":{"dc:creator":["Νάτση Δήμητρα","Natsi Dimitra"],"dc:date":["2026"],"dc:description":["Η παρούσα διπλωματική πραγματεύεται τη σχεδίαση και υλοποίηση ενός ελεγχόμενου διαλογικού συστήματος υποστήριξης για άγχος και συναφείς δυσκολίες, με στόχο να παρέχει σύντομη, τεκμηριωμένη και ασφαλή καθοδήγηση σε ελληνόφωνους χρήστες. Το σύστημα δεν επιχειρεί διάγνωση ή θεραπευτική παρέμβαση, αλλά λειτουργεί ως εργαλείο πρώτου επιπέδου: προσφέρει ψυχοεκπαίδευση και πρακτικές τεχνικές αυτοφροντίδας (π.χ. αναπνοές/γείωση, ύπνος, διαχείριση υπερανάλυσης, στρες ή κρίσης πανικού) και ενθαρρύνει την αναζήτηση επαγγελματικής βοήθειας όταν αυτό είναι αναγκαίο. Η αρχιτεκτονική ακολουθεί υβριδικό pipeline δύο σταδίων: (α) αναγνώριση πρόθεσης (intent classification) με επιβλεπόμενη μηχανική μάθηση και (β) ανάκτηση απάντησης (retrieval) από επιμελημένη βάση γνώσης ερωτήσεων-απαντήσεων (Q/A), όπου κάθε απάντηση συνοδεύεται από πηγή. Για την αναγνώριση προθέσεων υλοποιήθηκε baseline μοντέλο TF-IDF (n-grams 1-2) με Logistic Regression, ενώ για την ανάκτηση χρησιμοποιείται TF-IDF και cosine similarity, με κατώφλια ομοιότητας και fallback πολιτική όταν δεν υπάρχει επαρκής συνάφεια. Ο Dialogue Manager ενσωματώνει κανόνες για small-talk (χαιρετισμός/αποχαιρετισμός), χειρισμό χαμηλής εμπιστοσύνης (top-k intents) και anchors λέξεων-κλειδιών για σταθερότερη συμπεριφορά. Κρίσιμο στοιχείο της υλοποίησης είναι το Safety Layer: σε μηνύματα υψηλού ρίσκου (intent crisis_risk) παρακάμπτει την τυπική ροή και επιστρέφει προκαθορισμένο, ασφαλές μήνυμα παραπομπής, ώστε να μειώνεται ο κίνδυνος ακατάλληλων αποκρίσεων σε ευαίσθητα σενάρια. Το πρωτότυπο υλοποιήθηκε με διεπαφή χρήστη σε Streamlit, επιτρέποντας δοκιμές και εμφάνιση πηγών/παραμέτρων για αναπαραγωγιμότητα. Η αξιολόγηση περιλαμβάνει ποσοτική εκτίμηση του intent classifier και ποιοτική αξιολόγηση της συμπεριφοράς σε σενάρια χρήσης. Στο test set, το baseline μοντέλο πέτυχε Accuracy=0,30 και macro-F1=0,34, αναδεικνύοντας τη δυσκολία του προβλήματος με μικρά και πολυ-κλασικά δεδομένα. Παρά τους περιορισμούς, η συνολική λειτουργικότητα ενισχύεται από τους μηχανισμούς ελέγχου (intent-filtered retrieval, thresholds, fallbacks και safety overrides). Τέλος, προτείνονται επεκτάσεις όπως εμπλουτισμός δεδομένων, αναβάθμιση ανάκτησης με σημασιολογικά embeddings και αξιολόγηση με πραγματικούς χρήστες/ειδικούς.","This thesis presents the design and implementation of a controlled conversational support system for anxiety and related difficulties, aiming to deliver brief, evidence-oriented, and safe guidance to Greek-speaking users. The system is not intended for diagnosis or therapy; instead, it acts as a first-line support tool by providing psychoeducational information and practical self-care techniques (e.g., breathing/grounding exercises, sleep hygiene, managing rumination, stress/overload, and panic symptoms) while encouraging users to seek professional help when appropriate. The proposed solution follows a hybrid pipeline: (a) intent recognition as a supervised text classification task and (b) answer retrieval from a curated question-answer (Q/A) knowledge base where each response is linked to a source. For intent classification, a TF-IDF representation (1-2 n-grams) with Logistic Regression is implemented as a baseline. For retrieval, TF-IDF and cosine similarity are used, combined with similarity thresholds and a fallback strategy when no sufficiently relevant entry is found. A Dialogue Manager complements the pipeline with small-talk rules (greeting/goodbye), low-confidence handling (top-k intents), and keyword anchors to improve robustness in obvious cases. A core contribution is the Safety Layer: for high-risk messages (crisis_risk intent) it overrides the default flow and returns a predefined, safe referral message, reducing the chance of inappropriate responses in sensitive scenarios. The prototype is exposed through a Streamlit user interface that supports experimentation and transparency (e.g., showing sources and adjustable parameters). Evaluation combines quantitative metrics for the intent classifier with qualitative scenario-based assessment of the end-to-end behavior. On the test set, the baseline intent model achieved Accuracy=0.30 and macro-F1=0.34, highlighting the challenges posed by a small, multi-class dataset. Despite these limitations, system-level behavior benefits from control mechanisms such as intent-filtered retrieval, thresholds, fallbacks, and safety overrides. Future work includes expanding the datasets, upgrading retrieval with semantic embeddings, and conducting user studies and expert review to strengthen usability and safety."],"dc:identifier":["uoadl:5325894","https://pergamos.lib.uoa.gr/uoa/dl/object/5325894"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Σχεδίαση και Υλοποίηση Διαλογικού Συστήματος Υποστήριξης για Άγχος και Συναφείς Δυσκολίες με Τεχνικές Μηχανικής Μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:17:49Z"}