{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5433404"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5433404","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μεγάλα Γλωσσικά Μοντέλα και Μηχανική Μετάφραση: Άμεση Μετάφραση και Μετεπιμέλεια για Ελληνικά, Αγγλικά και Γερμανικά","abstract":"Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση των δυνατοτήτων των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models, LLMs) ως συστημάτων μηχανικής μετάφρασης, για την ελληνική, αγγλική και γερμανική γλώσσα. Για τον σκοπό αυτό αξιολογούνται τέσσερα σύγχρονα γλωσσικά μοντέλα τόσο ως αυτόνομα συστήματα μετάφρασης όσο και ως post-editors σε ένα υβριδικό σύστημα μηχανικής μετάφρασης. Η αξιολόγηση πραγματοποιείται στα σύνολα δεδομένων FLORES-200 και NTREX με χρήση των μετρικών BLEU και COMET. Τα αποτελέσματα καταδεικνύουν ότι τα σύγχρονα LLMs διαθέτουν σημαντική μεταφραστική ικανότητα, η οποία διαφοροποιείται ανάλογα με τη γλωσσική κατεύθυνση, με τη μετάφραση προς τα ελληνικά να αποτελεί τη μεγαλύτερη πρόκληση. Παράλληλα, αναδεικνύεται η αποτελεσματικότητα των ισχυρότερων μοντέλων LLM κατά την διαδικασία του post-editing σε μεταφράσεις συστημάτων NMT, ενώ η συγκριτική αξιολόγηση των μετρικών BLEU και COMET υπογραμμίζει τους περιορισμούς των καθαρά αριθμητικών μεθόδων αξιολόγησης. Τα ευρήματα της εργασίας συμβάλλουν στην καλύτερη κατανόηση των δυνατοτήτων και των περιορισμών των LLMs στη μηχανική μετάφραση γλωσσών, ιδιαιτέρως σε περιπτώσεις γλωσσών με χαμηλότερη εκπροσώπηση στο διαδίκτυο, όπως η ελληνική.","abstract_html":"Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση των δυνατοτήτων των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models, LLMs) ως συστημάτων μηχανικής μετάφρασης, για την ελληνική, αγγλική και γερμανική γλώσσα. Για τον σκοπό αυτό αξιολογούνται τέσσερα σύγχρονα γλωσσικά μοντέλα τόσο ως αυτόνομα συστήματα μετάφρασης όσο και ως post-editors σε ένα υβριδικό σύστημα μηχανικής μετάφρασης. Η αξιολόγηση πραγματοποιείται στα σύνολα δεδομένων FLORES-200 και NTREX με χρήση των μετρικών BLEU και COMET. Τα αποτελέσματα καταδεικνύουν ότι τα σύγχρονα LLMs διαθέτουν σημαντική μεταφραστική ικανότητα, η οποία διαφοροποιείται ανάλογα με τη γλωσσική κατεύθυνση, με τη μετάφραση προς τα ελληνικά να αποτελεί τη μεγαλύτερη πρόκληση. Παράλληλα, αναδεικνύεται η αποτελεσματικότητα των ισχυρότερων μοντέλων LLM κατά την διαδικασία του post-editing σε μεταφράσεις συστημάτων NMT, ενώ η συγκριτική αξιολόγηση των μετρικών BLEU και COMET υπογραμμίζει τους περιορισμούς των καθαρά αριθμητικών μεθόδων αξιολόγησης. Τα ευρήματα της εργασίας συμβάλλουν στην καλύτερη κατανόηση των δυνατοτήτων και των περιορισμών των LLMs στη μηχανική μετάφραση γλωσσών, ιδιαιτέρως σε περιπτώσεις γλωσσών με χαμηλότερη εκπροσώπηση στο διαδίκτυο, όπως η ελληνική.","abstract_has_math":false,"creators":["Μπέκα Ελισσάβετ","Beka Elissavet"],"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":"2026-11-19T05:20:35Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5433404"],"render_values":[{"text":"uoadl:5433404","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5433404","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5433404","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%3A5433404","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπέκα Ελισσάβετ","Beka Elissavet"]}]},{"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":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5433404","https://pergamos.lib.uoa.gr/uoa/dl/object/5433404"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση των δυνατοτήτων των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models, LLMs) ως συστημάτων μηχανικής μετάφρασης, για την ελληνική, αγγλική και γερμανική γλώσσα. Για τον σκοπό αυτό αξιολογούνται τέσσερα σύγχρονα γλωσσικά μοντέλα τόσο ως αυτόνομα συστήματα μετάφρασης όσο και ως post-editors σε ένα υβριδικό σύστημα μηχανικής μετάφρασης. Η αξιολόγηση πραγματοποιείται στα σύνολα δεδομένων FLORES-200 και NTREX με χρήση των μετρικών BLEU και COMET. Τα αποτελέσματα καταδεικνύουν ότι τα σύγχρονα LLMs διαθέτουν σημαντική μεταφραστική ικανότητα, η οποία διαφοροποιείται ανάλογα με τη γλωσσική κατεύθυνση, με τη μετάφραση προς τα ελληνικά να αποτελεί τη μεγαλύτερη πρόκληση. Παράλληλα, αναδεικνύεται η αποτελεσματικότητα των ισχυρότερων μοντέλων LLM κατά την διαδικασία του post-editing σε μεταφράσεις συστημάτων NMT, ενώ η συγκριτική αξιολόγηση των μετρικών BLEU και COMET υπογραμμίζει τους περιορισμούς των καθαρά αριθμητικών μεθόδων αξιολόγησης. Τα ευρήματα της εργασίας συμβάλλουν στην καλύτερη κατανόηση των δυνατοτήτων και των περιορισμών των LLMs στη μηχανική μετάφραση γλωσσών, ιδιαιτέρως σε περιπτώσεις γλωσσών με χαμηλότερη εκπροσώπηση στο διαδίκτυο, όπως η ελληνική.","The aim of this thesis is to investigate the capabilities of Large Language Models (LLMs) as machine translation systems for Greek, English, and German. To this end, four state of the art language models are evaluated both as standalone machine translation systems as well as post-editors within a hybrid machine translation framework. The evaluation is conducted on the FLORES-200 and NTREX benchmark datasets using the BLEU and COMET evaluation metrics. The results demonstrate that contemporary LLMs possess strong translation capabilities, although their performance varies considerably across translation directions, with translation into Greek proving to be the most challenging task. Furthermore, the strongest LLMs are shown to be effective post-editors for the output of Neural Machine Translation (NMT) systems, while the comparative analysis of BLEU and COMET highlights the limitations of purely automatic evaluation metrics. The findings of this thesis contribute to a better understanding of the capabilities and limitations of LLMs in machine translation, particularly for languages with relatively limited representation in web-scale training data, such as Greek."]},{"key":"dc:title","label":"Title","values":["Μεγάλα Γλωσσικά Μοντέλα και Μηχανική Μετάφραση: Άμεση Μετάφραση και Μετεπιμέλεια για Ελληνικά, Αγγλικά και Γερμανικά"]}]}],"canonical_facts":{"dc:creator":["Μπέκα Ελισσάβετ","Beka Elissavet"],"dc:date":["2026"],"dc:description":["Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση των δυνατοτήτων των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models, LLMs) ως συστημάτων μηχανικής μετάφρασης, για την ελληνική, αγγλική και γερμανική γλώσσα. Για τον σκοπό αυτό αξιολογούνται τέσσερα σύγχρονα γλωσσικά μοντέλα τόσο ως αυτόνομα συστήματα μετάφρασης όσο και ως post-editors σε ένα υβριδικό σύστημα μηχανικής μετάφρασης. Η αξιολόγηση πραγματοποιείται στα σύνολα δεδομένων FLORES-200 και NTREX με χρήση των μετρικών BLEU και COMET. Τα αποτελέσματα καταδεικνύουν ότι τα σύγχρονα LLMs διαθέτουν σημαντική μεταφραστική ικανότητα, η οποία διαφοροποιείται ανάλογα με τη γλωσσική κατεύθυνση, με τη μετάφραση προς τα ελληνικά να αποτελεί τη μεγαλύτερη πρόκληση. Παράλληλα, αναδεικνύεται η αποτελεσματικότητα των ισχυρότερων μοντέλων LLM κατά την διαδικασία του post-editing σε μεταφράσεις συστημάτων NMT, ενώ η συγκριτική αξιολόγηση των μετρικών BLEU και COMET υπογραμμίζει τους περιορισμούς των καθαρά αριθμητικών μεθόδων αξιολόγησης. Τα ευρήματα της εργασίας συμβάλλουν στην καλύτερη κατανόηση των δυνατοτήτων και των περιορισμών των LLMs στη μηχανική μετάφραση γλωσσών, ιδιαιτέρως σε περιπτώσεις γλωσσών με χαμηλότερη εκπροσώπηση στο διαδίκτυο, όπως η ελληνική.","The aim of this thesis is to investigate the capabilities of Large Language Models (LLMs) as machine translation systems for Greek, English, and German. To this end, four state of the art language models are evaluated both as standalone machine translation systems as well as post-editors within a hybrid machine translation framework. The evaluation is conducted on the FLORES-200 and NTREX benchmark datasets using the BLEU and COMET evaluation metrics. The results demonstrate that contemporary LLMs possess strong translation capabilities, although their performance varies considerably across translation directions, with translation into Greek proving to be the most challenging task. Furthermore, the strongest LLMs are shown to be effective post-editors for the output of Neural Machine Translation (NMT) systems, while the comparative analysis of BLEU and COMET highlights the limitations of purely automatic evaluation metrics. The findings of this thesis contribute to a better understanding of the capabilities and limitations of LLMs in machine translation, particularly for languages with relatively limited representation in web-scale training data, such as Greek."],"dc:identifier":["uoadl:5433404","https://pergamos.lib.uoa.gr/uoa/dl/object/5433404"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Μεγάλα Γλωσσικά Μοντέλα και Μηχανική Μετάφραση: Άμεση Μετάφραση και Μετεπιμέλεια για Ελληνικά, Αγγλικά και Γερμανικά"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:35Z"}