Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/29687
Author: Γουστέρη, Χρυσάνθη
Title: Συναισθηματική Ανάλυση με τη χρήση του μοντέλου Bert σε δεδομένα Twitter σχετικά με το ChatGpt
Date Issued: 2023
Department: Πρόγραμμα Μεταπτυχιακών Σπουδών Ειδίκευσης στην Εφαρμοσμένη Πληροφορική
Supervisor: Ψάννης, Κωνσταντίνος
Abstract: Στην σημερινή ψηφιακή εποχή, οι εφαρμογές της τεχνητής νοημοσύνης έχουν γίνει ολοένα και πιο ζωτικής σημασίας στην καθημερινή μας ζωή. Ανάμεσα σε αυτές, το ChatGpt έχει εμφανιστεί ως ένα επαναστατικό εργαλείο με ευρεία δημοτικότητα και δυνητική κοινωνική επίδραση. Αυτή η διατριβή επικεντρώνεται στην ανάλυση των συναισθημάτων σε δεδομένα που σχετίζονται με το ChatGpt στο Twitter. Ο βασικός στόχος είναι να αποκαλύψει τα συναισθήματα, τις εμπειρίες και τις ανησυχίες των χρηστών σχετικά με το ChatGpt. Χρησιμοποιώντας προηγμένες τεχνικές επεξεργασίας φυσικής γλώσσας, συμπεριλαμβανομένου του μοντέλου BERT, αυτή η μελέτη στοχεύει στον καθορισμό του συνολικού συναισθήματος στο Twitter, στην αξιολόγηση της απόδοσης του μοντέλου, στον αξιολογικό έλεγχο της ικανοποίησης των χρηστών και στον εντοπισμό των αναδυόμενων τάσεων. Επιπλέον, μια συγκριτική ανάλυση με παραδοσιακά μοντέλα μηχανικής μάθησης παρέχει χρήσιμες πληροφορίες στα πλεονεκτήματα των σύγχρονων προσεγγίσεων. Τα ευρήματα προσφέρουν εφαρμόσιμες κατευθυντήριες γραμμές για τους προγραμματιστές του ChatGpt και τους ερευνητές, συμβάλλοντας στη συνεχιζόμενη βελτίωση της τεχνολογίας της τεχνητής νοημοσύνης και των μεθόδων ανάλυσης συναισθημάτων.
Keywords: Τεχνητή Νοημοσύνη
Μοντέλο Bert
Επεξεργασία Φυσικής Γλώσσας
Sentiment Analysis
Machine Learning
Information: Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2023.
Rights: Attribution-NoDerivatives 4.0 Διεθνές
Appears in Collections:Π.Μ.Σ. στην Εφαρμοσμένη Πληροφορική (M)

Files in This Item:
File Description SizeFormat 
GousteriChrysanthiMsc2023.pdf2.65 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons