BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20241002T111833Z
LAST-MODIFIED:20241002T111833Z
DTSTAMP:20261014T050008Z
UID:1791943208@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας
  Παναγιώτας Κούτρα - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=7287&cHash=1a
 39d7b90beb61f287b62087f337f6b9\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Πα
 ναγιώτας Κούτρα\n με θέμα\n Ανάλυση 
 Μέσων Κοινωνικής Δικτύωσης Εστιασμέν
 ης στην Ανίχνευση Troll\n Social Med
 ia Analysis Targeting Troll Detectio
 n\n Εξεταστική Επιτροπή\n Καθηγητής 
 Σωτήριος Ιωαννίδης (επιβλέπων)\n Καθ
 ηγητής Μιχαήλ Λαγουδάκης\n Καθηγητής
  Θρασύβουλος Σπυρόπουλος \n Περίληψη
 \n Τα μέσα κοινωνικής δικτύωσης έχου
 ν μεταμορφώσει τον τρόπο με τον οποί
 ο οι άνθρωποι αλληλεπιδρούν, μοιράζο
 νται πληροφορίες και εκφράζουν απόψε
 ις, ωστόσο έχουν εισάγει σημαντικές 
 προκλήσεις, ιδίως την αύξηση της συμ
 περιφοράς τρολαρίσματος. Το τρολάρισ
 μα περιλαμβάνει τη δημοσίευση μηνυμά
 των με καυστικό λόγο, μηνυμάτων που 
 έχουν σκοπό να διαταράξουν τον διαδι
 κτυακό διάλογο, που διαδίδουν παραπλ
 ηροφόρηση και καλλιεργούν ένα τοξικό
  περιβάλλον. Η παρούσα διπλωματική ε
 ργασία ασχολείται με την δημιουργία 
 μεθόδων ανίχνευσης τρολ χρησιμοποιών
 τας τεχνικές τεχνητής νοημοσύνης (AI
 )\n και του natural language process
 ing (NLP).\n Η ανίχνευση τρολ προσεγ
 γίζεται μέσω του text classification
  , η οποία κατηγοριοποιεί περιεχόμεν
 ο από τα μέσα κοινωνικής δικτύωσης ω
 ς τρολ και μη τρολ χρησιμοποιώντας δ
 ιάφορους αλγορίθμους μηχανικής μάθησ
 ης. Η παρούσα εργασία συγκρίνει τις 
 τεχνικές Logistic Regression, Naive 
 Bayes, SVM και το pre-trained μοντέλ
 ο DeBERTa. Τα αποτελέσματα δείχνουν 
 ότι το μοντέλο DeBERTa υπερτερεί των
  άλλων μεθόδων, αξιολογώντας το perf
 ormance τους με τις μετρικές accurac
 y, precision, F1-score, και το recal
 l.\n Επιπλέον, η παρούσα έρευνα εξετ
 άζει τις δυνατότητες γενίκευσης του 
 μοντέλου DeBERTa δοκιμάζοντας το σε 
 άγνωστα δεδομένα από διαφορετικές πη
 γές μέσω προβλέψεων. Το μοντέλο παρο
 υσιάζει ικανοποιητικές επιδόσεις σε 
 zero-shot predictions και ακριβής σε
  one-shot predictions.\n Η τελική φά
 ση επικεντρώνεται στην ανάπτυξη ενός
  γενικού μοντέλου που προβλέπει με α
 κρίβεια τη συμπεριφορά του τρολαρίσμ
 ατος σε διαφορετικά σύνολα δεδομένων
  με διαφορετικούς τύπους τρολ. Εφαρμ
 όζεται Scale-invariant Fine-Tuning (
 SiFT) για τη βελτίωση των επιδόσεων 
 του μοντέλου και παρουσιάζει\n σημαν
 τική βελτίωση\n Abstract \n Social n
 etworks have transformed the way peo
 ple interact, share information, and
  express opinions; however, they hav
 e introduced significant challenges,
  notably the rise of trolling behavi
 or. Trolling involves posting inflam
 matory or disruptive messages that d
 egrade online discourse, spread misi
 nformation, and foster a toxic envir
 onment. This thesis addresses the ch
 allenge of troll detection using art
 ificial intelligence (AI) and natura
 l language processing (NLP) techniqu
 es.\n Troll detection is approached 
 through text classification, which d
 istinguishes between troll and nontr
 oll content using various machine le
 arning algorithms. This study compar
 es Logistic Regression, Naive Bayes,
  SVM, and the pre-trained DeBERTa mo
 del. The results show that DeBERTa o
 utperforms the other methods in term
 s of accuracy, precision, F1-score, 
 and recall.\n Furthermore, the thesi
 s examines the generalization capabi
 lities of the DeBERTa model by testi
 ng it on unseen data from different 
 sources through zero-shot and one-sh
 ot predictions. The model shows sati
 sfactory performance in zero-shot pr
 edictions and good results in one-sh
 ot predictions.\n The final phase fo
 cuses on developing a general model 
 that accurately predicts trolling be
 havior across different datasets. Sc
 ale-invariant fine-tuning (SiFT) was
  applied to improve the model’s perf
 ormance and showed significant impro
 vement.\n Keywords: Troll Detection,
  Natural Language Processing, Machin
 e Learning, DeBERTa, Text Classifica
 tion\n Meeting ID: 984 7644 5915\n P
 assword: 296402\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20241007T130000
DTEND:20241007T140000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR