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:20241112T144010Z LAST-MODIFIED:20241112T144010Z DTSTAMP:20260510T082655Z UID:1778390815@tuc.gr SUMMARY:Παρουσίαση διδακτορικής διατριβής κ. Κυριακίδη Αναστασίου, Σχολή ΜΠΔ 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=7377&cHash=a9 59d4fcb2bb886f452acc2b0f0c9581\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡ ΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ\n  \n Ονοματεπώ νυμο:   Κυριακίδης Αναστάσιος\n Αριθ μός Μητρώου:  2018019032\n  \n Θέμα\ n Τίτλος στα Ελληνικά: Ευφυές Σύστημ α Ανάλυσης Συναισθημάτων με χρήση Πο λυκριτήριας και Ποιοτικής Συγκριτική ς Ανάλυσης\n Τίτλος στα Αγγλικά: Int elligent Sentiment Analysis System u sing Multicriteria and Qualitative C omparative Analysis\n  \n Επιτροπή:\ n Επιβλέπων:                 Τσαφαρά κης Στέλιος, Aναπληρωτής Καθηγητής Μ ΠΔ, Πολυτεχνείο Κρήτης\n Πρώτο Μέλος :            Ματσατσίνης Νικόλαος, Ο μότιμος Καθηγητής ΜΠΔ, Πολυτεχνείο Κ ρήτης\n Δεύτερο Μέλος:          Τσαγ καράκης Κωνσταντίνος, Καθηγητής ΜΠΔ, Πολυτεχνείο Κρήτης\n Τρίτο Μέλος:               Ζοπουνίδης Κωνσταντίνος, Καθηγητής ΜΠΔ, Πολυτεχνείο Κρήτης\n Τέταρτο Μέλος:          Σίσκος Ελευ θέριος, Επίκουρος Καθηγητής ΜΠΔ, Πολ υτεχνείο Κρήτης\n Πέμπτο Μέλος:            Δελιάς Παύλος, Καθηγητής ΔΠΘ\n Έκτο Μέλος:               Παπαδάκης Νικόλαος, Αναπληρωτής Καθηγητής ΣΣΕ \n  \n Περίληψη Διατριβής στα Ελληνι κά:   \n Στο σημερινό δυναμικό και α νταγωνιστικό περιβάλλον της αγοράς, η κατανόηση και η ενίσχυση της ικανο ποίησης των πελατών είναι απαραίτητη για την επιτυχία κάθε επιχείρησης. Οι προτιμήσεις και οι απόψεις των πε λατών εκφράζονται πλέον όλο και περι σσότερο μέσω διαδικτυακών κριτικών ( online customer reviews) που περιλαμ βάνουν συνδυασμό ποσοτικών δεδομένων (αριθμητικές αξιολογήσεις – ratings ) και ποιοτικών (σχόλια – comments), δημιουργώντας την ανάγκη για πιο εξ ελιγμένες και δυναμικές προσεγγίσεις στην ανάλυση ανατροφοδότησης. Οι πα ραδοσιακές μέθοδοι ανάλυσης ικανοποί ησης πελατών, που συχνά βασίζονται α ποκλειστικά σε ποσοτικά δεδομένα έρε υνας, υπολείπονται στην αποτύπωση τη ς πολυπλοκότητας και της ποικιλομορφ ίας των σύγχρονων εμπειριών των πελα τών. \n Η παρούσα διατριβή προτείνει ένα Ευφυές Σύστημα Ανάλυσης πέντε β ημάτων για την αντιμετώπιση αυτού το υ φαινομένου, ενσωματώνοντας προηγμέ νες αναλυτικές τεχνικές όπως Ανάλυση Συναισθήματος βάσει χαρακτηριστικών (Aspect based Sentiment Analysis – ABSA), Πολυκριτήρια Ανάλυση Ικανοποί ησης με ενσωμάτωση συναισθήματος (MU SAsent), Ανάλυση Γνώμης (Opinion Ana lysis – OA) και Ποιοτική συγκριτική ανάλυση με χρήση ασαφών συνόλων (fsQ CA) για να αναπτύξει μια ολοκληρωμέν η και προσαρμόσιμη μέθοδο για την αν άλυση της ανατροφοδότησης πελατων. Τ α μεθοδολογικά βήματα που περιλαμβάν ονται στο εν λόγω σύστημα είναι τα ε ξής:\n Βήμα 1 – Η προ-επεξεργασία τω ν δεδομένων σε μορφή κειμένου διασφα λίζει ότι ο όγκος των ακατέργαστων/α δόμητων δεδομένων που βρίσκονται σε διαδικτυακές κριτικές πελατών, είναι κατάλληλα προετοιμασμένος και έτοιμ ος για ανάλυση. Κάποιες από τις βασι κές δραστηριότητες σε αυτή τη φάση ε ίναι οι παρακάτω:\n 1.         Καθαρ ισμός δεδομένων: Αφαίρεση θορύβου, ά σχετων πληροφοριών και διπλότυπου πε ριεχομένου από κριτικές πελατών. \n 2.         Tokenisation: Διαχωρισμός κειμένου σε μεμονωμένες οντότητες ( λέξεις ή φράσεις) για ευκολότερη ανά λυση.\n 3.         Λημματοποίηση (Le mmatisation): Μετατροπή λέξεων στις ρίζες τους, επιτρέποντας την τυποποί ηση σε όλο το σύνολο δεδομένων.\n Με την εκτέλεση αυτών των εργασιών, τα δεδομένα σε μορφή κειμένου δομούντα ι και απλοποιούνται, θέτοντας τις βά σεις για την εφαρμογή πιο προηγμένων αναλυτικών τεχνικών στη συνέχεια.\n Βήμα 2 – Η ανάλυση συναισθήματος βά σει χαρακτηριστικών (Aspect-based Se ntiment Analysis -ABSA) αποτελεί ένα κρίσιμο στοιχείο του συστήματος, πο υ επιτρέπει τη λεπτομερή ανάλυση των σχολίων των πελατών. Αντί να γενικε ύει τα συναισθήματα ανά σχόλιο, η AB SA εστιάζει σε συγκεκριμένα χαρακτηρ ιστικά των προϊόντων ή υπηρεσιών (π. χ. ποιότητα, τιμή, εξυπηρέτηση πελατ ών), προσδιορίζοντας το συναίσθημα π ου σχετίζεται με καθένα από αυτά. Στ ο προτεινόμενο σύστημα εφαρμόζεται μ ια νέα προσέγγιση, που είναι η εξής: \n 1.         Εξαγωγή χαρακτηριστικώ ν: Χρησιμοποιώντας μεγάλα γλωσσικά μ οντέλα (Large Language Models – LLM) , η μέθοδος εξάγει τα χαρακτηριστικά που αφορούν συγκεκριμένα προϊόντα ή υπηρεσίες που αναφέρουν οι πελάτες στις κριτικές τους. \n 2.         Τα ξινόμηση κριτικών: Η μέθοδος ταξινομ εί προτάσεις ή τμήματα κριτικών με β άση το σχετικό χαρακτηριστικό. Αυτή η ταξινόμηση είναι απαραίτητη για το ν προσδιορισμό συναισθημάτων που σχε τίζονται με συγκεκριμένα χαρακτηριστ ικά.\n 3.         Πίνακας συναισθημά των: Το αποτέλεσμα της μεθόδου είναι ένας δομημένος Πίνακας Συναισθημάτω ν (Sentiment Table) που εκχωρεί μια βαθμολογία συναισθημάτων σε κάθε χαρ ακτηριστικό που έχει εντοπιστεί, για κάθε κριτική πελάτη. Αυτός ο πίνακα ς παρέχει μια ολοκληρωμένη επισκόπησ η των συναισθημάτων των πελατών σχετ ικά με διάφορα χαρακτηριστικά της υπ ό εξέτασης υπηρεσίας ή προϊόντος, δη μιουργώντας μια χρήσιμη  βάση δεδομέ νων για τα επακόλουθα βήματα.\n Βήμα 3 – Η μέθοδος MUSAsent αποτελεί μια νέα επέκταση της Πολυκριτήριας Ανάλ υσης Ικανοποίησης (MUlticriteria Sat isfaction Analysis – MUSA), κατάλληλ α σχεδιασμένη για την ενσωμάτωση πλη ροφοριών από  δεδομένα σε μορφή κειμ ένου,  εκτός των αριθμητικών αξιολογ ήσεων ικανοποίησης πελατών. Συγκεκρι μένα, οι βαθμολογίες συναισθημάτων α πό τον Πίνακα Συναισθημάτων ενσωματώ νονται στο μαθηματικό μοντέλο της MU SA, επιτρέποντας μια πολυδιάστατη αν άλυση. \n Βήμα 4 – Η Ανάλυση γνώμης (OA) βασίζεται στα αποτελέσματα των προηγούμενων βημάτων (ABSA και MUSAs ent) για να κατασκευάσει, μεταξύ άλλ ων, δείκτες ανάλυσης ικανοποίησης πε λατών βάσει συναισθήματος, διαγράμμα τα διπλής σημαντικότητας και διαγράμ ματα διακύμανσης ικανοποίησης πελατώ ν ανά χαρακτηριστικό.\n Βήμα 5 – Το τελικό βήμα του συστήματος χρησιμοπο ιεί την Ποιοτική Συγκριτική Ανάλυση με χρήση ασαφών συνόλων (fsQCA) για να καθορίσει τις απαραίτητες και ικα νές συνθήκες για την επίτευξη της ικ ανοποίησης των πελατών. Η fsQCA μετα τρέπει ουσιαστικά τη γνώση που αποκτ ήθηκε από τα προηγούμενα βήματα σε ο δηγίες δράσης, οι οποίες μπορούν να χρησιμοποιηθούν για την καθοδήγηση τ ης στρατηγικής λήψης αποφάσεων. \n Τ α βασικά μέρη του προτεινόμενου συστ ήματος ανάλυσης ανατροφοδότησης πελα τών ελέγχθηκαν με εξειδικευμένα πειρ άματα και ολόκληρο το σύστημα εφαρμό στηκε σε δύο μελέτες περιπτώσεων. Τα αποτελέσματα απέδωσαν σημαντικά ευρ ήματα, αποδεικνύοντας την αποτελεσμα τικότητα του συστήματος στην παροχή αξιόπιστων πληροφοριών σχετικά με τη ν ικανοποίηση των πελατών.\n Πιο συγ κεκριμένα, στο πρώτο πείραμα ο στόχο ς ήταν να αξιολογηθεί η αποτελεσματι κότητα της καινούργιας προσέγγισης Α νάλυσης συναισθήματος βάσει χαρακτηρ ιστικών  (ABSA) στον ακριβή προσδιορ ισμό και την ταξινόμηση των συναισθη μάτων των πελατών που σχετίζονται με συγκεκριμένες υπηρεσίες ή χαρακτηρι στικά προϊόντος. Χρησιμοποιώντας ένα μεγάλο σύνολο δεδομένων διαδικτυακώ ν κριτικών, η μέθοδος εξήγαγε με επι τυχία διαφορετικά χαρακτηριστικά, εκ χωρώντας βαθμολογίες συναισθήματος σ ε καθεμία. Τα αποτελέσματα έδειξαν ό τι η μέθοδος απέδωσε με υψηλή ακρίβε ια και ανάκληση τα χαρακτηριστικά πο υ υπήρχαν στο σύνολο των δεδομένων.\ n Το δεύτερο πείραμα είχε ως στόχο ν α συγκρίνει τη νέα μέθοδο MUSAsent, η οποία ενσωματώνει την ανάλυση συνα ισθήματος, με την κλασσική MUSA που χρησιμοποιεί μόνο αριθμητικές αξιολο γήσεις. Η ανάλυση περιλάμβανε την εφ αρμογή και των δύο μοντέλων σε δέκα διαφορετικά σύνολα δεδομένων, που εκ προσωπούσαν διάφορους τομείς υπηρεσι ών, όπως αεροπορικές εταιρείες, loun ge αεροδρομίων, αεροδρόμια και ξενοδ οχεία. Αυτά τα σύνολα δεδομένων επιλ έχθηκαν για την ποικιλομορφία τους κ αι την πλούσια ανατροφοδότηση που πε ριείχαν, παρέχοντας μια ευρεία βάση για την αξιολόγηση των μοντέλων. Η α πόδοση κάθε μοντέλου αξιολογήθηκε με δύο βασικούς δείκτες: τον Μέσο Δείκ τη Προσαρμογής (Average Fitting Inde x – AFI), ο οποίος μετρά το πόσο καλ ά ταιριάζει το μοντέλο στα δεδομένα, και τον Μέσο Δείκτη Σταθερότητας (A verage Stability Index – ASI), ο οπο ίος αξιολογεί τη σταθερότητα των απο τελεσμάτων. Τα αποτελέσματα έδειξαν ότι η MUSAsent παρουσίασε σημαντική βελτίωση και στους δύο δείκτες, τονί ζοντας την ανθεκτικότητά της και υπο δηλώνοντας ότι η προτεινόμενη επέκτα ση παρέχει πιο σταθερά και αξιόπιστα αποτελέσματα. \n Στο τρίτο πείραμα, ο στόχος ήταν να αξιολογηθεί η απόδ οση της fsQCA χρησιμοποιώντας ως είσ οδο τις σημαντικότητες των επιπέδων ικανοποίησης κάθε κριτηρίου σε σύγκρ ιση με τα αρχικά δεδομένα από τις αξ ιολογήσεις των πελατών. Τα αποτελέσμ ατα έδειξαν ότι η πρώτη προσέγγιση π ροσέφερε μεγαλύτερη λεπτομέρεια και ακρίβεια στην κατανόηση των παραγόντ ων που οδηγούν στην ικανοποίηση των πελατών, επιτρέποντας την εξαγωγή πι ο συγκεκριμένων και χρήσιμων συμπερα σμάτων.\n Το πειραματικό μέρος αυτής της διατριβής ολοκληρώθηκε με δύο π ρακτικές εφαρμογές στους τομείς των αεροπορικών εταιρειών και φιλοξενίας , αντίστοιχα, που παρουσίασαν το πλή ρες φάσμα των δυνατοτήτων του προτει νόμενου συστήματος σε πραγματικές συ νθήκες. Αυτές οι εφαρμογές σχεδιάστη καν για να δοκιμάσουν τη χρησιμότητα του συστήματος στην ανάλυση της ικα νοποίησης των πελατών και την εξαγωγ ή εφαρμόσιμων συμπερασμάτων που θα μ πορούσαν να υποστηρίξουν τη στρατηγι κή λήψη αποφάσεων. Μέσω αυτών των εφ αρμογών, το μοντέλο απέδειξε την ικα νότητά του να συλλαμβάνει και να ερμ ηνεύει με ακρίβεια τα συναισθήματα τ ων πελατών, προσφέροντας πολύτιμες π ληροφορίες που μπορούν να εφαρμοστού ν άμεσα για τη βελτίωση της ποιότητα ς των υπηρεσιών και της εμπειρίας τω ν πελατών.\n Τα ευρήματα αυτής της έ ρευνας παρέχουν σημαντική συμβολή τό σο στην ακαδημαϊκή κατανόηση της ανά λυσης ικανοποίησης πελατών όσο και σ τις πρακτικές εφαρμογές της σε όλους τους κλάδους, ιδιαίτερα σε αυτούς π ου εξαρτώνται σε μεγάλο βαθμό από τη ν ανατροφοδότηση πελατών. Σε θεωρητι κό επίπεδο, η έρευνα επεκτείνει το υ πάρχον γνωστικό πεδίο για την ικανοπ οίηση πελατών, εισάγοντας την MUSAse nt, ένα καινοτόμο μοντέλο που ενσωμα τώνει την Ανάλυση Συναισθήματος στο βασικό πλαίσιο της Πολυκριτήριας Ανά λυσης Ικανοποίησης (MUSA). Αυτή η εν σωμάτωση επιτρέπει τη συνδυαστική αν άλυση τόσο ποσοτικών δεδομένων όσο κ αι κειμενικής ανατροφοδότησης, παρέχ οντας μια πιο ολοκληρωμένη και λεπτο μερή απεικόνιση της ικανοποίησης των πελατών. Επιπλέον, η έρευνα εισάγει και άλλες καινοτόμες προσεγγίσεις, όπως την εξόρυξη γνώμης (opinion min ing), η οποία επιτρέπει τη δημιουργί α πινάκων συναισθήματος (sentiment t ables), οι οποίοι συνοψίζουν τα συνα ισθήματα των πελατών για κάθε χαρακτ ηριστικό των υπηρεσιών ή προϊόντων, καθώς και δεικτών ικανοποίησης που β ασίζονται αποκλειστικά σε ποιοτικά δ εδομένα. Τέλος, η έρευνα επίσης προτ είνει την εφαρμογή της fsQCA για την εξαγωγή αιτιακών σχέσεων και κανόνω ν που συμβάλλουν στην κατανόηση του πώς συνδυάζονται διαφορετικοί παράγο ντες για να επηρεάσουν την ικανοποίη ση των πελατών.\n Σε πρακτικό επίπεδ ο, η έρευνα παρέχει στις επιχειρήσει ς ένα ισχυρό εργαλείο για την ανάλυσ η μεγάλων ποσοτήτων ανατροφοδότησης πελατών από διάφορες διαδικτυακές πλ ατφόρμες. Το σύστημα προσφέρει χρήσι μα και εφαρμόσιμα αποτελέσματα, που επιτρέπουν στις επιχειρήσεις να εντο πίσουν κρίσιμες περιοχές βελτίωσης κ αι να αναπτύξουν στρατηγικές για την ενίσχυση της ικανοποίησης των πελατ ών τους. Η εφαρμογή του συστήματος σ ε διαφορετικούς κλάδους απέδειξε την ευελιξία και την αποτελεσματικότητά του σε πραγματικές συνθήκες, αναδει κνύοντας τις δυνατότητες βελτίωσης τ ων υπηρεσιών και της εμπειρίας των π ελατών σε διαφορετικά επιχειρηματικά πλαίσια.\n Από τα ευρήματα αυτής τη ς διατριβής προκύπτουν πολλές ευκαιρ ίες για μελλοντική έρευνα, όπως για παράδειγμα η εφαρμογή του συστήματος σε άλλους κλάδους, ιδιαίτερα σε αυτ ούς με μικρότερο όγκο σχολίων πελατώ ν, όπως οι τομείς B2B. Αυτό θα βοηθο ύσε στην αξιολόγηση της ευελιξίας το υ συστήματος και της ικανότητάς του να προσαρμόζεται σε διαφορετικά επιχ ειρηματικά πλαίσια. Επίσης, η ανάπτυ ξη εφαρμογών του συστήματος σε πραγμ ατικό χρόνο θα επέτρεπε στις επιχειρ ήσεις να κάνουν ταχύτερες προσαρμογέ ς με βάση το εξελισσόμενο συναίσθημα των πελατών. Αυτό θα ήταν ιδιαίτερα ωφέλιμο σε βιομηχανίες με γρήγορους ρυθμούς όπου οι προσδοκίες και οι π ροτιμήσεις των πελατών αλλάζουν γρήγ ορα. Τέλος, περαιτέρω έρευνα θα μπορ ούσε να επικεντρωθεί στη βελτίωση τη ς συνιστώσας της ανάλυσης συναισθήμα τος του συστήματος, ιδιαίτερα στον χ ειρισμό διφορούμενων ή περίπλοκων συ ναισθημάτων. Αυτό θα μπορούσε να περ ιλαμβάνει την εκπαίδευση πιο προηγμέ νων μοντέλων σε μεγαλύτερα σύνολα δε δομένων για την αποτύπωση λεπτών λεπ τοτήτων στα σχόλια των πελατών.\n Λέ ξεις – κλειδιά: Ικανοποίηση πελατών; Ανάλυση συναισθήματος; Πολυκριτήρια Ανάλυση Αποφάσεων; Ανάλυση συναισθή ματος βάσει χαρακτηριστικών; Ποιοτικ ή Συγκριτική Ανάλυση; Διαδικτυακές Κ ριτικές; Μεγάλα γλωσσικά μοντέλα; Εξ όρυξη γνώμης; Ασαφή Σύνολα; Επεξεργα σία Φυσικής Γλώσσας; Εξόρυξη κειμένο υ; Εμπειρία Πελατών\n  \n Περίληψη Δ ιατριβής στα Αγγλικά:   \n In today' s dynamic and competitive market env ironment, understanding and enhancin g customer satisfaction are essentia l for business success. Traditional methods of analysing customer feedba ck, often reliant on structured surv ey data, fall short in capturing the complexity and diversity of modern customer experiences reflected in he terogeneous data, such as those foun d in online customer reviews. The pr esent dissertation proposes a novel five-step customer feedback analysis system designed to address these ch allenges by integrating advanced ana lytical techniques, including aspect -based sentiment analysis (ABSA), mu lticriteria decision analysis (MCDA) , opinion analysis (OA), and qualita tive comparative analysis (QCA).\n T he system commences with the preproc essing of customer reviews to prepar e data for subsequent analysis, foll owed by the application of an aspect -based sentiment analysis technique that leverages Large Language Models (LLMs) to extract and evaluate sent iment associated with specific aspec ts or features. The third step intro duces the MUSAsent method, an extens ion of the Multicriteria Satisfactio n Analysis (MUSA) framework, by inco rporating sentiment data with quanti tative ratings, providing a multi-di mensional analysis of customer satis faction. The fourth step involves op inion analysis, which refines the sa tisfaction analysis through sentimen t-based metrics, and the final step employs fuzzy-set Qualitative Compar ative Analysis (fsQCA) to extract ac tionable insights and guidelines for strategic decision-making.\n The ef fectiveness of the system is demonst rated through experiments and case s tudies in the airlines and hospitali ty industries, showing its capabilit y to translate complex customer feed back into practical, evidence-based strategies. By combining both quanti tative and qualitative data, this di ssertation contributes to the field of customer satisfaction analysis, b y providing a robust framework for c ustomer feedback analysis, offering businesses a powerful tool to enhanc e decision-making and improve custom er satisfaction across diverse secto rs.\n Keywords:  Customer Satisfacti on; Sentiment Analysis; Multicriteri a Decision Analysis; Aspect-Based Se ntiment Analysis; MUSA; Qualitative Comparative Analysis; Online Custome r Reviews; Large Language Models; MU SAsent; Opinion Mining; Fuzzy-Set An alysis; Natural Language Processing; Customer Feedback Analysis; Text Mi ning; Customer Experience\n  \n ​​​​ ​​​Ημερομήνια Εξέτασης\n Ημέρα/Μήνας /Έτος:             19/11/2024\n Ώρα:                        11.00\n  \n ​ ​​​​​​Χώρος Εξέτασης\n Σύνδεσμος (Li nk): https://tuc-gr.zoom.us/j/935130 14969?pwd=aGqSUqPZcMpNbYywGWe5lcORuF 9eaH.1 \n  \n Αίθουσα: Αίθουσα συνεδ ριάσεων Σχολή ΜΠΔ \n Κτίριο:    Δ3 - Κτίριο ΜΠΔ\n   \n  \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20241119T110000 DTEND:20241119T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR