<?xml version="1.0" encoding="UTF-8"?>
<rss xmlns:dc="http://purl.org/dc/elements/1.1/" version="2.0">
<channel>
<title>Τμήμα Ψηφιακών Συστημάτων</title>
<link>https://dione.lib.unipi.gr/xmlui/handle/unipi/2420</link>
<description>Department of Digital Systems</description>
<pubDate>Tue, 29 Sep 2026 09:56:37 GMT</pubDate>
<dc:date>2026-09-29T09:56:37Z</dc:date>
<item>
<title>Explainable brain age prediction using machine learning : model comparison, longitudinal evaluation, and normative modelling</title>
<link>https://dione.lib.unipi.gr/xmlui/handle/unipi/19793</link>
<description>Explainable brain age prediction using machine learning : model comparison, longitudinal evaluation, and normative modelling
Cheliotis, Nikolaos; Χελιώτης, Νικόλαος
</description>
<pubDate>Thu, 01 Jan 2026 00:00:00 GMT</pubDate>
<guid isPermaLink="false">https://dione.lib.unipi.gr/xmlui/handle/unipi/19793</guid>
<dc:date>2026-01-01T00:00:00Z</dc:date>
</item>
<item>
<title>Ανάπτυξη ψηφιακού εργαστηρίου δεξιοτήτων για την καλλιέργεια συμπεριληπτικών στάσεων απέναντι στην αναπηρία : μια εκπαιδευτική πρόταση ευαισθητοποίησης για μαθητές πρωτοβάθμιας εκπαίδευσης</title>
<link>https://dione.lib.unipi.gr/xmlui/handle/unipi/19787</link>
<description>Ανάπτυξη ψηφιακού εργαστηρίου δεξιοτήτων για την καλλιέργεια συμπεριληπτικών στάσεων απέναντι στην αναπηρία : μια εκπαιδευτική πρόταση ευαισθητοποίησης για μαθητές πρωτοβάθμιας εκπαίδευσης
Μπουρλή, Ιωάννα
Η παρούσα μεταπτυχιακή διπλωματική εργασία αφορά τον σχεδιασμό και την ψηφιακή&#13;
υλοποίηση ενός Εργαστηρίου Δεξιοτήτων για μαθητές και μαθήτριες Γ΄ και Δ΄ Δημοτικού,&#13;
με στόχο την καλλιέργεια συμπεριληπτικών στάσεων απέναντι στην αναπηρία. Το&#13;
πρόγραμμα εντάσσεται στον θεματικό κύκλο «Ενδιαφέρομαι και Ενεργώ – Κοινωνική&#13;
Συναίσθηση και Ευθύνη» και στην υποθεματική «Συμπερίληψη: Αλληλοσεβασμός,&#13;
Διαφορετικότητα» και αναπτύσσεται σε επτά διαδοχικά εργαστήρια των δύο διδακτικών&#13;
ωρών. Η προσέγγιση της αναπηρίας βασίζεται στη σύγχρονη κοινωνική οπτική, με έμφαση&#13;
στα περιβαλλοντικά, κοινωνικά, επικοινωνιακά και οργανωτικά εμπόδια που μπορούν να&#13;
περιορίζουν την ισότιμη συμμετοχή. Η μαθησιακή πορεία οργανώνεται σταδιακά από την&#13;
αναγνώριση της διαφορετικότητας και τη διερεύνηση αρχικών αντιλήψεων προς την&#13;
εξέταση στερεοτύπων, τον εντοπισμό εμποδίων και την αναζήτηση λύσεων για ένα&#13;
περισσότερο προσβάσιμο και συμπεριληπτικό σχολείο. Παράλληλα, επιδιώκεται η&#13;
καλλιέργεια της κριτικής σκέψης, της επικοινωνίας, της συνεργασίας, του σεβασμού και&#13;
του αναστοχασμού. Αξιοποιούνται ενεργητικές και συνεργατικές μορφές μάθησης,&#13;
ρουτίνες σκέψης, εργαλεία διαλόγου και βιωματικές δραστηριότητες. Το Google Classroom&#13;
λειτουργεί ως κεντρικό περιβάλλον οργάνωσης και πρόσβασης στο υλικό, ενώ&#13;
συμπληρωματικά χρησιμοποιούνται τα Canva, Google Slides, Genially, Google Forms και&#13;
Padlet, σε συνδυασμό με έντυπες και δια ζώσης δραστηριότητες. Το τελικό εκπαιδευτικό&#13;
πακέτο περιλαμβάνει οδηγίες εφαρμογής, μαθησιακό υλικό και εργαλεία αξιολόγησης για&#13;
την υποστήριξη του εκπαιδευτικού. Η αξιολόγηση ενσωματώνεται στη μαθησιακή&#13;
διαδικασία μέσω αυτοαξιολόγησης, παρατήρησης, ομαδικών έργων, ανατροφοδότησης&#13;
και αναστοχαστικών δραστηριοτήτων. Η αποτίμηση της εργασίας εστιάζει στη συνοχή, την&#13;
παιδαγωγική καταλληλότητα και τη λειτουργικότητα του σχεδιαστικού προϊόντος. Τέλος,&#13;
διατυπώνονται προτάσεις για την πιλοτική εφαρμογή του σε πραγματικές συνθήκες&#13;
τάξης, τη συστηματική αξιολόγηση και τον περαιτέρω εμπλουτισμό του.
</description>
<pubDate>Tue, 01 Sep 2026 00:00:00 GMT</pubDate>
<guid isPermaLink="false">https://dione.lib.unipi.gr/xmlui/handle/unipi/19787</guid>
<dc:date>2026-09-01T00:00:00Z</dc:date>
</item>
<item>
<title>ECOPOLIS – Σχεδιασμός και ανάπτυξη υβριδικού επιτραπέζιου παιχνιδιού με χρήση επαυξημένης πραγματικότητας (AR) για την εκπαίδευση για την αειφόρο ανάπτυξη στην πρωτοβάθμια εκπαίδευση</title>
<link>https://dione.lib.unipi.gr/xmlui/handle/unipi/19780</link>
<description>ECOPOLIS – Σχεδιασμός και ανάπτυξη υβριδικού επιτραπέζιου παιχνιδιού με χρήση επαυξημένης πραγματικότητας (AR) για την εκπαίδευση για την αειφόρο ανάπτυξη στην πρωτοβάθμια εκπαίδευση
Γεωργίου, Μαγδαληνή
Η παρούσα διπλωματική εργασία αφορά τον σχεδιασμό και την ανάπτυξη του ECOPOLIS, ενός υβριδικού συνεργατικού επιτραπέζιου παιχνιδιού για μαθητές Ε΄ και ΣΤ΄ Δημοτικού, με στόχο την υποστήριξη της Περιβαλλοντικής Εκπαίδευσης και της Εκπαίδευσης για την Αειφόρο Ανάπτυξη. Το παιχνίδι αξιοποιεί αρχές της Μάθησης Βασισμένης στο Παιχνίδι και συνδυάζει το φυσικό επιτραπέζιο περιβάλλον με τεχνολογίες Επαυξημένης Πραγματικότητας και διαδραστικό ψηφιακό περιεχόμενο μέσω του ARTutor και δραστηριοτήτων H5P. &#13;
Στο ECOPOLIS οι μαθητές λειτουργούν ως μέλη μιας κοινής ομάδας και καλούνται να διαχειριστούν περιβαλλοντικές προκλήσεις μιας πόλης, λαμβάνοντας συλλογικά αποφάσεις και παρατηρώντας τις συνέπειές τους στους κοινούς πόρους και δείκτες του παιχνιδιού. Μέσα από τη διαδικασία αυτή επιδιώκεται η κατανόηση περιβαλλοντικών εννοιών και η καλλιέργεια της συνεργασίας, της επικοινωνίας, της περιβαλλοντικής υπευθυνότητας και της συλλογικής λήψης αποφάσεων. &#13;
Στο πλαίσιο της εργασίας πραγματοποιήθηκε διαμορφωτική αποτίμηση του σχεδιασμού, η οποία οδήγησε σε επιμέρους βελτιώσεις του φυσικού και ψηφιακού πρωτοτύπου, ενώ εργαλεία Τεχνητής Νοημοσύνης αξιοποιήθηκαν υποστηρικτικά κατά τη δημιουργική και σχεδιαστική διαδικασία. Το ECOPOLIS αποτελεί ένα εκπαιδευτικό πρωτότυπο, με επόμενο βήμα την πιλοτική εφαρμογή του σε πραγματικό σχολικό περιβάλλον, ώστε να διερευνηθούν η λειτουργικότητα, η εμπειρία των χρηστών και η μαθησιακή αξιοποίησή του στην πράξη.
</description>
<pubDate>Tue, 01 Sep 2026 00:00:00 GMT</pubDate>
<guid isPermaLink="false">https://dione.lib.unipi.gr/xmlui/handle/unipi/19780</guid>
<dc:date>2026-09-01T00:00:00Z</dc:date>
</item>
<item>
<title>A unified taxonomy of adversarial attacks and defenses in few-shot learning</title>
<link>https://dione.lib.unipi.gr/xmlui/handle/unipi/19778</link>
<description>A unified taxonomy of adversarial attacks and defenses in few-shot learning
Leontaridis, Alexios; Λεονταρίδης, Αλέξης
Η Μάθηση με Λίγα Δείγματα (Few-Shot Learning, FSL) επιτρέπει σε ένα μοντέλο να αναγνωρίζει νέες κλάσεις από ελάχιστα μόνο επισημασμένα παραδείγματα ανά κλάση, αντί για τα μεγάλα σύνολα δεδομένων που χρειάζονται τα παραδοσιακά μοντέλα βαθιάς μάθησης (deep learning). Χρησιμοποιείται ήδη σε τομείς όπως η ιατρική απεικόνιση, η αναγνώριση προσώπου, η ταξινόμηση σπάνιων ειδών και η κυβερνοασφάλεια, όπου η συλλογή πολλών δειγμάτων είναι δύσκολη ή και αδύνατη. Το πρόβλημα είναι ότι τα ίδια στοιχεία που καθιστούν χρήσιμη την FSL, δηλαδή το μικρό σύνολο υποστήριξης (support set), η επεισοδιακή εκπαίδευση (episodic training) και η ταχεία προσαρμογή σε νέες εργασίες, δημιουργούν παράλληλα αδύναμα σημεία που δεν υπάρχουν στα συμβατικά μοντέλα βαθιάς μάθησης. Η ανταγωνιστική μηχανική μάθηση (adversarial machine learning) έχει μελετηθεί εκτενώς, και η ευρωστία των μοντέλων FSL αρχίζει επίσης να προσελκύει περισσότερο ενδιαφέρον· ωστόσο, η υπάρχουσα βιβλιογραφία είναι διάσπαρτη και ανοργάνωτη και δεν υπάρχει ακόμη μια ενιαία ταξινομία αφιερωμένη ειδικά στις επιθέσεις και τις άμυνες στο πλαίσιο της μάθησης με λίγα δείγματα. Η παρούσα διπλωματική εργασία επιχειρεί να καλύψει αυτό το κενό προτείνοντας μια ενοποιημένη ταξινομία ανταγωνιστικών επιθέσεων και αμυνών για μοντέλα FSL στην όραση υπολογιστών (computer vision). Η ανάλυση βασίζεται σε ένα μοντέλο απειλής τεσσάρων διαστάσεων: την επιφάνεια επίθεσης, τη γνώση που διαθέτει ο αντίπαλος, τον στόχο που επιδιώκει και τη χρονική στιγμή της επίθεσης. Με βάση αυτές τις τέσσερις διαστάσεις, οι επιθέσεις κατηγοριοποιούνται σε έξι οικογένειες (επιθέσεις διαφυγής στο σύνολο ερωτημάτων, δηλητηρίαση του συνόλου υποστήριξης, δηλητηρίαση καθαρής ετικέτας, επιθέσεις κερκόπορτας/backdoor, καθολικές ανταγωνιστικές διαταραχές και επιθέσεις στον χώρο ενσωμάτωσης), ενώ οι άμυνες ομαδοποιούνται σε τέσσερις κατηγορίες (ανταγωνιστική εκπαίδευση, πιστοποιημένες άμυνες, μέθοδοι βασισμένες στην ανίχνευση και άμυνες ειδικά για επιθέσεις backdoor). Η ταξινομία αναδεικνύει ορισμένα μοτίβα. Σχεδόν κάθε επίθεση προϋποθέτει πρόσβαση τύπου white-box, στοχεύει στην ακεραιότητα του μοντέλου και πραγματοποιείται κατά τον χρόνο εξαγωγής συμπερασμάτων (inference time), ενώ οι επιθέσεις τύπου gray-box και αυστηρού black-box, καθώς και η δηλητηρίαση κατά τη μετα-εκπαίδευση (metatraining), σχεδόν δεν καλύπτονται στη βιβλιογραφία. Οι άμυνες είναι επίσης ανομοιόμορφες: ελάχιστες προστατεύουν το σύνολο υποστήριξης, σχεδόν καμία δεν αντιμετωπίζει τις χειραγωγήσεις στον χώρο ενσωμάτωσης, και δεν υπάρχει ουσιαστική άμυνα έναντι των backdoor επιθέσεων που είναι ειδικές για την FSL. Για να συνδεθεί η ανάλυση με την πράξη, υλοποιείται μια απόδειξη ιδέας (proof-of-concept) στο CIFAR-FS και miniImageNet με Prototypical Networks με δύο backbone, Conv4 και ResNet-12, αξιολογώντας το μοντέλο απέναντι στις επιθέσεις FGSM, Adversarial Support Poisoning (ASP) και FAMF, με και χωρίς Adversarial Querying. Τα αποτελέσματα επιβεβαιώνουν ότι η αδυναμία στα FSL εξαρτάται σε μεγάλο βαθμό τόσο από την οικογένεια της επίθεσης &#13;
όσο και από το backbone, και ότι μια άμυνα σχεδιασμένη για την κλασική βαθιά μάθηση δεν μεταφέρεται καθαρά στο πλαίσιο της μάθησης με λίγα δείγματα.
</description>
<pubDate>Mon, 01 Jun 2026 00:00:00 GMT</pubDate>
<guid isPermaLink="false">https://dione.lib.unipi.gr/xmlui/handle/unipi/19778</guid>
<dc:date>2026-06-01T00:00:00Z</dc:date>
</item>
</channel>
</rss>
