| dc.contributor.advisor | Αλέπης, Ευθύμιος | |
| dc.contributor.author | Γαβριηλίδης, Γεώργιος | |
| dc.date.accessioned | 2022-10-24T06:37:49Z | |
| dc.date.available | 2022-10-24T06:37:49Z | |
| dc.date.issued | 2022-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14713 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2135 | |
| dc.description.abstract | Στην παρούσα διπλωματική εργασία παρουσιάζεται η διαδικασία δημιουργίας μιας Android εφαρμογής για ανάλυση των συναισθημάτων των φοιτητών πανεπιστημίου κατά τη διάρκεια εξ αποστάσεως εκπαίδευσης. Συγκεκριμένα, η εφαρμογή προσομοιώνει τη διδασκαλία ενός μαθήματος μέσω κάμερας και πραγματοποιεί, ανά ορισμένο χρονικό διάστημα, ανάλυση συναισθήματος προσώπου όσων φοιτητών έχουν δώσει την απαραίτητη άδεια στην εφαρμογή, στέλνοντάς την πρόβλεψη του αλγόριθμου από τις κινητές συσκευές τους, που λειτουργούν ως clients, σε μια βάση δεδομένων μέσω web service. Από τα περιεχόμενα της βάσης δημιουργούνται ποσοτικά δεδομένα στα οποία έχει πρόσβαση ο διδάσκων καθηγητής, ο οποίος, παρατηρώντας τα, μπορεί να αντλήσει συμπεράσματα για την επίδραση του τρόπου παράδοσής του είτε σε συγκεκριμένη διάλεξη είτε και διαχρονικά, καθώς εξελίσσεται το εξάμηνο σπουδών. Μια υλοποίηση όπως η παραπάνω, με κάποιες επεκτάσεις, θα μπορούσε να χρησιμοποιηθεί είτε αυτόνομα είτε να προσαρτηθεί σε ήδη ευρέως χρησιμοποιούμενες πλατφόρμες, για την εξασφάλιση της ποιότητας του μαθήματος σε συνθήκες εξ αποστάσεως εκπαίδευσης, μέσω της σχεδόν άμεσης ανατροφοδότησης του καθηγητή ως προς την απήχηση του περιεχομένου και της μεθόδου διδασκαλίας του στους φοιτητές.
Στις επόμενες σελίδες γίνεται αρχικά μια επισκόπηση των νευρωνικών δικτύων και συγκεκριμένα μιας υποκατηγορίας τους, του συνελικτικού νευρωνικού δικτύου, ένα μοντέλο του οποίου χρησιμοποιήθηκε για την αναγνώριση συναισθήματος των φοιτητών, της βιβλιοθήκης Tensorflow Lite που επιτρέπει την ανάπτυξη μοντέλων μηχανικής μάθησης σε περιβάλλον Android συσκευής καθώς και του Spring Boot framework, με το οποίο δημιουργήθηκε το RESTful web service για την εφαρμογή. Στη συνέχεια παρουσιάζεται η διαδικασία της εκπαίδευσης του νευρωνικού δικτύου, του σχεδιασμού της βάσης δεδομένων, και της ανάπτυξης του κώδικα της εφαρμογής. Τέλος, γίνεται αναφορά στα συμπεράσματα που προέκυψαν από την υλοποίηση και σε πιθανές μελλοντικές επεκτάσεις. | el |
| dc.format.extent | 82 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Aνάλυση συναισθήματος κατά τη διάρκεια εξ αποστάσεως εκπαίδευσης σε εφαρμογή Android και αποστολή σε RESTful Web Service | el |
| dc.title.alternative | Sentiment analysis during online learning on Android application and sending to a RESTful Web Service | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This thesis is about an Android application that predicts facial emotions of university students during distance learning. Specifically, the application simulates an online lecture, during which it periodically performs facial emotion recognition on snapshots of students who gave the required permission to the application and sends the algorithm’s prediction from their online devices, who act as clients, to a database through a web service. From the contents of the database, quantitative data are created, which can be accessed by the teaching professor, enabling him to draw conclusions about the impact his style of teaching made either at a specific lecture or during the course of a semester. An implementation like this, after getting expanded, could be used either independently or as an add-on to widely used platforms, to help insure the quality of online learning by providing the professor with almost immediate feedback on the students’ response to the content and the method of his teaching.
In the following pages an overview is being provided of neural networks, and specifically a subcategory of theirs, the convolutional neural network, a model of which was used for predicting the emotion of the students using the application, of the Tensorflow Lite library, which allows the deployment of machine learning models on an Android device and of the Spring Boot Framework, with which the RESTful web service for the application was created. Subsequently, a presentation is being given on the process of training the neural network, designing the database and developing the application. Lastly, a mention is being made of conclusions which came up after completing the implementation and of probable future expansions. | el |
| dc.contributor.master | Πληροφορική | el |
| dc.subject.keyword | Android | el |
| dc.subject.keyword | Tensorflow Lite | el |
| dc.subject.keyword | Spring Boot | el |
| dc.subject.keyword | Mηχανική μάθηση | el |
| dc.subject.keyword | Συνελικτικό νευρωνικό δίκτυο | el |
| dc.subject.keyword | Ανάλυση συναισθήματος προσώπου | el |
| dc.subject.keyword | RESTful web service | el |
| dc.subject.keyword | Java | el |
| dc.subject.keyword | Python | el |
| dc.subject.keyword | PostgreSQL | el |
| dc.date.defense | 2022-09 | |
