| dc.contributor.advisor | Βίρβου, Μαρία | |
| dc.contributor.author | Σκόπη, Μαρία | |
| dc.date.accessioned | 2025-12-11T10:59:10Z | |
| dc.date.available | 2025-12-11T10:59:10Z | |
| dc.date.issued | 2025-11 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18683 | |
| dc.description.abstract | Η παρούσα μεταπτυχιακή διατριβή εστιάζει στην ανάπτυξη ενός ευφυούς εκπαιδευτικού λογισμικού
που αξιοποιεί τεχνικές τεχνητής νοημοσύνης και ανάλυσης δεδομένων για την παροχή
εξατομικευμένης μάθησης στον προγραμματισμό. Στόχος της εργασίας είναι η δημιουργία ενός
συστήματος που προσαρμόζεται στο επίπεδο, τις δεξιότητες και την πρόοδο του κάθε χρήστη,
προσφέροντας ασκήσεις και ανατροφοδότηση ειδικά σχεδιασμένες για τις ανάγκες του.
Η μελέτη ξεκινά με θεωρητική επισκόπηση των Προσωποποιημένων Μαθησιακών
Περιβαλλόντων και των Μεγάλων Γλωσσικών Μοντέλων (LLMs), με έμφαση στο μοντέλο LLaMA, το
οποίο αξιοποιήθηκε στην υλοποίηση του συστήματος. Στη συνέχεια, παρουσιάζεται η τεχνική
αρχιτεκτονική της εφαρμογής, που βασίζεται σε Flask backend, React frontend, SQLite βάση
δεδομένων και FAISS index για την ανάκτηση συναφούς εκπαιδευτικού περιεχομένου. Για την
εκτίμηση της δυσκολίας των ασκήσεων, χρησιμοποιείται η ανάλυση πολυπλοκότητας κώδικα μέσω
του εργαλείου Radon, ενώ η εξατομίκευση βασίζεται σε επίπεδα γνώσης ανά θεματική ενότητα.
Το προτεινόμενο σύστημα υποστηρίζει τη δημιουργία, αξιολόγηση και προσαρμογή ασκήσεων
σε πραγματικό χρόνο, με στόχο να ενισχύσει τη μαθησιακή αυτονομία και την κατανόηση των εννοιών
του προγραμματισμού. Τα αποτελέσματα δείχνουν ότι η αξιοποίηση των LLMs, σε συνδυασμό με
τεχνικές ανάκτησης και ανάλυσης δεδομένων, μπορεί να οδηγήσει σε πιο αποδοτικά και ευέλικτα
περιβάλλοντα μάθησης, συμβάλλοντας ουσιαστικά στην εξέλιξη της εξατομικευμένης εκπαίδευσης. | el |
| dc.format.extent | 85 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ανάπτυξη εξατομικευμένου εκπαιδευτικού λογισμικού με χρήση τεχνητής νοημοσύνης και ανάλυσης δεδομένων | el |
| dc.title.alternative | Development of personalized software through Artificial Intelligence and data analytics : an educational software perspective | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This thesis focuses on the development of an intelligent educational software system that leverages
Artificial Intelligence and data analysis techniques to provide personalized learning in programming.
The main goal is to design a platform capable of adapting to each learner’s knowledge level, skills,
and progress, delivering exercises and feedback tailored to individual needs.
The work begins with a theoretical overview of Personalized Learning Environments and Large
Language Models (LLMs), with particular emphasis on the LLaMA model, which was used in the
implementation. The system’s technical architecture integrates a Flask backend, React frontend,
SQLite database, and FAISS index for semantic retrieval of educational content. Exercise difficulty is
estimated using code complexity analysis through the Radon library, while personalization is based
on per-topic user levels.
The proposed platform supports the generation, evaluation, and adaptive refinement of
programming exercises in real time, aiming to enhance learner autonomy and conceptual
understanding. The results demonstrate that the combination of LLMs with retrieval and data analysis
methods can lead to more efficient and flexible learning environments, contributing to the
advancement of truly personalized education. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής - Ανάπτυξη Λογισμικού και Τεχνητής Νοημοσύνης | el |
| dc.subject.keyword | Προσαρμοστική μάθηση | el |
| dc.subject.keyword | Εξατομικευμένη εκπαίδευση | el |
| dc.subject.keyword | Μεγάλα γλωσσικά μοντέλα | el |
| dc.subject.keyword | LLM | el |
| dc.subject.keyword | Τεχνητή νοημοσύνη | el |
| dc.subject.keyword | Εκπαίδευση | el |
| dc.subject.keyword | Retrieval-Augmented Generation (RAG) | el |
| dc.subject.keyword | Αυτόματη δημιουργία ασκήσεων | el |
| dc.subject.keyword | Αυτόματη αξιολόγηση ασκήσεων | el |
| dc.subject.keyword | Εξάσκηση κώδικα | el |
| dc.date.defense | 2025-11 | |
