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:20231017T121213Z LAST-MODIFIED:20231017T121213Z DTSTAMP:20260811T080617Z UID:1786424777@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Γεωργίου - Νεκταρίου Νίκου - Σχολή Η ΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=6570&cHash=22565266fa7d69e ca95842260b123068\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Γεωργίου - Νεκτ αρίου Νίκου\n με θέμα\n Μια πειραματ ική ανάλυση των αναστολών στο Twitte r κατά την πρώτη περίοδο του COVID19 \n An experimental analysis of Twitt er suspension during the first COVID 19 period\n Εξεταστική Επιτροπή\n Αν απληρωτής Καθηγητής Ιωαννίδης Σωτήρι ος (Επιβλέπων)\n Καθηγητής Λαγουδάκη ς Μιχαήλ\n Καθηγητής Ζερβάκης Μιχαήλ \n Περίληψη\n Η παρούσα μελέτη έχει ως στόχο την καταγραφή των συναισθημ άτων των ανθρώπων στα tweets τους σχ ετικά με το COVID-19 και στην εξέτασ η τυχόν προσπαθειών διάδοσης ψευδών ειδήσεων και παραπληροφόρησης στο Tw itter. Η έρευνά μας βασίζεται σε ένα σύνολο δεδομένων που συλλέχθηκε μέσ ω του Twitter API, το οποίο περιέχει περίπου 200 εκατομμύρια tweets από δύο δημοφιλή hashtags που σχετίζοντα ι με το COVID-19. Εφαρμόζουμε ανάλυσ η συναισθήματος χρησιμοποιώντας το μ οντέλο XLM-RoBERTa-large σε διάφορα θέματα που σχετίζονται με την πανδημ ία COVID-19. Στη συνέχεια, πραγματοπ οιούμε ανάλυση δεδομένων για να εντο πίσουμε ενδιαφέροντα μοτίβα και χαρα κτηριστικά σε αυτό το μεγάλο dataset . Η έρευνά μας επίσης επικεντρώθηκε σε λογαριασμούς Twitter που έχουν αν ασταλεί και χρησιμοποιούμε τον αλγόρ ιθμο Latent Dirichlet Allocation για να εντοπίσουμε τα θεμάτα συζήτησης τους. Επιπλέον κατασκευάζουμε τον γρ άφο αναδημοσιεύσεων για να αναλύσουμ ε τις συνδέσεις τους στο κοινωνικό δ ίκτυο, επιτρέποντάς μας να εντοπίσου με τυχόν συντονισμένες ενέργειες για την αναδημοσίευση του ίδιου περιεχο μένου σε μεγάλες ποσότητες. Τα αποτε λέσματα έδειξαν μια τάση στα συναισθ ήματα προς όρους όπως COVID-19, συνω μοσία και lockdown. Παρατηρούμε ότι παρόλο που οι ανεσταλμένοι χρήστες α ποτελούσαν μόνο το 0,74% των συνολικ ών χρηστών, δημιούργησαν το 7,52% τω ν συνολικών αναρτήσεων.\n Abstract \ n This study aims to capture the ove rall sentiment of people’s tweets re garding COVID-related subjects and t o examine any attempts to spread fak e news and misinformation on Twitter . Our research is based on a dataset collected through the Twitter API, containing approximately 200 million tweets from two popular COVID-relat ed hashtags. We conduct sentiment an alysis using the XLM-RoBERTa-large m odel on several topics related to th e COVID-19 pandemic. Next, we perfor m data analysis to identify interest ing patterns and characteristics of this vast dataset. Our research also targets suspended Twitter accounts and by using the Latent Dirichlet Al location algorithm we identify their topics of discussion. We construct the retweet social graph to analyze their social network connections, en abling us to detect any coordinated actions to retweet the same content in large quantities. The results sho wed a trend in sentiment towards ter ms like COVID-19, conspiracy, and lo ckdown. We observe that although sus pended users made up only 0.74% of t he dataset, they generated 7.52% of the total posts.\n Meeting ID: 934 9 205 3012\n Password: 219023\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20231017T170000 DTEND:20231017T180000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR