Στην εποχή των κοινωνικών μέσων, οι πολιτιστικές εμπειρίες δεν περιορίζονται πλέον στον φυσικό χώρο ή στην προσωπική μνήμη, αλλά διαμορφώνονται, αναπαράγονται και σχολιάζονται εντός ψηφιακών κοινοτήτων. Ο τρόπος με τον οποίο οι χρήστες εκφράζουν τα συναισθήματά τους για πολιτιστικά φαινόμενα, από τοπικές παραδόσεις έως παγκόσμια κινήματα, συνιστά ένα δυναμικό αποτύπωμα κοινωνικής στάσης και πολιτιστικής πρόσληψης. Ωστόσο, τα συναισθηματικά αυτά ίχνη είναι συχνά διάσπαρτα, αποσπασματικά και ερμηνευτικά αμφίσημα.Το πρόβλημα που ανακύπτει αφορά την ανάγκη κατανόησης των τρόπων με τους οποίους τα συναισθήματα που εκφράζονται στα κοινωνικά δίκτυα για πολιτιστικά φαινόμενα μπορούν να ερμηνευθούν ως ενδείξεις πολιτιστικής απήχησης ή κοινωνικής αποδοχής. Πέρα από την τεχνική πρόκληση της ανάλυσης συναισθήματος, το πρόβλημα είναι βαθιά επικοινωνιακό, καθώς σχετίζεται με τη γλωσσική, σημασιολογική και πολιτισμική πολυπλοκότητα του ψηφιακού λόγου. Οι παραδοσιακές μέθοδοι ανάλυσης κειμένου δεν αρκούν για να αποδώσουν τις αποχρώσεις του συναισθήματος, ειδικά σε φαινόμενα που εμπλέκουν ταυτοτικές, ιδεολογικές και πολιτιστικές διαστάσεις.Η ανάγκη, επομένως, να εντοπιστούν τα συναισθήματα που συνοδεύουν τη συμμετοχή ή την παρατήρηση πολιτιστικών εμπειριών στα κοινωνικά μέσα, εγείρει το ερώτημα: μπορεί η συναισθηματική έκφραση στα κοινωνικά δίκτυα να αποκαλύψει την πολιτιστική απήχηση ενός φαινομένου;

Ηπαρούσα εργασία διερευνά τον τρόπο με τον οποίο τα συναισθήματα του κοινού εκφράζονται στον ψηφιακό χώρο σε σχέση με πολιτιστικά και κοινωνικά φαινόμενα. Έχοντας εστιάσει στην ανάλυση συναισθήματος (sentiment analysis), αξιοποιούνται σύγχρονες τεχνικές της επεξεργασίας φυσικής γλώσσας (Natural Language Processing - NLP) και της μηχανικής μάθησης για την ερμηνεία σχολίων που αντλήθηκαν από κοινωνικά μέσα,όπως το YouTube. 

Η εργασία εισάγεται αρχικά στο θεωρητικό υπόβαθρο της ανάλυσης συναισθήματος, μια προέγγιση που επιδιώκει την αναγνώριση της συναισθηματικής στάσης των χρηστών μέσα από κείμενα, με στόχο την ταξινόμησή τους. Η συναισθηματική αυτή πληροφορία αποτελεί κρίσιμο εργαλείο για την κατανόηση των αντιδράσεων του κοινού απέναντι σε φαινόμενα πολιτιστικού ή κοινωνικού χαρακτήρα. 

Στο σύγχρονο ψηφιακό κόσμο, η πολιτιστική και κοινωνική έκφραση δεν είναι πλέον μονόδρομη· αντιθέτως εστιάζεται στην αλληλεπίδρασης με το κοινό, το οποίο συμμετέχει ενεργά στη δημιουργία και ερμηνεία των πολιτιστικών γεγονότων. Η ανάλυση συναισθήματος πραγματοποιείται με τρεις βασικές τεχνικές προσεγγίσεις, (α) με λεξικογραφικές μεθόδους,οι οποίεςχρησιμοποιούν προκαθορισμένα λεξικά συναισθημάτων, (β) με μεθόδους μηχανικής μάθησηςκαι (γ) ειδικά με τεχνικές βαθιάς μάθησης που αξιοποιούν νευρωνικά δίκτυα σύνθετης δομής και εκμεταλλεύονται επισημειωμένα μεγάλα σύνολα δεδομένων. 

Στην παρούσα εργασία χρησιμοποιηθήκαν αντιπροσωπευτικά εργαλεία των προσεγγίσεων αυτών, συγκεκριμένα το VADER, το TextBlob και το BERT, προκειμένου να αξιολογηθεί η αποτελεσματικότητά τους στην ανάλυση αυθεντικών σχολίων. Συλλέχθηκε και αναλύθηκε ένα ενδεικτικό δείγμα σχολίων που επέτρεψε την αποτίμηση των εργαλείων και την εξαγωγή συμπερασμάτων για συγκεκριμένα πολιτιστικά και κοινωνικά φαινόμενα, όπως η K-pop μουσική, η LGBTQ+ κοινότητα, η βιώσιμη μόδα, οι ψηφιακοί διάσημοι και το κίνημα Fridays for Future, καθώς και πολιτιστικά φαινόμενα τοπικού χαρακτήρα όπως το πατρινό καρναβάλι. 

Στην εργασίααναφέρονται επίσηςβασικοίπεριορισμοί της έρευνας, όπως η δυσκολία κατανόησης ειρωνείας και η μειωμένη ακρίβεια σε μη αγγλόφωνα κείμενα. Παράλληλα προτείνεται η ανάπτυξη νέων εργαλείων και τεχνικών για βαθύτερη κατανόηση των κειμένων αλλά και τη δυνατότητα να υποστηρίζουν την ανάλυση ελληνικών κειμένων,έτσι ώστε να διασφαλισθεί μεγαλύτερη ακρίβεια και εγκυρότητα στα αποτελέσματα.

In the age of social media, cultural experiences are no longer confined to physical space or personal memory; instead, they are shaped, reproduced, and commented upon within digital communities. The ways in which users express their emotions toward cultural phenomena—from local traditions to global movements—constitute a dynamic imprint of social attitudes and cultural reception. However, these emotional traces are often scattered, fragmented, and semantically ambiguous.The emerging problem concerns the need to understand how emotions expressed on social networks in relation to cultural phenomena can be interpreted as indicators of cultural resonance or social acceptance. Beyond the technical challenge of sentiment analysis, the issue is fundamentally communicative, as it involves the linguistic, semantic, and cultural complexity of digital discourse. Traditional text analysis methods often fall short in capturing the nuanced emotional undertones, particularly in phenomena involving identity, ideology, or cultural dimensions.

This thesis investigates how public emotions are articulated in the digital space with regard to cultural and social phenomena. Focusing on sentiment analysis, it leverages contemporary techniques from Natural Language Processing (NLP) and Machine Learning to interpret user comments retrieved from social media platforms, particularly YouTube.

The study begins by presenting the theoretical framework of sentiment analysis, an approach that aims to identify users’ emotional stance in text, with the goal of categorizing it accordingly. This emotional information is a critical tool for understanding audience reactions to cultural and societal events.

In the contemporary digital environment, cultural and social expression is no longer unidirectional; on the contrary, it centers on interaction with the audience, which actively participates in the creation and interpretation of cultural meaning. Sentiment analysis can be performed through three major methodological approaches: (a) lexicon-based methods, which rely on pre-defined sentiment dictionaries; (b) machine learning-based methods, which involve training algorithms on labeled datasets; and (c) deep learning techniques, which employ complex neural networks and large annotated corpora.

In this study, representative tools from these three approaches were employed—VADER, TextBlob, and BERT—in order to assess their effectiveness in analyzing authentic user comments. A sample of comments was collected and analyzed, enabling the evaluation of the tools and the extraction of insights related to selected cultural and social phenomena, such as K-pop music, the LGBTQ+ community, sustainable fashion, digital celebrities, and the Fridays for Future movement, as well as local cultural manifestations such as the Patras Carnival.

The study also discusses key limitations, including the difficulty of detecting irony and the reduced accuracy of existing tools when applied to non-English content. It further highlights the need for the development of new tools and techniques that offer deeper semantic understanding and support Greek-language sentiment analysis, thereby ensuring greater accuracy and validity of results.