Η παρούσα διπλωματική εργασία επικεντρώνεται στη σχεδίαση και ανάπτυξη μιας διαδικτυακής εφαρμογής ανάλυσης συναισθήματος, η οποία επιτρέπει την εισαγωγή και επεξεργασία αναρτήσεων από κοινωνικά δίκτυα ή άλλες πηγές κειμένου. Στόχος της εφαρμογής είναι να προσφέρει στον χρήστη τη δυνατότητα να αναλύει το περιεχόμενο κειμένων με τη χρήση μοντέλων Τεχνητής Νοημοσύνης (ΤΝ) και να εξάγει αξιόπιστες αναφορές συναισθήματος, υποστηρίζοντας λήψη αποφάσεων και εξαγωγή χρήσιμων συμπερασμάτων.

Η υλοποίηση βασίστηκε στη χρήση Python, Flask και MongoDB για τη διαχείριση των χρηστών και των αναλύσεων. Στη συγκεκριμένη εφαρμογή ο χρήστης μπορεί να ανεβάζει αρχεία κειμένου (.txt ή .docx) τα οποία είναι γραμμένα κατά βάση στα Ελληνικά και να επιλέγει μία από τις διαθέσιμες μεθόδους ανάλυσης συναισθήματος: BERT, VADER ή TextBlob, ενώ παρέχεται και η δυνατότητα σύγκρισης των τριών μοντέλων για το ίδιο κείμενο. Τα αποτελέσματα εμφανίζονται τόσο σε αριθμητική μορφή όσο και οπτικοποιημένα μέσω γραφήματος (Bar Chart), καθώς και με τη χρήση emoticons για ευκολότερη κατανόηση από τον απλό χρήστη.

Η εφαρμογή διαθέτει λειτουργίες διαχείρισης χρηστών με έγκριση από διαχειριστή, ιστορικό αναλύσεων με φίλτρα αναζήτησης ανά μήνα και τύπο ανάλυσης, καθώς και δυνατότητα εξαγωγής των αποτελεσμάτων σε αρχεία CSV. Μέσα από τη σύγκριση των μοντέλων διαπιστώθηκαν διαφορές στην αποτίμηση του συναισθήματος, γεγονός που υποδεικνύει την ανάγκη σωστής επιλογής αλγορίθμου ανάλογα με τη φύση του κειμένου. Η εφαρμογή επιτυγχάνει τον στόχο της παρέχοντας ένα χρήσιμο εργαλείο τόσο για επαγγελματίες όσο και για οργανισμούς που επιθυμούν να παρακολουθούν ή να αναλύουν την ψυχολογία του κοινού τους μέσα από τις αναρτήσεις.

This thesis focuses on the design and development of a web-based sentiment analysis application, which allows the import and processing of posts from social networks or other text sources. The aim of the application is to offer the user the ability to analyze the content of texts using Artificial Intelligence (AI) models and to extract reliable sentiment reports, supporting decision-making and extracting useful conclusions.

The implementation was based on the use of Python, Flask and MongoDB for the management of users and analyses. In this application, the user can upload text files (.txt or .docx) which are mainly written in Greek and choose one of the available sentiment analysis methods: BERT, VADER or TextBlob, while the possibility of comparing the three models for the same text is also provided. The results are displayed both in numerical form and visualized through graph (Bar Chart), as well as with the use of emoticons for easier understanding by the average user.

The application features user management functions with administrator approval, analysis history with search filters by month and analysis type, as well as the ability to export results to CSV files. Through the comparison of the models, differences were found in the assessment of emotion, which indicates the need for the right choice of algorithm depending on the nature of the text. The application achieves its goal by providing a useful tool for both professionals and organizations that wish to monitor or analyze the psychology of their audience through posts.