Η εργασία «Ανανεωμένη Επιστημονική Εικονογράφηση Βιοϊατρικού Περιεχομένου: Ανάπτυξη και Εφαρμογή του Ενιαίου Συστήματος Αξιολόγησης Επιστημονικών Εικονογραφήσεων (ΕΣΑΕΕ)» εστιάζει στην ανάπτυξη μιας ολοκληρωμένης μεθοδολογίας σχεδιασμού και αξιολόγησης επιστημονικών εικονογραφήσεων στο πεδίο της ιατρικής εκπαίδευσης. Σκοπός της είναι η δημιουργία ενός συστηματικού πλαισίου που ενώνει τη θεωρία του οπτικού γραμματισμού με τις σύγχρονες τεχνολογίες Τεχνητής Νοημοσύνης (ΤΝ), με στόχο τη βελτίωση της επιστημονικής ακρίβειας, της παιδαγωγικής αποτελεσματικότητας και της αισθητικής ποιότητας των βιοϊατρικών εικόνων.

Η μεθοδολογία της έρευνας περιλαμβάνει τέσσερις φάσεις:

(α) Ανάλυση Υφιστάμενων Εικονογραφήσεων, με αξιολόγηση βάσει του Ενιαίου Συστήματος Αξιολόγησης Επιστημονικών Εικονογραφήσεων (ΕΣΑΕΕ).

(β) Διατύπωση Σχεδιαστικών Αρχών, θεμελιωμένων σε θεωρίες όπως το Dual Coding (Paivio), το Cognitive Load (Mayer & Sweller) και το Visual Literacy Framework (Hattwig et al.).

(γ) Δημιουργία Νέων Εικονογραφήσεων, με συνδυασμό χειροποίητων και ψηφιακών τεχνικών μέσω εργαλείων όπως το Adobe Illustrator και Photoshop.

(δ) Αυτοματοποιημένη Αξιολόγηση με ΤΝ, με την ανάπτυξη του πρωτότυπου συστήματος MedIllustrator-AI v3.0, το οποίο βασίζεται σε πολυ-agent αρχιτεκτονική μέσω LangGraph orchestration.

Το σύστημα MedIllustrator-AI επιτρέπει πολυτροπική ανάλυση εικονογραφήσεων (οπτική, λεκτική, γνωστική και προσβασιμότητας), μεταφράζοντας τα κριτήρια του ΕΣΑΕΕ σε agents που αξιολογούν διαφορετικές διαστάσεις, όπως ο γνωστικός φόρτος, η ιατρική ορολογία και η συμμόρφωση WCAG 2.1. Η υλοποίηση βελτίωσε τη ταχύτητα επεξεργασίας κατά 60%, την ακρίβεια γνωστικής ανάλυσης κατά 35% και επέτρεψε παράλληλη εκτέλεση αξιολογήσεων με δυνατότητα ανθρώπινης επικύρωσης (human-in-the-loop).

Τα αποτελέσματα αποδεικνύουν ότι η συνδυασμένη εφαρμογή θεωρητικών μοντέλων και τεχνητής νοημοσύνης μπορεί να προσφέρει ένα νέο πρότυπο αντικειμενικής και εκπαιδευτικά τεκμηριωμένης αξιολόγησης επιστημονικών εικονογραφήσεων. Η εργασία καταλήγει στην πρόταση δημιουργίας μιας ανοικτής πλατφόρμας αξιολόγησης για μελλοντική χρήση σε πανεπιστημιακά και ερευνητικά περιβάλλοντα.

This thesis focuses on the development of a comprehensive methodology for designing and evaluating scientific illustrations in the field of biomedical education. The research introduces a systematic framework that combines principles of visual literacy with modern Artificial Intelligence (AI) technologies to enhance the scientific accuracy, pedagogical effectiveness, and aesthetic quality of biomedical images.

The proposed approach consists of four main stages: (a) analysis of existing scientific illustrations and identification of areas for improvement; (b) formulation of design principles based on theoretical models such as Dual Coding Theory, Cognitive Load Theory, and Visual Literacy Standards; (c) creation of new educational illustrations through a hybrid workflow combining traditional hand-drawing techniques with digital refinement; and (d) automated evaluation using the MedIllustrator-AI v3.0 platform, which implements a multi-agent architecture orchestrated through LangGraph.

The Unified System for the Evaluation of Scientific Illustrations (E.S.A.E.E.) serves as the core assessment framework, translating educational and visual criteria into computational parameters. Through this integration, the system enables multi-modal analysis of illustrations—covering visual, textual, cognitive, and accessibility dimensions. The results demonstrate a 60% improvement in processing efficiency, a 35% increase in cognitive-level accuracy, and enhanced reliability through human-in-the-loop validation.

Overall, the study proposes an innovative, evidence-based model for objective and theory-informed evaluation of scientific illustrations. Beyond its immediate application in biomedical education, the proposed framework establishes a foundation for future digital platforms that integrate AI-assisted assessment with educational design, fostering a new standard for scientific visualization and academic illustration quality.