Η ενημέρωση των πολιτών για τις δημόσιες υπηρεσίες παραμένει δύσκολη, καθώς η πληροφορία για τις προϋποθέσεις και τα δικαιολογητικά κάθε διαδικασίας είναι εκτενής και ο πολίτης δυσκολεύεται να διαπιστώσει αν δικαιούται μια υπηρεσία, ιδίως όταν το δικαίωμά του εξαρτάται από συνδυασμό κριτηρίων. Για την αντιμετώπιση του προβλήματος, πρόσφατες ερευνητικές προσπάθειες αξιοποιούν τα Μεγάλα Γλωσσικά Μοντέλα, ώστε να παράγουν αυτόματα διαλόγους ελέγχου επιλεξιμότητας από τα δεδομένα του Εθνικού Μητρώου Διοικητικών Διαδικασιών (MITOS). Η αυτόματη αυτή παραγωγή εγείρει όμως ένα νέο ζήτημα: πώς σχεδιάζεται ένα prompt που παράγει σωστούς διαλόγους και, κυρίως, πώς αξιολογείται η ποιότητά τους με συστηματικό τρόπο. Στόχος της παρούσας εργασίας είναι η διερεύνηση και των δύο ερωτημάτων, δηλαδή ο σχεδιασμός μιας μεθόδου αυτόματης παραγωγής διαλόγων και η ανάπτυξη μιας μετρικής που αποτιμά πόσο πιστά αποδίδουν τη λογική επιλεξιμότητας κάθε υπηρεσίας.

Η μεθοδολογία περιλαμβάνει την ανάκτηση των δεδομένων των υπηρεσιών από το MITOS, την κατασκευή διαλόγων αναφοράς που αποτυπώνουν τη σωστή λογική κάθε υπηρεσίας, και τον σχεδιασμό δύο prompts: ενός για την αυτόματη παραγωγή των διαλόγων και ενός για την αξιολόγησή τους. Καθώς οι προϋποθέσεις μιας υπηρεσίας συχνά συνδυάζουν πολλαπλές απαιτήσεις σε ένα ενιαίο κείμενο, αναλύθηκαν σε επιμέρους κριτήρια, ώστε να αποδοθεί με σαφήνεια η λογική της επιλεξιμότητας. Και τα δύο prompts διαμορφώθηκαν μέσα από διαδοχικές εκδόσεις, με βάση τις αδυναμίες που εντοπίζονταν σε κάθε στάδιο. Παράλληλα διατυπώθηκε ορισμός της ισοδυναμίας δύο διαλόγων, στηριγμένος στη σύγκριση των λογικών διαδρομών που περιέχει ο καθένας.

Η προσέγγιση εφαρμόστηκε σε δύο πραγματικές υπηρεσίες του MITOS, τη χορήγηση δελτίων μετακίνησης ΑμεΑ και τη δράση «Κινούμαι Ηλεκτρικά ΙΙΙ», με χρήση δύο διαφορετικών γλωσσικών μοντέλων, το GPT-5.6 και το Claude Opus 4.7, τόσο για την παραγωγή όσο και για την αξιολόγηση των διαλόγων. Σε τρεις από τις τέσσερις μετρήσεις οι παραγόμενοι διάλογοι κρίθηκαν πλήρως ισοδύναμοι με τη λογική των δεδομένων και στην τέταρτη σχεδόν ισοδύναμοι, ενώ σε καμία περίπτωση δεν εντοπίστηκε σημείο απόφασης χωρίς τεκμηρίωση στα δεδομένα. Η προσέγγιση αναδεικνύει ωστόσο και τα όριά της, καθώς η ισοδυναμία ορίζεται λειτουργικά, σε επίπεδο prompt, και όχι μέσω τυπικής αναπαράστασης ανεξάρτητης από το γλωσσικό μοντέλο.

Informing citizens about public services remains difficult, as the information on the conditions and required documents of each procedure is extensive, and citizens struggle to determine whether they are entitled to a service, especially when eligibility depends on a combination of criteria. To address this problem, recent research efforts employ Large Language Models to automatically generate eligibility-checking dialogues from the data of the Greek National Registry of Administrative Procedures (MITOS). This automatic generation, however, raises a new question: how to design a prompt that produces correct dialogues and, above all, how to systematically assess their quality. This thesis investigates both questions, the design of an automatic dialogue-generation method and the development of a metric that measures how faithfully the dialogues reproduce each service's eligibility logic.

The methodology comprises retrieving service data from MITOS, constructing reference (ground-truth) dialogues that capture the correct logic of each service, and designing two prompts: one for generating dialogues and one for evaluating them. Since a service's conditions often combine multiple requirements in a single text, they were decomposed into individual criteria to express the eligibility logic clearly. Both prompts were refined through successive versions, based on weaknesses identified at each stage. In parallel, a definition of equivalence between two dialogues was formulated, based on comparing the distinct logical paths each of them contains.

The approach was applied to two real MITOS services, the issuance of disabled persons' travel cards and the "Kinoumai Ilektrika III" action, using two different language models, GPT-5.6 and Claude Opus 4.7, for both generation and evaluation. In three of the four measurements the generated dialogues were judged fully equivalent to the data logic and in the fourth nearly equivalent, while in no case was a decision point found without grounding in the data. The approach also reveals its limitations, since equivalence is defined functionally, at the prompt level, rather than through a formal representation independent of the language model.