Η παρούσα Διπλωματική Εργασία (ΔΕ) επικεντρώνεται στην αυτόματη δημιουργία
ερωτήσεων από εκπαιδευτικό κυρίως κείμενο με αξιοποίηση τεχνικών επεξεργασίας
φυσικής γλώσσας NLP και μοντέλων βαθιάς μάθησης με απώτερο σκοπό την παραγωγή
διαδραστικών κουίζ σε μορφή H5P η οποία είναι συμβατή με ευρέως χρησιμοποιούμενα
συστήματα διαχείρισης μάθησης, όπως το Moodle.
Αναπτύχθηκε εφαρμογή σε γλώσσα προγραμματισμού Python που υλοποιεί ένα
αυτοματοποιημένο αγωγό (pipeline) επεξεργασίας κειμένου με φόρτωση κειμένου txt και pdf, ανίχνευση γλώσσας, γλωσσολογική ανάλυση μέσω της βιβλιοθήκης Stanza, και
ολοκληρώνεται με την παραγωγή quiz μορφής Single Choice και Fill in the blanks,
χρησιμοποιώντας προεκπαιδευμένο γλωσσικό μοντέλο T5. Για εναλλακτικές απαντήσεις
(distractors) στις Single Choice ερωτήσεις, χρησιμοποιούνται σημασιολογικά συναφείς
όροι, που αντλούνται από το WordNet, Wikipedia API και συμπληρωματικά από
υπάρχοντες όρους του κειμένου.
Αναλύονται οι βασικές έννοιες του NLP, η αρχιτεκτονική Transformer, το μοντέλο T5, οι
σύγχρονες προσεγγίσεις AQG, οι λεξικοσημασιολογικοί πόροι που χρησιμοποιούνται για
distractors και το πρότυπο H5P ως μηχανισμός διάθεσης επαναχρησιμοποιήσιμου
εκπαιδευτικού περιεχομένου.
Για την αξιολόγηση της ποιότητας των παραγόμενων ερωτήσεων εφαρμόζεται μετρική
ROUGE, ενώ η εφαρμογή διαθέτει γραφικό περιβάλλον χρήστη υλοποιημένο μέσω της
βιβλιοθήκης Gradio της Python

This Thesis focuses on the automatic generation of questions from primarily educational text by leveraging Natural Language Processing (NLP) techniques and deep learning models, with the ultimate goal of producing interactive quizzes in H5P format, which is compatible with widely used learning management systems such as Moodle.
An application was developed in the Python programming language that implements an
automated text-processing pipeline, including the loading of .txt and .pdf files, language detection, linguistic analysis through the Stanza library and concluding in the production of Single Choice and Fill in the Blanks quizzes, using a pre-trained language model T5. For alternative answer options (distractors) in Single Choice quizzes, semantically related terms are used, drawn from WordNet, the Wikipedia API and from existing terms in the text itself.
The thesis analyzes the core concepts of NLP, the Transformer architecture, the T5 model, contemporary AQG approaches, the lexical-semantic resources used for distractor generation, and the H5P standard as a mechanism for delivering reusable educational content.
For the evaluation of the quality of the generated questions, the ROUGE metric is applied, while the application also includes a graphical user interface implemented through Python’s Gradio library