Η παρούσα διπλωματική εργασία εξετάζει τη λειτουργία του διαλογικού συστήματος τεχνητής νοημοσύνης Ph-D A.I. (PhysicsDialog AI) στην ενότητα «Μάζα και Βάρος» του Γυμνασίου. Το σύστημα αναπτύχθηκε στο πλαίσιο της εργασίας και παρέχεται μέσω της πλατφόρμας imathia-edu.gr. Συνδυάζει αρχές διαλογικής διδασκαλίας, τη φόρτωση επιλεγμένων σχολικών σημειώσεων στο γλωσσικό μοντέλο ως απλοποιημένη, τοπική προσέγγιση Ανάκτησης-Ενισχυμένης Παραγωγής (Retrieval-Augmented Generation, RAG), χωρίς σημασιολογική ή διανυσματική αναζήτηση, και το προτεινόμενο πλαίσιο αξιολόγησης VCLRCl-Q. Το πλαίσιο περιλαμβάνει είκοσι ελέγχους ανά αιτιολόγηση, πέντε για καθέναν από τους δείκτες Validity (Εγκυρότητα), Logic (Λογική), Regulation (Εκπαιδευτική καταλληλότητα) και Clarity (Σαφήνεια), καθώς και πέντε ελέγχους Consistency (Συνέπεια), οι οποίοι εφαρμόζονται στο τέλος του κουίζ.

Η μελέτη ακολουθεί διερευνητική προσέγγιση μελέτης περίπτωσης και εξετάζει τρία συνθετικά σενάρια που εκτελέστηκαν στην εφαρμογή. Τα δύο ενσωματώνουν προκαθορισμένες παρανοήσεις σχετικές με τη μάζα και το βάρος, ενώ το τρίτο λειτουργεί ως σενάριο αναφοράς. Οι αιτιολογήσεις διαμορφώθηκαν και εισήχθησαν από τον ερευνητή ως συνθετικές αλληλεπιδράσεις. Η ανάλυση βασίστηκε σε χειροκίνητα αντίγραφα των διαλόγων, στις βαθμολογίες κάθε ερώτησης και στις τελικές αξιολογήσεις του συστήματος.

Ο μέσος συνολικός δείκτης Q υπολογίστηκε σε 0,35, 0,36 και 1,00, σε συμφωνία με τις τιμές του συστήματος. Η ανάλυση ανέδειξε ότι η σαφής διατύπωση μπορεί να συνυπάρχει με επιστημονικά εσφαλμένη αιτιολόγηση. Ο δείκτης συνέπειας C ήταν 0,40 στα δύο πρώτα σενάρια και 1,00 στο σενάριο αναφοράς. Στο Σενάριο 2 η τιμή αντιστοιχεί σε συγκεκριμένη αντίφαση μεταξύ ισχυρισμών, ενώ στο Σενάριο 1 αποτυπώνει τη συνολική κρίση του μοντέλου για το κουίζ. Η ανατροφοδότηση ακολούθησε τη σχολική διάκριση μάζας και βάρους και η διαλογική ακολουθία των τριών ρόλων τηρήθηκε σε όλες τις ερωτήσεις.

Η συμβολή της εργασίας εστιάζει στον σχεδιασμό και στη λειτουργική διερεύνηση ενός συστήματος που συνδυάζει αιτιολόγηση πριν από την ανατροφοδότηση, τρεις παιδαγωγικούς ρόλους και πολυδιάστατη περιγραφική αξιολόγηση. Τα ευρήματα τεκμηριώνουν τη λειτουργία του συστήματος στα συγκεκριμένα συνθετικά σενάρια και διαμορφώνουν τη βάση για επόμενη εμπειρική αξιολόγηση. Ως επόμενα βήματα προτείνονται η εφαρμογή με πραγματικούς μαθητές, η ανεξάρτητη αξιολόγηση των ίδιων απαντήσεων από ειδικούς και η διερεύνηση της αξιοπιστίας και της εγκυρότητας του πλαισίου.

This thesis examines the operation of the dialogic artificial intelligence system Ph-D A.I. (PhysicsDialog AI) in the lower-secondary instructional unit "Mass and Weight." The system was developed as part of the study and is available through the imathia-edu.gr platform. It combines principles of dialogic teaching, the loading of selected school notes into the language model as a simplified, local Retrieval-Augmented Generation (RAG) approach without semantic or vector-based retrieval, and the proposed VCLRCl-Q assessment framework. The framework includes twenty checks per explanation, five for each of the indicators Validity, Logic, Regulation (suitability for the educational level), and Clarity, as well as five Consistency checks applied at the end of the quiz.

The study follows an exploratory case-study approach and examines three synthetic scenarios executed in the application. Two incorporate predefined misconceptions concerning mass and weight, while the third serves as a reference scenario. The explanations were designed and entered by the researcher as synthetic interactions. The analysis was based on manually copied dialogues, the scores of each question, and the system's final assessments.

The mean Q scores were calculated as 0.35, 0.36, and 1.00, respectively, in agreement with the values reported by the system. The analysis showed that clear expression can coexist with scientifically incorrect reasoning. The Consistency score C was 0.40 in the first two scenarios and 1.00 in the reference scenario. In Scenario 2, the value corresponds to a specific contradiction between claims, whereas in Scenario 1 it reflects the model's overall judgment of the quiz. Feedback followed the school-level distinction between mass and weight, and the three-role dialogue sequence was maintained in every question.

The contribution of the study lies in the design and functional exploration of a system that combines explanation before feedback, three pedagogical roles, and multidimensional descriptive assessment. The findings document the operation of the system in the specific synthetic scenarios and provide a basis for subsequent empirical evaluation. Next steps include implementation with real students, independent expert assessment of the same responses, and investigation of the reliability and validity of the framework.