Η παρούσα διπλωματική εργασία πραγματεύεται τον σχεδιασμό και την αξιολόγηση ενός πολυκριτηριακού συστήματος συστάσεων για τον σχηματισμό ομάδων σε περιβάλλοντα εξ αποστάσεως συνεργατικής μάθησης. Στόχος είναι η βελτιστοποίηση της σύνθεσης των ομάδων, λαμβάνοντας υπόψη τα πολυδιάστατα χαρακτηριστικά των φοιτητών. Η κεντρική συμβολή της εργασίας είναι τετραπλή: α) η πρόταση μιας ολοκληρωμένης μεθοδολογίας για την κατασκευή πολυδιάστατων προφίλ φοιτητών που συνδυάζουν δείκτες ακαδημαϊκής επίδοσης, συμμετοχής, κοινωνικής αλληλεπίδρασης και πιθανής απογοήτευσης, β) ο σχεδιασμός ενός ερμηνεύσιμου συστήματος συστάσεων, γ) η δημιουργία ενός συνθετικού συνόλου δεδομένων υψηλής δομικής πιστότητας για την αρχική αξιολόγηση και δ) η ανάπτυξη ενός πλαισίου αξιολόγησης βασισμένου σε μετρικές παιδαγωγικής λειτουργικότητας και δομικής ισορροπίας.

Για την υλοποίηση, η προτεινόμενη προσέγγιση αξιοποιεί μεθόδους Ανάλυσης Κοινωνικών Δικτύων (SNA) και Εκπαιδευτικής Εξόρυξης Δεδομένων και θεμελιώνεται στη Θεωρία της Κοινωνικής Αλληλεξάρτησης. Αναπτύχθηκε ένα συνθετικό σύνολο δεδομένων που προσομοιώνει αρχεία καταγραφής και βαθμολογίες από την πλατφόρμα Moodle. Για κάθε εικονικό φοιτητή κατασκευάστηκε ένα πολυδιάστατο προφίλ, το οποίο τροφοδοτεί έναν άπληστο (greedy) αλγόριθμο σχηματισμού ομάδων. Ο αλγόριθμος ενσωματώνει τα ευρήματα της ανάλυσης ομοφιλίας στα κριτήρια σύστασης και συγκρίνεται πειραματικά με δύο μεθόδους αναφοράς.

Στο πλαίσιο της υπολογιστικής αξιολόγησης, τα αποτελέσματα κατέδειξαν σαφή υπεροχή της προτεινόμενης μεθόδου. Όλες οι ομάδες που σχηματίστηκαν περιλάμβαναν τουλάχιστον ένα μέλος εκτός της κατηγορίας «Ανεπαρκής Αλληλεπίδραση». Παράλληλα, αξιοποίησε το σύνολο των διαθέσιμων φοιτητών του ενεργού πυρήνα (53 άτομα), επιτυγχάνοντας τον μέγιστο δυνατό αριθμό ομάδων με ενεργό πυρήνα. Παράλληλα, παρατηρήθηκαν σημαντικά χαμηλότερες αποκλίσεις στην κατανομή των χαρακτηριστικών των ομάδων. Η στατιστική ευστάθεια των αποτελεσμάτων διερευνήθηκε μέσω 100 τυχαίων εκτελέσεων, όπου η προτεινόμενη μέθοδος εμφάνισε σταθερή υπεροχή έναντι του τυχαίου σχηματισμού στις περισσότερες μετρικές αξιολόγησης. Η μεθοδολογία έχει σχεδιαστεί με στόχο τη γενίκευσή της, ενώ η μελλοντική έρευνα θα εστιάσει στην εφαρμογή και την παιδαγωγική αξιολόγησή της σε πραγματικά δεδομένα από το Moodle.

This thesis addresses the design and evaluation of a multicriteria recommender system for student group formation in distance collaborative learning environments. Its aim is to optimize group composition by taking into account the multidimensional characteristics of students. The main contribution of the study is fourfold: (a) the proposal of an integrated methodology for constructing multidimensional student profiles that combine indicators of academic performance, participation, social interaction, and potential frustration; (b) the design of an interpretable recommender system; (c) the creation of a synthetic dataset with high structural fidelity for the initial evaluation of the methodology; and (d) the development of an evaluation framework based on metrics of pedagogical functionality and structural balance.

For its implementation, the proposed approach employs Social Network Analysis (SNA) and Educational Data Mining methods and is grounded in Social Interdependence Theory. A synthetic dataset was developed to simulate Moodle activity logs and grade records. A multidimensional profile was constructed for each virtual student and used as input to a greedy group formation algorithm. The algorithm incorporates the findings of the homophily analysis into its recommendation criteria and is experimentally compared with two baseline methods.

The computational evaluation demonstrated a clear advantage of the proposed method. All generated groups included at least one member who was not classified under the “Insufficient Interaction” category. In addition, the method distributed all 53 available active-core students across distinct groups, thereby achieving the maximum possible number of groups with an active core. Substantially lower deviations were also observed in the distribution of group characteristics. The statistical stability of the results was examined through 100 random runs, in which the proposed method consistently outperformed random group formation across most evaluation metrics. The methodology was designed with generalizability in mind, while future research will focus on its application and pedagogical evaluation using real-world Moodle data.