@inproceedings{Thirion-Sen-Abrougui-Lechien-Nouvel:CORIA-TALN:2025,
    author = "Thirion Sen, Shami and Abrougui, Rime and Lechien, Guillaume and Nouvel, Damien",
    title = "Apprentissage Actif \`a l{\textquoteright}\`ere des Grands Mod\`eles de Langue (LLMs)",
    booktitle = "Actes de CORIA-TALN-RJCRI-RECITAL 2025. Actes de la session industrielle de CORIA-TALN 2025",
    month = "6",
    year = "2025",
    address = "Marseille, France",
    publisher = "Association pour le Traitement Automatique des Langues",
    pages = "1-16",
    note = "",
    abstract = "En TAL, la performance des mod\`eles d\'epend fortement de la qualit\'e et de la quantit\'e des donn\'ees annot\'ees. Lorsque ces ressources sont limit\'ees, l'apprentissage actif (Active Learning) offre une solution efficace en s\'electionnant les \'echantillons les plus pertinents \`a annoter. Traditionnellement, cette t\^ache est r\'ealis\'ee par des annotateurs humains, mais nous explorons ici le potentiel du grand mod\`ele de langue Mixtral-8x7B pour g\'en\'erer automatiquement ces annotations. Nous analysons l'influence de l'augmentation des donn\'ees dans un processus d'apprentissage actif pour la reconnaissance d'entit\'es nomm\'ees, ainsi que l'impact du prompt et des hyper-param\`etres sur la qualit\'e des annotations. Les \'evaluations conduites sur le corpus WiNER montrent que, malgr\'e l'absence d'annotations manuelles, cette approche permet d'obtenir des performances comparables \`a notre baseline, tout en r\'eduisant de 80 \\% la quantit\'e des donn\'ees.",
    keywords = "Apprentissage actif annotation automatique Reconnaissance d'Entit\'es Nomm\'ees Grands Mod\`eles de Langue (LLMs) Augmentation des Donn\'ees",
    url = "https://talnarchives.atala.org/TALN/TALN-2025/129.pdf"
}