@inproceedings{Bobkova-Zanella-Calzada-Tafoughalt-Teboul-Plesse-Gaschi:CORIA-TALN:2025,
    author = {Bobkova, Natalia and Zanella-Calzada, Laura and Tafoughalt, Anyes and Teboul, Rapha\"el and Plesse, Fran\c{c}ois and Gaschi, F\'elix},
    title = "Structuration Automatique de la Posologie en Fran\c{c}ais : Quel r\^ole pour les LLMs ?",
    booktitle = "Actes de CORIA-TALN-RJCRI-RECITAL 2025. Actes de l'atelier Traitement du langage m\'edical \`a l{\textquoteright}\'epoque des LLMs 2025 (MLP-LLM)",
    month = "6",
    year = "2025",
    address = "Marseille, France",
    publisher = "Association pour le Traitement Automatique des Langues",
    pages = "49-67",
    note = "",
    abstract = {La structuration automatique de posologie est essentielle pour fiabiliser la m\'edication et permettre une assistance \`a la prescription m\'edicale. Les textes de prescriptions en fran\c{c}ais pr\'esentent tr\`es souvent des ambigu{\"\i}t\'es, des variabilit\'es syntaxiques, et des expressions colloquiales, ce qui limite l{\textquoteright}efficacit\'e des approches classiques de machine learning. Nous \'etudions ici l{\textquoteright}emploi de Grands Mod\`eles de Langages (LLM) pour structurer les textes de posologie en comparant des m\'ethodes fond\'ees sur le prompt-engineering et le fine-tuning de LLM avec un syst\`eme ''pr\'e-LLM'' fond\'e sur un algorithme de reconnaissance et liaison d{\textquoteright}entit\'es nomm\'ees (NERL). Nos r\'esultats montrent que seuls les LLM fine-tun\'es atteignent la pr\'ecision du mod\`ele de r\'ef\'erence. L{\textquoteright}analyse des erreurs r\'ev\`ele une compl\'ementarit\'e des deux approches : notre NERL permet une structuration plus pr\'ecise, mais les LLMs captent plus efficacement les nuances s\'emantiques. Ainsi, nous proposons le mod\`ele hybride suivant : faire appel \`a un LLM en cas de faible confiance en la sortie du NERL (\ensuremath{<}0.8) selon notre propre score de confiance. Cette strat\'egie nous permet d{\textquoteright}atteindre une pr\'ecision de 91\\% tout en minimisant le temps de latence. Nos r\'esultats sugg\`erent que cette approche hybride am\'eliore la pr\'ecision de la structuration de posologie tout en limitant le co\^ut computationnel, ce qui en fait une solution scalable pour une application clinique en conditions r\'eelles.},
    keywords = "TAL, Larges Mod\`eles de Langage, TAL clinique, TAL m\'edical.",
    url = "https://talnarchives.atala.org/ateliers/2025/MLP-LLM/179.pdf"
}