@inproceedings{Boyer-Neveol:TALN:2018,
    author = "Boyer,Arthur and N\'{e}v\'{e}ol,Aur\'{e}lie",
    title = "D\'{e}tection automatique de phrases en domaine de sp\'{e}cialit\'{e} en fran\c{c}ais",
    booktitle = "Actes de la Conf\'{e}rence TALN - Volume 1 - Articles longs, articles courts de TALN",
    month = "5",
    year = "2018",
    address = "Rennes, France",
    publisher = "Association pour le Traitement Automatique des Langues",
    pages = "205-214",
    note = "Sentence boundary detection for specialized domains in French",
    abstract = "La d\'{e}tection de fronti\`{e}res de phrase est g\'{e}n\'{e}ralement consid\'{e}r\'{e} comme un probl\`{e}me r\'{e}solu. Cependant, les outils performant sur des textes en domaine g\'{e}n\'{e}ral, ne le sont pas forcement sur des domaines sp\'{e}cialis\'{e}s, ce qui peut engendrer des d\'{e}gradations de performance des outils intervenant en aval dans une cha\^{\i}ne de traitement automatique s'appuyant sur des textes d\'{e}coup\'{e}s en phrases. Dans cet article, nous \'{e}valuons 5 outils de segmentation en phrase sur 3 corpus issus de diff\'{e}rent domaines. Nous r\'{e}-entrainerons l'un de ces outils sur un corpus de sp\'{e}cialit\'{e} pour \'{e}tudier l'adaptation en domaine. Notamment, nous utilisons un nouveau corpus biom\'{e}dical annot\'{e} sp\'{e}cifiquement pour cette t\^{a}che. La detection de fronti\`{e}res de phrase \`{a} l'aide d'un mod\`{e}le OpenNLP entra\^{\i}n\'{e} sur un corpus clinique offre une F-mesure de .73, contre .66 pour la version standard de l'outil.",
    keywords = "Segmentation en phrases, domaine de sp\'{e}cialit\'{e}, \'{e}valuation.",
    url = "https://talnarchives.atala.org/TALN/TALN-2018/73.pdf"
}