@inproceedings{Naguib-Neveol-Tannier:CORIA-TALN:2023,
    author = "Naguib, Marco and N\'ev\'eol, Aur\'elie and Tannier, Xavier",
    title = "Strat\'egies d'apprentissage actif pour la reconnaissance d'entit\'es nomm\'ees en fran\c{c}ais",
    booktitle = "Actes de CORIA-TALN 2023. Actes de la 30e Conf\'erence sur le Traitement Automatique des Langues Naturelles (TALN),  volume 1 : travaux de recherche originaux - articles longs",
    month = "6",
    year = "2023",
    address = "Paris, France",
    publisher = "Association pour le Traitement Automatique des Langues",
    pages = "232-247",
    note = "",
    abstract = "L'annotation manuelle de corpus est un processus co\^uteux et lent, notamment pour la t\^ache de re-connaissance d'entit\'es nomm\'ees. L'apprentissage actif vise \`a rendre ce processus plus efficace, ens\'electionnant les portions les plus pertinentes \`a annoter. Certaines strat\'egies visent \`a s\'electionner lesportions les plus repr\'esentatives du corpus, d'autres, les plus informatives au mod\`ele de langage.Malgr\'e un int\'er\^et grandissant pour l'apprentissage actif, rares sont les \'etudes qui comparent cesdiff\'erentes strat\'egies dans un contexte de reconnaissance d'entit\'es nomm\'ees m\'edicales. Nous pro-posons une comparaison de ces strat\'egies en fonction des performances de chacune sur 3 corpus dedocuments cliniques en langue fran\c{c}aise : MERLOT, QuaeroFrenchMed et E3C. Nous comparonsles strat\'egies de s\'election mais aussi les diff\'erentes fa\c{c}ons de les \'evaluer. Enfin, nous identifions lesstrat\'egies qui semblent les plus efficaces et mesurons l'am\'elioration qu'elles pr\'esentent, \`a diff\'erentesphases de l'apprentissage.",
    keywords = "Reconnaissance d'entit\'es nomm\'ees, Documents cliniques, Apprentissage actif",
    url = "461213.pdf"
}