@inproceedings{naguib-etal-2024-reconnaissance,
title = "Reconnaissance d{'}entit{\'e}s cliniques en few-shot en trois langues",
author = "Naguib, Marco and
N{\'e}v{\'e}ol, Aur{\'e}lie and
Tannier, Xavier",
editor = "Balaguer, Mathieu and
Bendahman, Nihed and
Ho-dac, Lydia-Mai and
Mauclair, Julie and
G Moreno, Jose and
Pinquier, Julien",
booktitle = "Actes de la 31{\`e}me Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position",
month = "7",
year = "2024",
address = "Toulouse, France",
publisher = "ATALA and AFPC",
url = "https://aclanthology.org/2024.jeptalnrecital-taln.12",
pages = "169--197",
abstract = "Les grands mod{\`e}les de langage deviennent la solution de choix pour de nombreuses t{\^a}ches de traitement du langage naturel, y compris dans des domaines sp{\'e}cialis{\'e}s o{\`u} leurs capacit{\'e}s few-shot devraient permettre d{'}obtenir des performances {\'e}lev{\'e}es dans des environnements {\`a} faibles ressources. Cependant, notre {\'e}valuation de 10 mod{\`e}les auto-r{\'e}gressifs et 16 mod{\`e}les masqu{\'e}s montre que, bien que les mod{\`e}les auto-r{\'e}gressifs utilisant des prompts puissent rivaliser en termes de reconnaissance d{'}entit{\'e}s nomm{\'e}es (REN) en dehors du domaine clinique, ils sont d{\'e}pass{\'e}s dans le domaine clinique par des taggers biLSTM-CRF plus l{\'e}gers reposant sur des mod{\`e}les masqu{\'e}s. De plus, les mod{\`e}les masqu{\'e}s ont un bien moindre impact environnemental que les mod{\`e}les auto-r{\'e}gressifs. Ces r{\'e}sultats, coh{\'e}rents dans les trois langues {\'e}tudi{\'e}es, sugg{\`e}rent que les mod{\`e}les {\`a} apprentissage few-shot ne sont pas encore adapt{\'e}s {\`a} la production de REN dans le domaine clinique, mais pourraient {\^e}tre utilis{\'e}s pour acc{\'e}l{\'e}rer la cr{\'e}ation de donn{\'e}es annot{\'e}es de qualit{\'e}.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="naguib-etal-2024-reconnaissance">
<titleInfo>
<title>Reconnaissance d’entités cliniques en few-shot en trois langues</title>
</titleInfo>
<name type="personal">
<namePart type="given">Marco</namePart>
<namePart type="family">Naguib</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Aurélie</namePart>
<namePart type="family">Névéol</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Xavier</namePart>
<namePart type="family">Tannier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2024-07</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 31ème Conférence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position</title>
</titleInfo>
<name type="personal">
<namePart type="given">Mathieu</namePart>
<namePart type="family">Balaguer</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Nihed</namePart>
<namePart type="family">Bendahman</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Lydia-Mai</namePart>
<namePart type="family">Ho-dac</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Julie</namePart>
<namePart type="family">Mauclair</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Jose</namePart>
<namePart type="family">G Moreno</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Julien</namePart>
<namePart type="family">Pinquier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA and AFPC</publisher>
<place>
<placeTerm type="text">Toulouse, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Les grands modèles de langage deviennent la solution de choix pour de nombreuses tâches de traitement du langage naturel, y compris dans des domaines spécialisés où leurs capacités few-shot devraient permettre d’obtenir des performances élevées dans des environnements à faibles ressources. Cependant, notre évaluation de 10 modèles auto-régressifs et 16 modèles masqués montre que, bien que les modèles auto-régressifs utilisant des prompts puissent rivaliser en termes de reconnaissance d’entités nommées (REN) en dehors du domaine clinique, ils sont dépassés dans le domaine clinique par des taggers biLSTM-CRF plus légers reposant sur des modèles masqués. De plus, les modèles masqués ont un bien moindre impact environnemental que les modèles auto-régressifs. Ces résultats, cohérents dans les trois langues étudiées, suggèrent que les modèles à apprentissage few-shot ne sont pas encore adaptés à la production de REN dans le domaine clinique, mais pourraient être utilisés pour accélérer la création de données annotées de qualité.</abstract>
<identifier type="citekey">naguib-etal-2024-reconnaissance</identifier>
<location>
<url>https://aclanthology.org/2024.jeptalnrecital-taln.12</url>
</location>
<part>
<date>2024-7</date>
<extent unit="page">
<start>169</start>
<end>197</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Reconnaissance d’entités cliniques en few-shot en trois langues
%A Naguib, Marco
%A Névéol, Aurélie
%A Tannier, Xavier
%Y Balaguer, Mathieu
%Y Bendahman, Nihed
%Y Ho-dac, Lydia-Mai
%Y Mauclair, Julie
%Y G Moreno, Jose
%Y Pinquier, Julien
%S Actes de la 31ème Conférence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position
%D 2024
%8 July
%I ATALA and AFPC
%C Toulouse, France
%G French
%F naguib-etal-2024-reconnaissance
%X Les grands modèles de langage deviennent la solution de choix pour de nombreuses tâches de traitement du langage naturel, y compris dans des domaines spécialisés où leurs capacités few-shot devraient permettre d’obtenir des performances élevées dans des environnements à faibles ressources. Cependant, notre évaluation de 10 modèles auto-régressifs et 16 modèles masqués montre que, bien que les modèles auto-régressifs utilisant des prompts puissent rivaliser en termes de reconnaissance d’entités nommées (REN) en dehors du domaine clinique, ils sont dépassés dans le domaine clinique par des taggers biLSTM-CRF plus légers reposant sur des modèles masqués. De plus, les modèles masqués ont un bien moindre impact environnemental que les modèles auto-régressifs. Ces résultats, cohérents dans les trois langues étudiées, suggèrent que les modèles à apprentissage few-shot ne sont pas encore adaptés à la production de REN dans le domaine clinique, mais pourraient être utilisés pour accélérer la création de données annotées de qualité.
%U https://aclanthology.org/2024.jeptalnrecital-taln.12
%P 169-197
Markdown (Informal)
[Reconnaissance d’entités cliniques en few-shot en trois langues](https://aclanthology.org/2024.jeptalnrecital-taln.12) (Naguib et al., JEP/TALN/RECITAL 2024)
ACL