Analyse automatique d’arguments et apprentissage multi-tâches : un cas d’étude - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Revue Ouverte d'Intelligence Artificielle Année : 2022

Analyse automatique d’arguments et apprentissage multi-tâches : un cas d’étude

(1) , (1) , (1) , (2)
1
2

Résumé

Nous proposons une étude sur l’analyse automatique d’arguments via des techniques d’apprentissage supervisé exploitant le paradigme de l’apprentissage multi-tâches. Nous définissons pour cela une approche multi-tâches à base d’apprentissage profond que nous évaluons sur un cas d’étude spécifique portant sur l’extraction d’arguments dans un corpus de dissertations. Les résultats obtenus permettent de discuter l’intérêt de définir un modèle multi-tâches unique – optimisé sur différents critères en tirant parti de la diversité des tâches d’apprentissage auxquelles il est confronté – par rapport à un ensemble de classifieurs entraînés de manière indépendante et spécifique. Nous montrons en particulier l’impact de l’ajout de tâches auxiliaires de bas niveau, telles que l’étiquetage morpho-syntaxique et l’analyse de dépendances grammaticales, pour l’obtention de classifieurs multi-tâches performants. Nous observons aussi que l’apprentissage multi-tâches permet l’obtention de modèles efficaces de performances semblables à l’état de l’art pour le cas d’étude traité.
Fichier principal
Vignette du fichier
ROIA_2022__3_3-4_201_0.pdf (947.46 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-03638222 , version 1 (12-04-2022)

Identifiants

Citer

Jean-Christophe Mensonides, Sébastien Harispe, Jacky Montmain, Véronique Thireau. Analyse automatique d’arguments et apprentissage multi-tâches : un cas d’étude. Revue Ouverte d'Intelligence Artificielle, 2022, 3 (3-4), pp.201-222. ⟨10.5802/roia.29⟩. ⟨hal-03638222⟩
54 Consultations
44 Téléchargements

Altmetric

Partager

Gmail Facebook Twitter LinkedIn More