@inproceedings{sejourne-etal-2025-evaluation,
    title = "{\'E}valuation Comparative de la G{\'e}n{\'e}ration Contrainte vs. du Post-Parsing pour l{'}Analyse de Contenu par {LLM}s : {\'E}tude sur le Corpus {EU}vs{D}isinfo",
    author = "S{\'e}journ{\'e}, K{\'e}vin  and
      Foucher, Marine  and
      Lata, Alexandru  and
      Lebraty, Jean-Fabrice",
    editor = "Bechet, Fr{\'e}d{\'e}ric  and
      Chifu, Adrian-Gabriel  and
      Pinel-sauvagnat, Karen  and
      Favre, Benoit  and
      Maes, Eliot  and
      Nurbakova, Diana",
    booktitle = "Actes de l'atelier {\'E}valuation des mod{\`e}les g{\'e}n{\'e}ratifs (LLM) et challenge 2025 (EvalLLM)",
    month = "6",
    year = "2025",
    address = "Marseille, France",
    publisher = "ATALA {\textbackslash}{\textbackslash}{\&} ARIA",
    url = "https://preview.aclanthology.org/corrections-2025-10/2025.jeptalnrecital-evalllm.11/",
    pages = "127--137",
    language = "fra",
    abstract = "Les Grands Mod{\`e}les de Langage (LLM) sont de plus en plus int{\'e}gr{\'e}s dans des applications n{\'e}cessitant des sorties format{\'e}es. Deux approches principales existent : instruire le LLM de g{\'e}n{\'e}rer directement la structure (e.g., JSON, SQL) puis la parser (post-parsing), ou utiliser des techniques de g{\'e}n{\'e}ration contrainte garantissant la syntaxe. Cette {\'e}tude compare rigoureusement ces deux m{\'e}thodes sur une t{\^a}che d{'}analyse de d{\'e}sinformation {\`a} grande {\'e}chelle ( 17k documents du corpus EUvsDisinfo) en utilisant quatre LLM (Llama-3.3 70B, DeepSeek R1 70B, Qwen 72B, Gemma 3 27B) et plusieurs temp{\'e}ratures de g{\'e}n{\'e}ration. Nos r{\'e}sultats indiquent que la g{\'e}n{\'e}ration contrainte offre une fiabilit{\'e} syntaxique quasi parfaite, tandis que le post-parsing est op{\'e}rationnellement plus robuste mais g{\'e}n{\`e}re davantage d{'}erreurs de formatage."
}