@inproceedings{boyer-neveol-2018-detection,
    title = "D{\'e}tection automatique de phrases en domaine de sp{\'e}cialit{\'e} en fran{\c{c}}ais (Sentence boundary detection for specialized domains in {F}rench )",
    author = "Boyer, Arthur  and
      N{\'e}v{\'e}ol, Aur{\'e}lie",
    editor = "S{\'e}billot, Pascale  and
      Claveau, Vincent",
    booktitle = "Actes de la Conf{\'e}rence TALN. Volume 1 - Articles longs, articles courts de TALN",
    month = "5",
    year = "2018",
    address = "Rennes, France",
    publisher = "ATALA",
    url = "https://preview.aclanthology.org/jlcl-multiple-ingestion/2018.jeptalnrecital-court.2/",
    pages = "205--214",
    language = "fra",
    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."
}