@inproceedings{meoni-etal-2023-annotation,
    title = "Annotation d`entit{\'e}s cliniques en utilisant les Larges Mod{\`e}les de Langue",
    author = "Meoni, Simon  and
      Ryffel, Th{\'e}o  and
      De La Clergerie, Eric",
    editor = "Servan, Christophe  and
      Vilnat, Anne",
    booktitle = "Actes de CORIA-TALN 2023. Actes de la 30e Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles (TALN), volume 1 : travaux de recherche originaux -- articles longs",
    month = "6",
    year = "2023",
    address = "Paris, France",
    publisher = "ATALA",
    url = "https://preview.aclanthology.org/jlcl-multiple-ingestion/2023.jeptalnrecital-long.15/",
    pages = "190--203",
    language = "fra",
    abstract = "Dans le domaine clinique et dans d`autres domaines sp{\'e}cialis{\'e}s, les donn{\'e}es sont rares du fait de leur caract{\`e}re confidentiel. Ce manque de donn{\'e}es est un probl{\`e}me majeur lors du fine-tuning de mod{\`e}les de langue.Par ailleurs, les mod{\`e}les de langue de tr{\`e}s grande taille (LLM) ont des performances prometteuses dans le domaine m{\'e}dical. N{\'e}anmoins, ils ne peuvent pas {\^e}tre utilis{\'e}s directement dans les infrastructures des {\'e}tablissements de sant{\'e} pour des raisons de confidentialit{\'e} des donn{\'e}es. Nous explorons une approche d`annotation des donn{\'e}es d`entra{\^i}nement avec des LLMs pour entra{\^i}ner des mod{\`e}les de moins grandes tailles mieux adapt{\'e}s {\`a} notre probl{\'e}matique. Cette m{\'e}thode donne des r{\'e}sultats prometteurs pour des t{\^a}ches d`extraction d`information"
}