. Dans, nous nous sommes intéressés à la tâche de détection de thème Les performances , sur notre corpus, de plusieurs méthodes ont été présentées Après avoir combiné les différentes méthodes de détection de thème dans un but d'améliorer les performances, nous nous sommes rendus compte que le thème de certains paragraphes n'était pas correctement reconnu, Nous avons alors étudié les raisons de ce mauvais étiquetage, et plus particulièrement nous nous sommes penchés sur le thème de référence accordé aux paragraphes de test

. Cependant-sur-certains, Nous avons ainsi étudié dans quelle proportion les avis des étiqueteurs divergaient en exploitant notamment la statistique Kappa et l'erreur de Bayes. Nous en avons ainsi dérivé le taux d'erreur sur notre corpus de test (15.7%) et nous avons pu conclure qu

B. A. and S. K. Haton-j, Nouvelle approche de la sélection de vocabulaire pour la détection de thème, Traitement Automatique des Langues Naturelles (TALN2003), pp.45-54, 2003.

K. R. De-mori-r, A Cache-Based Natural Language Model for Speech Recognition, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.12, issue.6, pp.570-582, 1990.
DOI : 10.1016/B978-044481607-8/50065-7

M. J. Ng-k, J. P. , and G. H. Rohlicek-j, Approaches to Topic Identification On The Switchboard Corpus, IEEE Transactions on Acoustics, Speech, and Signal Processing, pp.385-388, 1994.

S. K. Rosenfeld-r, Using Story Topics for Language Model Adaptation, Proceeding of the European Conference on Speech Communication and Technology, 1997.

W. E. and P. J. Weigend-a, A neural network approach to topic spotting, Fourth Annual Symposium on Document Analysis and Information Retrieval, SDAIR-95, pp.317-332, 1995.