Cet article explore l'application du machine learning à l'indexation thématique automatique, en utilisant deux sous-corpus tirés des Œuvres complètes de Voltaire comme cas d'étude. La tâche est formulée comme un problème de classification multi-label où les modèles attribuent des entrées d'index aux pages de texte.
- L'étude compare des modèles basés sur l'encodeur avec des têtes de classification à des grands modèles de langage génératifs (LLM) affinés via l'Adaptation de Bas Rang (LoRA).
- Les tailles des modèles varient d'environ 3 à 120 milliards de paramètres.
- Le modèle le plus performant, un modèle de la famille Mistral en configuration quantifiée 4-bit, atteint des scores F1 jusqu'à 0.67.
- Les auteurs soutiennent que ces chiffres représentent des bornes inférieures en raison de la subjectivité inhérente à l'indexation professionnelle.
Les résultats ont des implications pour fournir un accès thématique structuré à des corpus littéraires et historiques à grande échelle.