Cette étude réévalue l'utilisation de la réécriture d'entrée pour améliorer les modèles en aval figés pour l'analyse du discours dialogique dans des conditions de déploiement réalistes où aucune supervision de clarification n'est disponible. Les auteurs constatent que la clarification de la dernière utterance est beaucoup moins fiable que ce que suggèrent les paramètres supervisés, car la réécriture agnostique au parseur introduit souvent plus de régressions que de réparations.
- Sur trois ensembles de données de Théorie de la Représentation du Discours Segmenté (SDRT) et plusieurs parseurs, l'analyse révèle que les modifications permettant des corrections perturbent fréquemment les indices discursifs sur lesquels le parseur s'appuie.
- Une analyse de réécriture « best-of-8 » montre un plafond pratique où une grande fraction d'erreurs ne sont pas réparables par la seule réécriture d'entrée.
- Un clarificateur conscient du parseur, entraîné avec GRPO, réduit les régressions jusqu'à 37 % en apprenant à s'abstenir de manière conservatrice, mais échoue toujours à produire des clarifications sensibles à la sélectivité qui améliorent systématiquement l'analyse.
Les résultats reconfigurent la clarification comme un problème d'intervention sélective et identifient la prédiction de la réécrivabilité comme la capacité manquante clé pour l'optimisation côté entrée des parseurs de discours figés.