💬 NLP

MiNER: A Two-Stage Pipeline for Metadata Extraction from Municipal Meeting Minutes

Cet article propose un pipeline en deux étapes combinant un modèle de réponse à des questions et des modèles Transformer pour extraire les métadonnées des procès-verbaux municipaux, établissant ainsi le premier benchmark dans ce domaine et démontrant des performances supérieures à celles des grands modèles de langage généralistes, bien que la généralisation inter-municipaux reste limitée.

Auteurs originaux : Rodrigo Batista, Luís Filipe Cunha, Purificação Silvano, Nuno Guimarães, Alípio Jorge, Evelin Amorim, Ricardo Campos

Publié 2026-03-30

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rodrigo Batista, Luís Filipe Cunha, Purificação Silvano, Nuno Guimarães, Alípio Jorge, Evelin Amorim, Ricardo Campos

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🏛️ Le Problème : Une Bibliothèque en Désordre

Imaginez que vous êtes dans une immense bibliothèque municipale. Sur les étagères, il y a des milliers de cahiers de comptes rendus de réunions (les "minutes"). Ces cahiers racontent ce qui s'est passé : qui était là, à quelle heure, où, et quelles décisions ont été prises.

Le problème ? Chaque maire et chaque secrétaire écrit ces cahiers à sa manière.

Parfois, la date est en haut, parfois en bas.
Parfois, la liste des participants est dans un tableau, parfois dans un paragraphe.
Le style change d'une ville à l'autre.

Si vous voulez trouver rapidement "quand s'est tenue la réunion de Porto" ou "qui a voté", c'est comme chercher une aiguille dans une botte de foin. Les robots classiques (les modèles d'intelligence artificielle génériques) sont très forts pour reconnaître des choses simples comme "c'est un nom de personne" ou "c'est un lieu", mais ils se perdent complètement dans ce chaos administratif spécifique. Ils ne savent pas où chercher l'information précise.

🛠️ La Solution : La Méthode "MiNER" (Le Détective à Deux Étapes)

Les auteurs de l'article ont créé un outil appelé MiNER. Au lieu de lancer un robot géant et coûteux sur tout le texte, ils ont conçu une équipe de deux petits détectives qui travaillent en séquence. C'est comme si vous aviez un chasseur suivi d'un triporteur.

Étape 1 : Le Chasseur (Détection des Bords)

Avant de lire le contenu, il faut savoir où regarder.

L'analogie : Imaginez que vous cherchez une recette de cuisine dans un livre de 500 pages. Au lieu de lire chaque mot, vous utilisez un index pour sauter directement aux pages "Entrées" et "Desserts".
Ce que fait MiNER : Une première intelligence artificielle (un modèle de "Question-Réponse") scanne le document pour trouver exactement où commence et où finit la section importante (le début et la fin de la réunion). Elle coupe le gros document pour ne garder que les 5 ou 10 lignes cruciales.
Le gain : On élimine 90 % du bruit (le texte inutile) et on se concentre uniquement sur la zone où les informations se cachent.

Étape 2 : Le Triporteur (Extraction Fine)

Une fois qu'on a la petite section pertinente, on passe au deuxième détective.

L'analogie : Maintenant que vous avez la page de la recette, vous prenez un surligneur pour entourer précisément : "2 œufs", "10 minutes", "Four à 180°".
Ce que fait MiNER : Ce deuxième modèle lit la petite section extraite et identifie les détails précis : la date, l'heure de début, l'heure de fin, le nom du président, etc.
L'astuce secrète (La "Déslexicalisation") : Pour que le robot apprenne à reconnaître n'importe quelle ville, les auteurs lui ont appris à "oublier" les noms propres. Au lieu de lire "M. Silva de Porto", le robot voit "M. [PERSONNE] de [VILLE]". C'est comme si on lui apprenait la grammaire de la recette sans se soucier des ingrédients spécifiques, ce qui lui permet de comprendre n'importe quelle ville, même celle qu'il n'a jamais vue.

🚀 Pourquoi c'est mieux que les "Super-Robots" (LLM) ?

Aujourd'hui, tout le monde parle des "Géants" de l'IA (comme Gemini ou les gros modèles de chat). On pourrait penser qu'un géant peut tout faire. Mais ici, les chercheurs ont fait un test intéressant :

Le Géant (Gemini) : Il est très intelligent, mais il est lent, coûteux à faire tourner (il consomme beaucoup d'électricité, comme un gros camion) et il est souvent confus. Il a tendance à inventer des réponses ou à rater des détails importants dans ce contexte très technique.
L'Équipe MiNER (Spécialisée) : C'est une petite voiture de course. Elle est faite spécifiquement pour ce circuit.
- Vitesse : Elle est 1 800 fois plus rapide.
- Écologie : Elle pollue 400 fois moins (moins de carbone).
- Précision : Elle est beaucoup plus précise pour extraire les données structurées.

📉 Les Limites et le Futur

Même si MiNER est excellent, il a un petit défaut : il est un peu "timide" quand il change de ville. Si on l'entraîne sur les réunions de Porto et qu'on le teste sur celles de Braga, il fait quelques erreurs. C'est comme un détective qui connaît parfaitement le quartier du centre-ville mais qui se perd dans les banlieues.

Cependant, l'article montre qu'il suffit de lui montrer une seule nouvelle réunion annotée pour qu'il apprenne très vite à travailler dans cette nouvelle ville.

🎯 En Résumé

MiNER est une méthode intelligente pour transformer des documents administratifs chaotiques en données propres et utilisables.

Au lieu de tout lire, on cherche d'abord la bonne page (Étape 1).
Au lieu de tout analyser, on extrait juste les infos clés (Étape 2).
Au lieu d'utiliser un géant lent et cher, on utilise un petit spécialiste rapide et écolo.

C'est une victoire pour l'efficacité : on obtient de meilleurs résultats, plus vite, et en polluant moins, ce qui est crucial pour numériser l'administration publique.

1. Problématique

Les procès-verbaux des réunions municipales sont des documents officiels cruciaux pour la gouvernance locale, mais leur exploitation par des systèmes de récupération d'information (RI) est entravée par plusieurs facteurs :

Hétérogénéité : Les documents présentent des formats et des styles d'écriture très variés selon les municipalités.
Absence de standardisation : Les métadonnées essentielles (numéro de réunion, date, lieu, participants, heures de début/fin) ne sont pas structurées de manière uniforme.
Limites des modèles existants : Les modèles de Reconnaissance d'Entités Nommées (NER) pré-entraînés sur des catégories générales (personnes, organisations) échouent à capturer ces métadonnées spécifiques au domaine. De plus, les modèles de type LLM (Large Language Models) génériques peinent à extraire ces informations de manière structurée et efficace.
Défi de la localisation : Avant même d'extraire les entités, il faut localiser les segments de texte pertinents au sein de documents souvent longs et bruyants.

2. Méthodologie : Le Pipeline MiNER

Les auteurs proposent MiNER, un pipeline en deux étapes conçu pour surmonter ces obstacles :

Étape 1 : Détection des Limites des Métadonnées (MBD - Metadata Boundary Detection)

Objectif : Identifier les segments de texte d'ouverture et de fermeture de chaque document où les métadonnées sont concentrées, afin de réduire le bruit pour l'étape suivante.
Approche : Utilisation d'un modèle de Question-Réponse (QA) de type extractif (inspiré de SQuAD v2).
Fonctionnement : Pour chaque document, deux prompts interrogent le modèle pour trouver les positions des premières et dernières phrases des segments pertinents. Le modèle retourne soit un span de texte, soit une prédiction nulle.
Résultat : Une région de texte réduite ( $R$ ) est extraite et passée à l'étape 2.

Étape 2 : Reconnaissance d'Entités de Métadonnées (MER - Metadata Entity Recognition)

Objectif : Extraire et classifier les entités spécifiques au sein du segment réduit $R$ .
Modèles : Utilisation de modèles basés sur l'architecture Transformer :
- BERTimbau (pour le portugais).
- XLM-RoBERTa (pour l'anglais et le multilingue).
- Ces modèles sont utilisés avec ou sans une couche CRF (Conditional Random Field) pour optimiser la séquence de tags.
Technique de généralisation (Deslexicalisation) : Pour améliorer la capacité du modèle à généraliser d'une municipalité à l'autre, une fonction de deslexicalisation est appliquée avant l'entraînement :
- Les noms de participants et de lieux sont remplacés par des valeurs synthétiques (via la librairie Faker) avec une probabilité de 60 %.
- Les dates et heures sont variées aléatoirement (30 %).
- Les mentions de municipalités sont remplacées par un token placeholder (@MUNICIPIO).

3. Contributions Clés

Pipeline Hybride : Combinaison innovante d'une détection de segments basée sur le QA et d'une NER fine, spécifiquement adaptée aux procès-verbaux municipaux.
Nouveau Dataset et Benchmark : Introduction du jeu de données CitiLink, contenant 120 procès-verbaux municipaux portugais (6 municipalités) annotés manuellement avec 8 catégories de métadonnées (numéro, date, lieu, type de réunion, participants, etc.). Une version traduite en anglais est également fournie.
Modèles et Code Ouverts : Publication des modèles affinés et du code source pour établir une référence dans ce domaine.
Analyse Comparative LLM : Évaluation rigoureuse comparant l'approche spécialisée aux LLMs généralistes (Phi et Gemini), incluant des métriques de coût d'inférence et d'empreinte carbone.

4. Résultats Expérimentaux

Performance de Détection (MBD)

Le modèle XLM-RoBERTa dépasse largement les baselines non supervisées (BM25, Dense Retriever) avec un score F1 de 0,826 en portugais et 0,714 en anglais.
La baisse de performance en anglais est attribuée au bruit de traduction et aux limites du transfert inter-langues.

Performance d'Extraction (MER)

Performance Globale : Les modèles Transformer affinés atteignent des scores F1 exceptionnels (0,96 pour BERTimbau en portugais, 0,94 pour XLM-RoBERTa+Deslex en anglais).
Catégories : Les métadonnées structurelles (date, heure, numéro) sont extraites avec une précision quasi parfaite (F1 = 1,00). Les entités liées aux participants (présents, absents, remplacés) montrent plus de variabilité, notamment pour les membres absents ou substitués.
Généralisation (Leave-One-Out) : La performance diminue lors du test sur une municipalité non vue durant l'entraînement (F1 chute à 0,80 en portugais et 0,72 en anglais). Cela souligne la difficulté liée à la variabilité stylistique entre les communes.
Apprentissage Incremental : Avec seulement 3 à 5 minutes annotées par municipalité, le modèle atteint un score F1 > 0,95, démontrant une adaptation rapide avec peu de données.

Comparaison avec les LLMs (Phi et Gemini)

Performance : Les LLMs généralistes sont nettement moins performants (Gemini : F1 = 0,27) et produisent des sorties fragmentées.
Efficacité : Le pipeline MiNER est 1 800 fois plus rapide (0,4 s vs 737 s) et émet 400 fois moins de CO2 que les LLMs pour la même tâche.
Conclusion : Pour l'extraction de métadonnées structurées dans ce domaine, les modèles spécialisés surpassent les LLMs en précision, coût et impact environnemental.

5. Signification et Conclusion

Ce travail établit la première référence (benchmark) pour l'extraction de métadonnées à partir de procès-verbaux municipaux. Il démontre que :

Une approche en deux étapes (localisation des segments + NER) est supérieure à une extraction directe sur le document complet, car elle réduit le bruit et accélère l'entraînement (de 50 min à 1 min).
Les modèles de petite taille, finement ajustés sur le domaine, sont plus efficaces et écologiques que les LLMs massifs pour des tâches d'extraction structurée.
La principale limitation réside dans la généralisation inter-municipale due à la diversité linguistique et structurelle des documents, suggérant que des stratégies d'adaptation fine (fine-tuning) ou des représentations agnostiques au domaine sont nécessaires pour les travaux futurs.

En résumé, MiNER offre une solution robuste, efficace et durable pour transformer des documents administratifs non structurés en données exploitables pour la recherche et la gouvernance.