Dans le Test de Clôture Narrative (Story Cloze Test), un système est présenté avec une séquence de quatre phrases constituant le début d'une histoire, et doit déterminer laquelle des deux fins potentielles est la « bonne » fin de l'histoire. Des travaux antérieurs ont montré qu'il était possible d'obtenir une haute précision sur cette tâche en ignorant l'ensemble d'entraînement et en formant un modèle sur l'ensemble de validation, en raison des différences stylistiques entre les fins des histoires dans l'ensemble d'entraînement et ceux des ensembles de validation et de test. En suivant cette approche, nous présentons une méthode entièrement neuronale simplifiée pour le Test de Clôture Narrative, utilisant des plongements skip-thought (skip-thought embeddings) des histoires dans un réseau à alimentation directe (feed-forward network) qui atteint une performance proche de l'état de l'art sur cette tâche sans aucune ingénierie de caractéristiques. Nous constatons également que prendre en compte uniquement la dernière phrase du début au lieu de l'intégralité du début permet d'obtenir une précision plus élevée avec notre méthode.