L'identification de l'intention d'une citation dans les articles scientifiques (par exemple, informations de contexte, utilisation de méthodes, comparaison de résultats) est cruciale pour la lecture automatique des publications individuelles et l'analyse automatisée de la littérature scientifique. Nous proposons des échafaudages structuraux, un modèle multitâche qui intègre les informations structurelles des articles scientifiques dans les citations afin d'assurer une classification efficace des intentions de citation. Notre modèle atteint un nouveau niveau d'état de l'art sur un jeu de données existant de l'anthologie ACL (ACL-ARC), avec une augmentation absolue de 13,3 % du score F1, sans recourir à des ressources linguistiques externes ou à des caractéristiques conçues manuellement comme c'est le cas dans les méthodes actuelles. De plus, nous introduisons un nouveau jeu de données d'intentions de citation (SciCite) qui est plus de cinq fois plus grand et couvre plusieurs domaines scientifiques par rapport aux jeux de données existants. Notre code et nos données sont disponibles à l'adresse suivante : https://github.com/allenai/scicite.