Nous examinons les capacités d’un cadre unifié et multitâche pour trois tâches d’extraction d’information : la reconnaissance d’entités nommées, l’extraction de relations et l’extraction d’événements. Notre cadre (appelé DyGIE++) réalise toutes ces tâches en énumérant, affinant et notant des segments de texte conçus pour capturer à la fois le contexte local (à l’intérieur des phrases) et le contexte global (entre phrases). Ce cadre atteint des résultats de pointe sur toutes les tâches, sur quatre jeux de données provenant de divers domaines. Nous menons des expériences comparant différentes techniques de construction de représentations de segments. Les embeddings contextualisés tels que BERT se révèlent efficaces pour capter les relations entre entités situées dans la même phrase ou dans des phrases adjacentes, tandis que les mises à jour dynamiques du graphe de segments modélisent efficacement les relations à longue portée entre phrases. Par exemple, la propagation des représentations de segments via des liens de coreférénce prédits permet au modèle de lever l’ambiguïté de mentions d’entités complexes. Notre code est disponible publiquement à l’adresse https://github.com/dwadden/dygiepp et peut être facilement adapté à de nouvelles tâches ou jeux de données.