Les études de recherche existantes sur l'extraction de relations inter-sentences dans des conversations multipartites à long format visent à améliorer l'extraction de relations sans tenir compte de l'explicabilité de ces méthodes. Ce travail comble cette lacune en se concentrant sur l'extraction d'explications indiquant qu'une relation existe, tout en utilisant uniquement des données partiellement étiquetées. Nous proposons notre cadre agnostique par rapport au modèle, D-REX, un algorithme semi-supervisé guidé par une politique qui explique et classe les relations. Nous formulons l'extraction de relations comme une tâche de réclassement et incluons des explications spécifiques aux relations et aux entités comme une étape intermédiaire du processus d'inférence. Nous constatons que près de 90 % du temps, les annotateurs humains préfèrent les explications fournies par D-REX à celles d'un modèle robuste d'extraction conjointe de relations basé sur BERT et d'explication. Enfin, nos évaluations sur un ensemble de données d'extraction de relations dans les dialogues montrent que notre méthode est simple mais efficace et atteint un score F1 record en extraction de relations, améliorant les méthodes existantes de 13,5 %.