Les modèles de reconnaissance d'entités nommées (NER) neuronaux peuvent facilement rencontrer le problème de surconfiance, qui dégrade les performances et la calibration. Inspirés par le lissage des étiquettes et motivés par l'ambiguïté de l'annotation des frontières dans l'ingénierie NER, nous proposons le lissage des frontières comme une technique de régularisation pour les modèles NER neuronaux basés sur des spans. Cette méthode réalloue les probabilités d'entités des spans annotés aux spans environnants. Basé sur un point de référence simple mais robuste, notre modèle obtient des résultats supérieurs ou comparables à ceux des systèmes précédents de pointe sur huit benchmarks NER bien connus. Une analyse empirique supplémentaire suggère que le lissage des frontières atténue efficacement la surconfiance, améliore la calibration du modèle, et apporte des minima neuronaux plus plats et des paysages de perte plus lisses.