Malgré les récents succès obtenus par plusieurs réseaux prototypiques à deux étapes dans la tâche de reconnaissance de noms propres en peu d’exemples (few-shot NER), deux problèmes restent particulièrement difficiles : les faux segments surdétections à l’étape de détection des segments, et la construction inexacte et instable des prototypes à l’étape de classification par type. Dans cet article, nous proposons un cadre novateur, nommé TadNER, basé sur une décomposition consciente du type (Type-Aware Decomposed), afin de résoudre ces défis. Nous introduisons tout d’abord une stratégie de filtrage de segments consciente du type, qui élimine les segments faux en supprimant ceux dont le sens s’écarte significativement des noms de type. Ensuite, nous proposons une stratégie d’apprentissage contrastif consciente du type, permettant de construire des prototypes plus précis et plus stables en exploitant conjointement les échantillons d’appui et les noms de type comme références. Des expériences étendues sur divers benchmarks démontrent que notre cadre TadNER atteint une nouvelle performance de pointe (state-of-the-art). Le code et les données seront disponibles à l’adresse suivante : https://github.com/NLPWM-WHU/TadNER.