Les structures de discours conversationnelles visent à décrire l’organisation d’un dialogue, ce qui les rend particulièrement utiles pour la compréhension du dialogue et la génération de réponses. Ce papier se concentre sur la prédiction des structures de dépendance discursives dans les dialogues multipartites. Les travaux antérieurs ont adopté des méthodes incrémentales, qui exploitent les caractéristiques des relations discursives déjà prédites afin d’aider à générer la suivante. Bien que ces approches tiennent compte des inter-correlations entre les prédictions, nous constatons que la propagation des erreurs est particulièrement sévère et nuit fortement à la performance globale. Pour atténuer ce phénomène, nous proposons un modèle appelé Structure Self-Aware (SSA), qui utilise un nouveau réseau de neurones graphiques centré sur les arêtes (edge-centric GNN) pour mettre à jour progressivement les informations entre chaque paire d’unités discursives élémentaires (EDU), couche après couche, permettant ainsi d’apprendre des représentations expressives sans dépendre des prédictions antérieures. En outre, nous introduisons des signaux d’entraînement auxiliaires (par exemple, la distillation de structure) afin d’améliorer l’apprentissage des représentations. Notre modèle atteint de nouveaux états de l’art sur deux benchmarks de parsing du discours conversationnel, surpassant largement les méthodes précédentes.