Nous présentons une méthode simple, mais surprenamment efficace, de self-training pour un système de parseur-réarrangeur en deux phases, en utilisant des données non étiquetées facilement disponibles. Nous montrons qu’un tel processus d’amorçage est réalisable pour la grammaire lorsque les analyses obtenues par amorçage sont traitées par un réarrangeur discriminatif. Notre modèle amélioré atteint un score F de 92,1 %, soit une amélioration absolue de 1,1 % (réduction de 12 % de l’erreur) par rapport au meilleur résultat précédent pour le parsing du Wall Street Journal. Enfin, nous fournissons une analyse approfondie afin de mieux comprendre ce phénomène.