Cette recherche s’attaque aux limites des modèles préentraînés (PTMs) dans la génération de résumés abstraits précis et complets pour les articles scientifiques, en mettant l’accent particulier sur les défis posés par la recherche médicale. La solution proposée, nommée simplification et résumé de textes médicaux (MedTSS), introduit un module dédié conçu pour enrichir le texte source destiné aux PTMs. MedTSS permet de surmonter les problèmes liés aux limites de longueur des tokens, de renforcer la représentation de plusieurs concepts clés, et de réduire les hallucinations d’entités, sans nécessiter d’entraînement supplémentaire. En outre, ce module effectue une analyse linguistique afin de simplifier les résumés générés, particulièrement adaptée à la complexité inhérente aux articles de recherche médicale. Les résultats montrent une amélioration significative : MedTSS permet d’augmenter le score Rouge-1 de 16,46 à 35,17, sans recourir à un nouvel entraînement. En mettant l’accent sur des composants fondés sur le savoir, ce cadre offre une perspective originale, remettant en question le récit courant selon lequel « plus de données » ou « plus de paramètres » sont toujours la solution. Cette approche alternative, particulièrement pertinente dans les domaines de la santé, représente une contribution plus large au domaine du traitement automatique des langues (NLP). MedTSS constitue ainsi un modèle innovant qui non seulement répond aux spécificités du résumé de la recherche médicale, mais ouvre également une nouvelle voie, avec des implications pour divers domaines au-delà de son cadre initial.