La simplification des résumés de publications scientifiques constitue une méthode courante pour diffuser les découvertes scientifiques à un public plus large. Alors que la résumé de texte vise à réduire la longueur des documents, la simplification cherche à diminuer leur complexité. Pour accomplir ces deux tâches conjointement, il est nécessaire de développer des méthodes d'apprentissage automatique capables de raccourcir et de simplifier des textes longs. Cette étude présente un nouveau modèle de résumé de texte conscient de la simplification, appelé SATS (Simplification Aware Text Summarization), basé sur la prédiction des n-grammes futurs. Le modèle SATS étend ProphetNet, un modèle de résumé de texte, en améliorant sa fonction objectif grâce à une lexique de fréquence des mots spécifiquement conçu pour les tâches de simplification. Nous avons évalué les performances de SATS sur un corpus récemment publié comprenant 5 400 paires d'articles scientifiques, dédié à la tâche de résumé et de simplification. Nos résultats d'évaluation automatique montrent que SATS surpasse les modèles de pointe pour la simplification, le résumé et la simplification-résumé conjointe sur deux jeux de données, selon les métriques ROUGE, SARI et CSS1. Nous avons également mené une évaluation humaine des résumés générés par le modèle SATS. Cent résumés ont été évalués par huit annotateurs selon cinq critères : grammaire, cohérence, consistance, fluidité et simplicité. Les jugements moyens des évaluateurs pour chacun des critères se situent entre 4,0 et 4,5 sur une échelle de 1 à 5, où 1 indique une qualité faible et 5 une qualité élevée.