La reconnaissance d'entités nommées supervisée à distance (DS-NER) est largement utilisée dans des scénarios réels, mais elle souffre du problème du bruit d'étiquetage. Les méthodes existantes, basées sur le cadre enseignant-élève, présentent des limites : elles génèrent des échantillons pseudo-étiquetés incorrects en raison de la faible fiabilité du réseau enseignant, ce qui entraîne une propagation d'erreurs. Pour résoudre ces problèmes, nous proposons dans cet article (1) un apprentissage par l'enseignant tenant compte de l'incertitude afin de réduire le nombre de pseudo-étiquettes incorrectes en exploitant l'incertitude de prédiction, et (2) un apprentissage collaboratif entre élèves afin de réduire la dépendance aux pseudo-étiquettes et d'explorer pleinement les échantillons mal étiquetés grâce à une propagation fiable des étiquettes entre les deux réseaux d'élèves. La méthode proposée surpasse les méthodes DS-NER de pointe sur cinq jeux de données DS-NER.
