Cet article présente les résultats d'expériences portant sur diverses stratégies visant à améliorer la détection de l'humour et du sarcasme par mélange de codes. Nous avons exploré trois approches : (i) le mélange d'échantillons de langue maternelle, (ii) l'apprentissage multitâche (MTL) et (iii) l'optimisation par incitation et instruction d'un modèle linguistique multilingue à grande échelle (VMLM). L'optimisation par incitation et instruction consistait à ajouter des échantillons de tâches monolingues à l'ensemble d'apprentissage par mélange de codes, tandis que l'apprentissage par MTL consistait à utiliser des échantillons de langue maternelle et de code mixte provenant d'une tâche sémantiquement liée (détection de la haine dans cette étude). Enfin, nous avons évalué l'efficacité du VMLM par l'optimisation par incitation contextuelle et instruction, réalisée sur plusieurs essais. Les résultats expérimentaux ont montré que l'ajout d'échantillons de langue maternelle améliorait la détection de l'humour et du sarcasme (augmentations du score F1 jusqu'à 6,76 % et 8,64 % respectivement). L'apprentissage du MLM dans le cadre du MTL a encore amélioré la détection de l'humour et du sarcasme (augmentations du score F1 jusqu'à 10,67 % et 12,35 % respectivement). En revanche, les techniques d'incitation et d'affinement des instructions du VMLM n'ont pas surpassé les autres approches. De plus, des études d'ablation et des analyses d'erreurs ont permis d'identifier les points à améliorer dans le modèle, et le code a été rendu public pour garantir sa reproductibilité.
