Identifying and annotating scientific uncertainty in scholarly texts : methods, frameworks, and applications: L'incertitude scientifique est au cœur du processus de recherche et de la construction de nouvelles connaissances. Cette thèse explore la manière dont l'incertitude est exprimée dans les textes académiques, en abordant les défis liés à son identification et à sa classification. Premièrement, la majorité des corpus annotés existants se concentrent sur des aspects spécifiques de l'incertitude — tels que l'atténuation (hedging), la négation ou la modalité — sans parvenir à en saisir toute la diversité à travers les disciplines scientifiques. Deuxièmement, la détection de l'incertitude scientifique est une tâche complexe à cause de la polysémie des indices linguistiques d'incertitude, dont le sens peut varier selon le contexte. Les approches antérieures ont souvent négligé le contexte linguistique et sémantique, ce qui peut entraîner des erreurs de classification. Troisièmement, l'expression de l'incertitude est linguistiquement complexe, stylistiquement variable, et peut dépendre des auteurs et des disciplines.Pour relever ces défis, ce travail propose : 1) un cadre d'annotation à cinq dimensions pour catégoriser l'incertitude de manière exhaustive ; 2) un corpus de référence annoté, comprenant 2,523 phrases extraites de 22 revues en sciences, technologies et médecine (STM) ainsi qu'en sciences humaines et sociales (SHS), et de 53 revues issues du dépôt SSOAR (Social Science Open Access Repository). Ce corpus constitue une ressource précieuse pour l'entraînement et l'évaluation de modèles de détection de l'incertitude, en assurant la reproductibilité des résultats et en rendant possible les recherches futures ; 3) un système appelé UnScientify, qui permet de détecter et d'annoter automatiquement l'incertitude scientifique dans des domaines variés. UnScientify est interprétable, efficace, et offre de bonnes performances tout en nécessitant peu de données annotées, ce qui en fait un outil adapté à des applications concrètes. En s'appuyant sur des motifs et des règles prédéfinis, le système atteint une précision et un rappel élevés, surpassant les grands modèles de langage (GMLs), avec une exactitude de 0,816, une précision de 0,952 pour les étiquettes de non-incertitude, et un rappel de 0,956 pour les étiquettes d'incertitude. Une validation externe a confirmé l'applicabilité du système à d'autres corpus, avec une amélioration de l'exactitude (0,841) et un rappel équilibré (0,803 pour l'incertitude, 0,885 pour la non-incertitude).