Ce travail a pour objectif d’étudier la faisabilité de différentes techniques d’amplification des données textuelles (ADT) afin de contrer l’insuffisance de données pour entraîner de gros modèles statistiques, particulièrement en apprentissage profond. Pour franchir ce « mur des données massives », nous proposons de créer de nouvelles données à partir des données existantes. On dit aussi : données synthétiques, données générées ou données artificielles. Nous recherchons des techniques d’ADT pratiques, robustes, capables de monter en charge et simples à mettre en œuvre. Ces techniques de prétraitement s’inspirent des techniques utilisées avec succès en vision artificielle. Aux fins de comparaison, des techniques d’ADT existantes ont été expérimentées, comme l’injection de bruit ou l’emploi d’expressions régulières. D’autres ont été améliorées, comme la substitution lexicale. Enfin, des techniques plus innovatrices utilisent des services en ligne comme la rétrotraduction et la génération de paraphrases par transformation d’arbres syntaxiques. Les techniques d’ADT étudiées ont permis d’accroître l’exactitude de 0,5 à 8,8 %, sur une tâche de prédiction de la polarité de textes. Différentes architectures de réseau de neurones ont été testées : le perceptron multicouche (PMC), le réseau convolutif 1D (RNC 1D), le réseau récurrent à longue mémoire court terme (LMCT) et le réseau récurrent LMCT bidirectionnel (biLMCT).