Les réponses aux questions ouvertes sont précieuses, car elles reflètent les points de vue des répondants sans être limitées par des options prédéfinies. La classification semi-automatisée combine des approches manuelles et algorithmiques : les réponses faciles à classer sont codées automatiquement, tandis que les plus difficiles sont traitées manuellement. Pour atteindre un niveau cible de précision globale du codage, il est nécessaire que la précision prévue des réponses codées automatiquement soit bien calibrée. Nous démontrons empiriquement que les probabilités de classe issues d'algorithmes populaires sont souvent mal calibrées, ce qui nuit à l'efficacité de la prise de décision dans le codage semi-automatisé. Nos résultats montrent que le recalibrage peut améliorer de manière considérable le calibrage des probabilités et ainsi renforcer l'efficacité des systèmes de classification semi-automatisés.