أصبح نموذج التدريب المسبق والضبط الدقيق (pre-training and fine-tuning) الإطار الرئيسي في مجال تحليل مشاعر الجوانب (Aspect-Based Sentiment Analysis - ABSA). وعلى الرغم من الأداء المتميز الذي حققه في المجالات التي تحتوي على كم كبير من التسميات الدقيقة للجوانب والمشاعر، إلا أن تنفيذ تحليل مشاعر الجوانب في ظل عدد قليل من الأمثلة (few-shot ABSA) يظل تحديًا كبيرًا في المجالات التي تفتقر إلى التسميات اليدوية الكافية. في هذه الدراسة، نجادل بأن نوعين من الفجوات – وهي فجوة المجال (domain gap) وفجوة الهدف (objective gap) – تعيقان نقل المعرفة من النماذج اللغوية المدربة مسبقًا (PLMs) إلى مهام تحليل مشاعر الجوانب. ولحل هذه المشكلة، نقدم إطارًا بسيطًا ولكن فعّالًا يُسمى FS-ABSA، والذي يشمل تدريبًا مسبقًا مُعدّلًا حسب المجال، وضبطًا تدريجيًا يعتمد على تعبئة النص (text-infilling). ونُعامل مهمة تحليل مشاعر الجوانب من البداية إلى النهاية (End-to-End ABSA) كمشكلة تعبئة نصية، ونُجري التدريب المسبق المُعدّل حسب المجال باستخدام هدف تعبئة النص، مما يقلل من كلا الفجوات وبالتالي يُسهّل نقل المعرفة. تُظهر التجارب أن النموذج الناتج يحقق أداءً أكثر تفوقًا من النماذج الأساسية في بيئة التدريب القليل (few-shot)، كما يُسهم في رفع مستوى الأداء الحدّي (state-of-the-art) إلى مستوى جديد عبر مختلف المجموعات في بيئة التدريب الكامل (fully-supervised). علاوةً على ذلك، نطبّق إطارنا على لغتين منخفضتي الموارد غير الإنجليزية لتأكيد عموميته وفعاليته.