تحليل سبب المشاعر (ECA) يهدف إلى استخراج الجمل العاطفية وتحديد السبب المقابل للمشاعر. تعتمد الطرق الحالية على نموذج التخصيص الدقيق (fine-tuning) لحل أنواع معينة من مهام ECA. ومع أن هذه الطرق المخصصة للمهام تُظهر أداءً جيدًا في مهامها المحددة، إلا أنها تعاني من نقص في العمومية، كما أن العلاقات بين الأهداف المتعددة ضمن مهمة واحدة لا تُنمذج بشكل صريح. علاوةً على ذلك، قد تؤدي المعلومات المتعلقة بالموقع النسبي التي تُدرج في معظم الطرق الحالية إلى تحيّز نموذج البيانات (dataset bias). ولحل المشكلتين الأولى والثانية، تُقدّم هذه الورقة طريقة توليف مُحفّزات عامة (universal prompt tuning) لمعالجة مهام ECA المختلفة ضمن إطار موحد. أما بالنسبة للمشكلة الثالثة، فقد صممت الورقة وحدة قيود اتجاهية (directional constraint module) ووحدة تعلّم تسلسلي (sequential learning module) لتقليل تأثير التحيّز. وبما أن المهام المختلفة تشترك في خصائص مشتركة، تم اقتراح طريقة تدريب متعددة المهام (cross-task training) لاستكشاف إمكانيات النموذج بشكل أعمق. أظهرت النتائج التجريبية أن طريقة الدراسة تحقق أداءً تنافسيًا على مجموعات بيانات ECA.