Die Fähigkeit, Informationen verschiedener Arten zu konsolidieren, bildet den Kern der Intelligenz und hat einen enormen praktischen Wert, indem das Lernen für eine Aufgabe von allgemeinen Erkenntnissen profitiert, die für andere Aufgaben erworben wurden. In dieser Arbeit beschäftigen wir uns mit der anspruchsvollen Aufgabe, die Leistungsfähigkeit des semantischen Parsens zu verbessern, wobei wir das UCCA-Parsing als Testfall und das AMR-, SDP- und Universal Dependencies (UD)-Parsing als Nebenaufgaben betrachten. Wir führen Experimente auf drei Sprachen durch, wobei ein einheitliches transformatives System und eine einheitliche Lernarchitektur für alle Parsing-Aufgaben verwendet werden. Trotz bemerkenswerter konzeptioneller, formaler und domänenbezogener Unterschiede zeigen wir, dass das Multitask-Lernen die UCCA-Parsing-Leistung sowohl in in-domain- als auch in out-of-domain-Einstellungen signifikant verbessert.