Wir stellen InstructABSA vor, ein Anweisungslernparadigma für die Teilbereiche der aspect-basierten Sentimentanalyse (ABSA). Unsere Methode fügt jedem Trainingsbeispiel positive, negative und neutrale Beispiele hinzu und passt das Modell (Tk-Instruct) durch Anweisungen für die ABSA-Teilaufgaben an, was zu erheblichen Leistungsverbesserungen führt. Experimentelle Ergebnisse auf den Datensätzen von SemEval 2014, 2015 und 2016 zeigen, dass InstructABSA die bisherigen Standesmethoden (SOTA) in den Teilbereichen Termauswahl (ATE), Sentimentklassifizierung (ATSC) und Sentimentpaarextraktion (ASPE) übertrifft. Insbesondere übertreffen die Ergebnisse von InstructABSA die bisherigen Standesmethoden (SOTA) im Teilbereich ATE von Rest14 um 5,69 Prozentpunkte, im Teilbereich ATSC von Rest15 um 9,59 Prozentpunkte und im Teilbereich AOPE von Lapt14 um 3,37 Prozentpunkte, wobei es dabei Modellen mit siebenmal größerer Kapazität überlegen ist. Wir erzielen auch wettbewerbsfähige Ergebnisse in den Teilbereichen AOOE, AOPE und AOSTE, was eine starke Generalisierungsfähigkeit auf alle Teilaufgaben zeigt. Eine Untersuchung der Stichprobeneffizienz ergibt, dass lediglich 50 % der Trainingsdaten erforderlich sind, um wettbewerbsfähige Ergebnisse mit anderen Anweisungstuning-Ansätzen zu erzielen. Schließlich bewerten wir die Qualität der Anweisungen und beobachten, dass die Leistung von InstructABSA bei Hinzufügen irreführender Beispiele um etwa 10 % abnimmt.