Die Emotionsursachenanalyse (ECA) zielt darauf ab, Emotionsklause zu extrahieren und die entsprechenden Ursachen der Emotionen zu identifizieren. Bisherige Ansätze verwenden das Fine-Tuning-Paradigma, um bestimmte Arten von ECA-Aufgaben zu lösen. Diese auf spezifische Aufgaben zugeschnittenen Methoden weisen eine geringe Allgemeingültigkeit auf, und die Beziehungen zwischen mehreren Zielen innerhalb einer Aufgabe werden nicht explizit modelliert. Darüber hinaus kann die in den meisten bestehenden Methoden eingeführte relative Positionsinformation dazu führen, dass das Modell an Datensatz-Bias leidet. Um die ersten beiden Probleme anzugehen, schlägt dieser Artikel eine universelle Prompt-Tuning-Methode vor, die verschiedene ECA-Aufgaben innerhalb eines einheitlichen Rahmens löst. Was das dritte Problem betrifft, wird ein gerichteter Beschränkungsmodul und ein sequenzielles Lernmodul entworfen, um den Bias zu verringern. Unter Berücksichtigung der Gemeinsamkeiten zwischen verschiedenen Aufgaben wird zudem ein cross-task Training-Ansatz vorgeschlagen, um das Modellpotential weiter auszuschöpfen. Die experimentellen Ergebnisse zeigen, dass unsere Methode auf ECA-Datensätzen wettbewerbsfähige Leistung erzielt.