La capacité à consolider des informations de différents types est au cœur de l'intelligence et présente une valeur pratique considérable en permettant que l'apprentissage pour une tâche bénéficie des généralisations acquises pour d'autres tâches. Dans cet article, nous abordons la tâche ardue d'améliorer les performances de l'analyse sémantique, en prenant comme cas d'étude l'analyse UCCA (Universal Conceptual Cognitive Annotation) et en utilisant l'analyse AMR (Abstract Meaning Representation), SDP (Semantic Dependency Parsing) et Universal Dependencies (UD) comme tâches auxiliaires. Nous menons nos expériences sur trois langues, en utilisant un système de transition uniforme et une architecture d'apprentissage commune pour toutes les tâches d'analyse. Malgré des différences notables sur le plan conceptuel, formel et du domaine, nous démontrons que l'apprentissage multitâche améliore significativement l'analyse UCCA dans des configurations tant intra-domaine qu'extra-domaine.