Étant donné qu’la Représentation Abstraite du Sens (AMR) implique implicitement des annotations sémantiques composées, nous supposons que des tâches auxiliaires sémantiquement ou formellement liées peuvent mieux améliorer la parsing AMR. Nous constatons que : 1) l’étiquetage des rôles sémantiques (SRL) et l’analyse syntaxique dépendante (DP) apportent des gains de performance supérieurs à d’autres tâches, telles que la traduction automatique (MT) ou la synthèse de résumés, lors de la transition texte-AMR, même avec des quantités de données bien moindres ; 2) pour mieux s’adapter à AMR, les données issues des tâches auxiliaires doivent être correctement « converties en AMR » en pseudo-AMR avant l’entraînement ; les connaissances provenant des tâches d’analyse de niveau superficiel peuvent être mieux transférées au parsing AMR grâce à une transformation structurelle. 3) L’apprentissage par tâches intermédiaires constitue un cadre plus efficace pour intégrer des tâches auxiliaires au parsing AMR, comparé à l’apprentissage multitâche. D’un point de vue empirique, nous proposons une méthode rigoureuse pour intégrer des tâches auxiliaires afin d’améliorer le parsing AMR. Des expériences étendues montrent que notre méthode atteint de nouveaux états de l’art sur différentes bases de données, en particulier pour les scores liés à la topologie.