L'Analyse de Sentiment Basée sur les Aspects (ABSA) vise à fournir des informations détaillées sur le sentiment à un niveau d'aspect. Il existe de nombreuses tâches d'ABSA, et la paradigme actuellement dominant consiste à entraîner des modèles spécifiques à chaque tâche. Cependant, les scénarios d'application des tâches d'ABSA sont souvent variés. Cette solution nécessite généralement une grande quantité de données étiquetées pour chaque tâche afin de performer de manière excellente. Ces modèles dédiés sont formés et prédits séparément, ignorant ainsi les relations entre les tâches. Pour résoudre ces problèmes, nous présentons UnifiedABSA, un cadre général d'ABSA basé sur l'ajustement d'instructions multi-tâches, capable de modéliser uniformément diverses tâches et de capturer les dépendances inter-tâches grâce à l'apprentissage multi-tâches. Des expériences approfondies menées sur deux ensembles de données de référence montrent que UnifiedABSA peut significativement surpasser les modèles dédiés sur 11 tâches d'ABSA et démontrer sa supériorité en termes d'efficacité des données.