Les travaux existants sur l'extraction de triplets d'aspect-sentiment (ASTE) se concentrent explicitement sur le développement de techniques de fine-tuning plus efficaces pour cette tâche. Notre motivation, en revanche, est de proposer une approche générique capable d'améliorer simultanément les performances en aval de plusieurs tâches d'analyse des aspects et des sentiments (ABSA). À cet égard, nous présentons CONTRASTE, une nouvelle stratégie de pré-entraînement utilisant l'apprentissage par contraste (contrastive learning) pour améliorer les performances de l'ASTE. Bien que nous nous concentrions principalement sur l'ASTE, nous démontrons également les avantages de notre technique proposée sur d'autres tâches d'ABSA telles que l'ACOS, le TASD et l'AESC. Étant donné une phrase et ses triplets associés (aspect, opinion, sentiment), nous concevons tout d'abord des prompts basés sur les aspects avec les sentiments correspondants masqués. Nous entraînons ensuite un modèle encodeur-décodeur en appliquant l'apprentissage par contraste sur les représentations aspectuelles des sentiments générées par le décodeur pour les termes masqués. Pour affiner les poids du modèle ainsi obtenu, nous proposons une nouvelle approche multi-tâches où le modèle encodeur-décodeur de base est combiné avec deux modules complémentaires : un détecteur de termes d'opinion basé sur la marquage et un estimateur du nombre de triplets basé sur la régression. Des expériences exhaustives sur quatre jeux de données de référence et une étude ablationnelle détaillée établissent l'importance de chacun des composants proposés, car nous obtenons de nouveaux résultats d'état de l'art en ASTE.