Face à une demande sociale croissante en analyse fine des sentiments (SA), l’analyse implicite des sentiments (ISA) constitue un défi majeur en raison de l’absence de mots indicatifs marquants dans les expressions. Elle exige une inférence fiable afin de comprendre la manière dont le sentiment est suscité, et ainsi déterminer les sentiments implicites. À l’ère des grands modèles linguistiques (LLM), les modèles LLM Encoder-Decoder (ED) ont gagné en popularité en tant que modèles fondamentaux pour les applications de SA, grâce à leur capacité impressionnante de compréhension du texte et d’inférence à travers diverses tâches. D’un autre côté, les modèles LLM à décodeur unique (DO) présentent des capacités supérieures en génération de langage naturel et en apprentissage in-context. Toutefois, leurs réponses peuvent contenir des informations trompeuses ou inexactes. Afin d’identifier les sentiments implicites grâce à une inférence fiable, cette étude propose RVISA, un cadre à deux étapes reposant sur une synergie entre la capacité de génération des modèles DO et l’aptitude à l’inférence des modèles ED, afin d’entraîner un raisonneur amélioré. Plus précisément, nous utilisons une stratégie d’encouragement à l’inférence en trois étapes afin de fournir explicitement des éléments émotionnels comme indices. Les justifications générées sont ensuite utilisées pour ajuster finement un modèle ED, transformant ainsi ce dernier en un raisonneur expérimenté. En outre, nous avons conçu un mécanisme de vérification simple mais efficace afin de garantir la fiabilité de l’apprentissage par inférence. L’approche proposée a été évaluée sur deux jeux de données standard et a atteint des résultats de pointe en matière de performance ISA.