La Représentation Sémantique Abstraite (AMR) offre une représentation sémantique unifiée pour les phrases du langage naturel. Ainsi, la transformation entre l'AMR et le texte donne lieu à deux tâches de transition opposées, à savoir l'analyse Texte → AMR et la génération AMR → Texte. Les études existantes sur l'AMR se concentrent uniquement sur l'amélioration d'une seule direction, malgré la dualité des deux tâches, et leurs progrès sont largement dus à l'inclusion de grandes quantités de données d'entraînement supplémentaires ou à des modifications structurelles complexes, ce qui nuit à la vitesse d'inférence. À la place, nous proposons une approche de apprentissage bayésien bidirectionnel efficace en données (BiBL), permettant une transition d'information bidirectionnelle grâce à une stratégie de multitâche en une seule phase, permettant ainsi au modèle résultant d'être entraîné de manière beaucoup plus légère. Les évaluations sur des jeux de données de référence montrent que notre approche BiBL surpasser des modèles précédents de type seq2seq performants, sans nécessiter de données supplémentaires, qui sont pourtant indispensables dans les modèles existants. Nous mettons à disposition le code source de BiBL à l'adresse suivante : https://github.com/KHAKhazeus/BiBL.