L'analyse de sentiment basée sur les aspects (ABSA) est une tâche de traitement du langage naturel (NLP) qui attribue des liens sentimentaux précis à des entités et des sujets spécifiques au sein de données textuelles. Ce papier aborde des lacunes critiques des méthodes ABSA actuelles, notamment la limitation des aspects considérés, les biais présents dans les jeux de données d'entraînement, ainsi que le manque de jeux de données complets codés selon les positions prises. Premièrement, nous proposons une approche évolutrice appelée MaskedABSA, qui masque les termes d'aspect dans les phrases d'entraînement afin de permettre une inférence du sentiment sans biais à partir du contexte seul. Nous démontrons que la méthode proposée surpasse les solutions de pointe en termes de précision pour la classification du sentiment des termes d'aspect, comme le confirment les jeux de données SemEval. En outre, nous relevons les défis persistants liés aux ressources d'entraînement limitées et aux coûts prohibitifs de l'annotation manuelle dans la création de jeux de données ABSA, en introduisant une technique innovante de supervision faible exploitant les propriétés intrinsèques de regroupement communautaire présentes dans les jeux de données provenant des réseaux sociaux. En utilisant des algorithmes de détection de communautés, nous partitionnons un réseau de partage en groupes polarisés présentant des positions adverses homogènes, permettant ainsi la construction à grande échelle de jeux de données pour l'analyse de sentiment basée sur les aspects, sans recours à une étiquetage manuel intensif. Notre méthodologie est également validée à l'aide d'un jeu de données réel polarisé comprenant une diversité d'aspects et de positions, démontrant ainsi son efficacité et sa capacité d'évolutivité.