Nous expérimentons différentes approches d'entraînement des réseaux LSTM afin de prédire des arbres discursifs RST. Le défi principal du traitement syntaxique discursif RST réside dans la quantité limitée de données d'entraînement. Pour y remédier, nous régularisons nos modèles en exploitant une supervision par tâche provenant de tâches connexes ainsi que des perspectives alternatives sur les structures discursives. Nous démontrons qu'un parseur séquentiel discursif basé sur un LSTM simple tire pleinement parti de ce cadre multi-vues et multi-tâches, obtenant une réduction de 12 à 15 % de l’erreur par rapport à notre modèle de référence (selon le métrique utilisée), avec des résultats compétitifs par rapport aux parseurs d’état de l’art plus complexes.