L’analyse des causes émotionnelles (ECA) vise à extraire les clauses émotionnelles et à identifier les causes correspondantes de ces émotions. Les méthodes existantes adoptent généralement un paradigme de fine-tuning pour résoudre certains types de tâches ECA. Ces approches spécifiques à une tâche présentent une faiblesse en matière d’universalité, et les relations entre plusieurs objectifs au sein d’une même tâche ne sont pas explicitement modélisées. En outre, l’information de position relative introduite dans la plupart des méthodes existantes peut entraîner un biais lié aux jeux de données. Pour résoudre les deux premiers problèmes, ce papier propose une méthode universelle de tuning par prompt, capable de traiter différentes tâches ECA dans un cadre unifié. Quant au troisième problème, nous avons conçu un module de contrainte directionnelle et un module d’apprentissage séquentiel afin de réduire ce biais. En tenant compte des similarités entre différentes tâches, nous proposons également une méthode d’entraînement inter-tâche pour exploiter davantage les capacités du modèle. Les résultats expérimentaux montrent que notre méthode atteint des performances compétitives sur plusieurs jeux de données ECA.