사전 훈련 및 미세 조정(fine-tuning) 기반의 접근법은 기반 문맥 기반 감성 분석(Aspect-Based Sentiment Analysis, ABSA) 분야에서 주류 프레임워크로 자리 잡았다. 이 기법은 충분한 세부적인 아спект-감성 주석(annotation)을 포함하는 도메인에서는 우수한 성능을 보여주지만, 수동 주석이 부족한 도메인에서는 소량의 예시(few-shot) ABSA 수행이 여전히 도전 과제로 남아 있다. 본 연구에서는, 사전 훈련된 언어 모델(PLM)에서 ABSA 작업으로의 지식 전이를 방해하는 두 가지 종류의 격차—즉, 도메인 격차(domain gap)와 목적 격차(objective gap)—가 존재한다고 주장한다. 이러한 문제를 해결하기 위해, 도메인 적응형 사전 훈련과 텍스트 보충(filling)을 통한 미세 조정을 포함하는 간단하면서도 효과적인 프레임워크인 FS-ABSA를 제안한다. 본 연구는 엔드투엔드(End-to-End) ABSA 작업을 텍스트 보충 문제로 재정의하고, 텍스트 보충 목적을 활용한 도메인 적응형 사전 훈련을 수행함으로써 두 가지 격차를 좁히고, 결과적으로 지식 전이를 촉진한다. 실험 결과, 소량의 예시 설정(few-shot setting)에서 기존의 기준 모델들보다 더욱 뛰어난 성능을 달성하였으며, 완전한 지도 학습(fully-supervised setting)에서도 다양한 데이터셋에서 최신 기술의 성능을 새로운 수준으로 끌어올렸다. 더불어, 본 프레임워크를 영어 외의 두 가지 저자원 언어(low-resource languages)에 적용하여 그 일반성과 효과성을 입증하였다.