Investigar las actitudes públicas hacia las redes sociales es crucial para que los sistemas de minería de opiniones obtengan información valiosa. La detección de postura, que tiene como objetivo discernir la actitud expresada en un texto opinativo hacia un objetivo específico, es una tarea fundamental en la minería de opiniones. Los enfoques convencionales se centran principalmente en técnicas de clasificación a nivel de oración. Investigaciones recientes han demostrado que la integración de conocimientos previos puede mejorar significativamente el rendimiento de la detección de postura. A pesar de la mejora significativa lograda por los métodos mejorados con conocimientos, aplicar estas técnicas en escenarios del mundo real sigue siendo un desafío por varias razones. En primer lugar, los métodos existentes a menudo requieren el uso de mecanismos de atención complejos para filtrar el ruido y extraer conocimientos previos relevantes, lo que implica esfuerzos de anotación significativos. En segundo lugar, los mecanismos de fusión de conocimientos suelen depender del ajuste fino, lo que puede introducir una brecha entre la fase de preentrenamiento de los modelos de lenguaje preentrenados (PLM) y las tareas de detección de postura posteriores, lo que lleva a una baja precisión de predicción de los PLM. Para abordar estas limitaciones, proponemos un nuevo método de detección de postura basado en instrucciones que aprovecha el conocimiento adquirido utilizando el método de cadena de pensamiento, al que nos referimos como PSDCOT. El enfoque propuesto consta de dos etapas. La primera etapa es la extracción de conocimientos, donde se construyen preguntas de instrucción para obtener conocimientos previos de un VLPLM. La segunda etapa es la red de aprendizaje multi-instrucción (M-PLN) para la fusión de conocimientos, que aprende el rendimiento del modelo en función del conocimiento previo y el marco de aprendizaje de instrucciones. Evaluamos el rendimiento de PSDCOT en conjuntos de datos de referencia públicamente disponibles para evaluar su efectividad en mejorar el rendimiento de la detección de postura. Los resultados demuestran que el método propuesto logra resultados de vanguardia en configuraciones de aprendizaje en dominio, de objetivo cruzado y de aprendizaje sin datos.