Neuere Ansätze für die Erkennung von Dialogakten haben gezeigt, dass der Kontext aus vorherigen Äußerungen wichtig ist, um die nachfolgende zu klassifizieren. Es wurde festgestellt, dass die Leistung sich stark verbessert, wenn der Kontext berücksichtigt wird. Wir schlagen ein auf Äußerungsstufe basierendes Aufmerksamkeitsmodell mit bidirektionalen rekurrenten Neuronalen Netzen (Utt-Att-BiRNN) vor, um die Bedeutung von vorherigen Äußerungen bei der Klassifikation der aktuellen zu analysieren. In unserer Konfiguration erhält das BiRNN den Eingabesatz aus aktuellen und vorherigen Äußerungen. Unser Modell übertrifft frühere Modelle, die nur vorherige Äußerungen als Kontext verwenden, im verwendeten Korpus. Ein weiterer Beitrag des Artikels besteht darin, den Informationsgehalt jeder Äußerung zur Klassifikation der nachfolgenden zu ermitteln und zu zeigen, dass kontextbasiertes Lernen nicht nur die Leistung verbessert, sondern auch eine höhere Zuverlässigkeit in der Klassifikation erreicht. Wir verwenden charakter- und wortbasierte Merkmale zur Darstellung der Äußerungen. Die Ergebnisse werden sowohl für die Darstellungen auf Charakter- und Wortebene als auch für ein Ensemblemodell beider Darstellungen präsentiert. Wir stellten fest, dass bei der Klassifikation kurzer Äußerungen die unmittelbar vorangehenden Äußerungen in einem höheren Maße beitragen.