Neuere Ansätze zur Dialogakt-(DA-)Klassifikation behandeln die Aufgabe als Sequenzmarkierungsproblem und verwenden neuronale Netzwerke, die mit einer Conditional Random Field (CRF)-Schicht als letzter Schicht gekoppelt sind. Die CRF modelliert die bedingte Wahrscheinlichkeit der Ziel-DA-Label-Sequenz gegeben die Eingabesprache-Sequenz. Allerdings berücksichtigt die Aufgabe eine weitere wichtige Eingabesequenz – die der Sprecher –, die in früheren Arbeiten ignoriert wird. Um diese Einschränkung zu überwinden, schlägt dieser Artikel eine einfache Modifikation der CRF-Schicht vor, die Sprecherwechsel berücksichtigt. Experimente am SwDA-Korpus zeigen, dass unsere modifizierte CRF-Schicht die ursprüngliche deutlich übertrifft, wobei die Verbesserungen für bestimmte DA-Labels sehr erheblich sind. Zudem belegen Visualisierungen, dass unsere CRF-Schicht in einer end-to-end-Weise sinnvolle und komplexe Übergangsmuster zwischen DA-Label-Paaren unter Berücksichtigung von Sprecherwechseln erlernen kann. Der Quellcode ist öffentlich verfügbar.