Die Erkennung von Emotionen (ER) ist eine zentrale Aufgabe im Bereich des Natural Language Processing (NLP), da sie erheblichen Einfluss auf reale Anwendungen hat – von Gesundheit und Wohlbefinden über Autorenprofilierung und Verbraucheranalyse bis hin zu Sicherheitsanwendungen. Aktuelle Ansätze zur Emotionserkennung klassifizieren Emotionen in der Regel unabhängig voneinander, ohne zu berücksichtigen, dass Emotionen gleichzeitig auftreten können. Solche Methoden übersehen potenzielle Ambiguitäten, bei denen mehrere Emotionen sich überlappen. Wir stellen ein neues Modell namens „SpanEmo“ vor, das die Mehrfach-Emotionserkennung als Spannen-Vorhersage formuliert und damit ER-Modelle dabei unterstützt, Beziehungen zwischen Labels und Wörtern innerhalb eines Satzes zu lernen. Darüber hinaus führen wir eine Verlustfunktion ein, die speziell darauf abgestimmt ist, mehrere gleichzeitig auftretende Emotionen in einem Eingabetext zu modellieren. Experimente an der SemEval2018-Datenbank für Mehrfach-Emotionserkennung an drei Sprachversionen (Englisch, Arabisch und Spanisch) belegen die Wirksamkeit unseres Ansatzes. Schließlich präsentieren wir verschiedene Analysen, die die Vorteile unseres Verfahrens hinsichtlich der Verbesserung der Modellleistung und des Lernens sinnvoller Zusammenhänge zwischen Emotionsklassen und Wörtern im Satz verdeutlichen.