Die Erkennung von Emotionen in Gesprächen (Emotion Recognition in Conversation, ERC) zielt darauf ab, für jede Äußerung eine Emotionsbezeichnung zu detektieren. Angeregt durch jüngste Studien, die gezeigt haben, dass die Verwendung von Trainingsbeispielen in einer sinnvollen Reihenfolge – anstatt sie zufällig zu betrachten – die Leistung von Modellen verbessern kann, schlagen wir einen hybriden Curriculum-Learning-Framework für ERC vor. Unser Framework besteht aus zwei Curricula: (1) einem Gesprächsebene-Curriculum (CC) und (2) einem Äußerungsebene-Curriculum (UC). Im CC entwickeln wir einen Schwierigkeitsmechanismus basierend auf der Häufigkeit von „Emotionswechsel“ innerhalb eines Gesprächs und ordnen die Gespräche entsprechend dem von diesem Mechanismus zurückgegebenen Schwierigkeitswert in einer „leicht zu schwer“-Reihenfolge an. Für das UC wird ein Ansatz aus der Perspektive der Emotionsähnlichkeit umgesetzt, der die Fähigkeit des Modells schrittweise verbessert, verwirrende Emotionen zu erkennen. Durch die vorgeschlagene modellunabhängige hybride Curriculum-Lernstrategie erreichen wir erhebliche Leistungssteigerungen bei einer Vielzahl bestehender ERC-Modelle und erzielen neue SOTA-Ergebnisse (state-of-the-art) auf vier öffentlichen ERC-Datensätzen.