Die Vorhersage von Emotionen, die in Texten ausgedrückt werden, ist ein gut untersuchtes Problem in der NLP-Gemeinschaft (Natural Language Processing). In letzter Zeit wird intensiv geforscht, um die Ursache von Emotionen zu extrahieren, die in Texten zum Ausdruck kommen. Die meisten bisherigen Arbeiten haben kausale Emotionsentailments in Dokumenten analysiert. In dieser Arbeit schlagen wir neuronale Modelle vor, um den Emotionsursachenbereich und das Entailment in Konversationen zu extrahieren. Für das Lernen solcher Modelle verwenden wir den RECCON-Datensatz, der mit Ursachenbereichen auf Sprecherebene annotiert ist. Insbesondere schlagen wir MuTEC vor, einen end-to-end Mehraufgaben-Lernframework (Multi-Task learning framework), um Emotionen, Emotionsursachen und Entailments in Konversationen zu extrahieren. Dies steht im Gegensatz zu den existierenden Baseline-Modellen, die wahre Emotionslabels (ground truth emotions) zur Extraktion der Ursache verwenden. MuTEC erzielt bessere Ergebnisse als die Baselines für die meisten der im Datensatz bereitgestellten Datenfalten (data folds).