Diese Arbeit berichtet über einen innovativen Ansatz zur Emotionserkennung in Gesprächen und zur Emotions-Flip-Reasoning-Aufgabe im Rahmen der SemEval-2024-Wettbewerbsaufgabe mit speziellem Fokus auf die Analyse von Hindi-Englisch-Code-Mixed-Sprache. Durch die Integration von Großformatigen Sprachmodellen (Large Language Models, LLMs) mit instruktionsbasiertem Fine-Tuning und quantisierter niedrigrangiger Anpassung (Quantized Low-Rank Adaptation, QLoRA) werden innovative Techniken wie Sentext-height sowie erweiterte Prompting-Strategien vorgestellt, um die Komplexität der emotionalen Analyse in code-mixed gesprächsbezogenen Daten zu bewältigen. Die Ergebnisse der vorgeschlagenen Methode demonstrieren eindrucksvoll ihre Fähigkeit, Label-Bias zu überwinden und die Herausforderungen code-mixed Sprachen zu meistern. Unser Team erreichte bei den Aufgaben 1, 2 und 3 jeweils die Plätze 5, 3 und 3. Diese Studie liefert wertvolle Erkenntnisse und Methoden zur Verbesserung von Emotionserkennungsmodellen und unterstreicht die Bedeutung kontinuierlicher Forschung in diesem Bereich.