Diese Arbeit beschreibt einen neuen Ansatz für die Aufgabe der kontextuellen Emotionsdetektion. Der Ansatz basiert auf einem neuronalen Merkmalsextraktor, bestehend aus einem rekurrenten neuronalen Netzwerk mit Aufmerksamkeitsmechanismus, gefolgt von einem Klassifikator, der entweder neuronal oder auf Basis eines SVM (Support Vector Machine) ist. Das Modell wurde anhand des Datensatzes der Aufgabe 3 des SemEval 2019 (EmoContext) evaluiert, der kurze 3-Runden-Dialoge enthält, die mit vier Emotionsklassen annotiert sind. Die bestperformende Konfiguration wurde mit ELMo-Wortembeddings und POS-Tags (Part-of-Speech-Tags) als Eingabedaten erreicht, wobei bidirektionale GRUs als versteckte Einheiten und ein SVM als finaler Klassifikator eingesetzt wurden. Diese Konfiguration erzielte eine Mikro-Durchschnitts-F1-Score von 69,93 % bei den drei Hauptemotionen und übertraf damit das Baseline-System um 11,25 %.