Die Identifizierung von Dialogue Acts (DA) ist für viele Anwendungen, die natürliche Sprachverarbeitung erfordern, ein entscheidender Aspekt bei der Bestimmung der Bedeutung einer Äußerung. Kürzlich haben Arbeiten, die rekurrente neuronale Netze (RNN) einsetzen, vielversprechende Ergebnisse bei der DA-Klassifikation gezeigt. In dieser Arbeit wird ein neuartiges probabilistisches Verfahren zur Äußerungsrepräsentation vorgestellt sowie ein RNN-Satzmodell für die DA-Klassifikation ohne Kontextentwicklung beschrieben. Die Äußerungsrepräsentationen werden aus Schlüsselwörtern generiert, die aufgrund ihrer Häufigkeitsassoziation mit bestimmten DA ausgewählt wurden. Die vorgeschlagenen probabilistischen Darstellungen werden auf die Switchboard-DA-Korpus angewendet, und die Leistung wird mit vortrainierten Wort-Embeddings unter Verwendung desselben Baseline-RNN-Modells verglichen. Die Ergebnisse zeigen, dass die probabilistische Methode eine Gesamtgenauigkeit von 75,48 % erreicht und gegenüber den Wort-Embedding-Darstellungen eine Verbesserung um 1,8 % erzielt. Dies unterstreicht das Potenzial statistischer Äußerungsrepräsentationen, die Beziehungen zwischen Wörtern und Dialogue Acts erfassen können, für die Aufgabe der DA-Klassifikation.