L'identification des causes émotionnelles vise à identifier les causes potentielles qui conduisent à l'expression d'une certaine émotion dans un texte. Plusieurs techniques, notamment des méthodes basées sur des règles et des méthodes d'apprentissage automatique traditionnelles, ont été proposées pour aborder ce problème en s'appuyant sur des règles et des caractéristiques conçues manuellement. Plus récemment, certaines méthodes d'apprentissage profond ont également été appliquées à cette tâche, dans le but de capturer automatiquement la relation causale entre l'émotion et ses causes telles qu'elles sont incarnées dans le texte. Dans cette étude, nous constatons que, outre le contenu du texte, deux autres types d'information, à savoir la position relative et les étiquettes globales, sont également très importants pour l'identification des causes émotionnelles. Pour intégrer ces informations, nous proposons un modèle basé sur une architecture de réseau neuronal pour encoder les trois éléments (à savoir, le contenu du texte, la position relative et l'étiquette globale) de manière unifiée et de bout en bout. Nous introduisons un algorithme d'apprentissage d'embeddings augmentés par la position relative et transformons la tâche d'un problème de prédiction indépendante en un problème de prédiction réordonnée, où l'information d'étiquette globale dynamique est intégrée. Les résultats expérimentaux sur un ensemble de données de référence pour l'identification des causes émotionnelles montrent que notre modèle atteint de nouvelles performances state-of-the-art et se distingue nettement par rapport à plusieurs lignes de base compétitives. Une analyse supplémentaire met en évidence l'efficacité de l'algorithme d'apprentissage d'embeddings augmentés par la position relative ainsi que du mécanisme de prédiction réordonnée avec des étiquettes globales dynamiques.