L'extraction des causes émotionnelles dans les conversations (ECEC) vise à identifier les énoncés contenant la cause émotionnelle au sein des conversations. La plupart des recherches antérieures se concentrent sur la modélisation des contextes conversationnels à l'aide d'une encodage séquentiel, ignorant ainsi les interactions informatives entre les énoncés et les caractéristiques spécifiques aux conversations pour l'ECEC. Dans cet article, nous examinons l'importance des structures discursives dans la gestion des interactions entre énoncés et des caractéristiques propres aux conversations pour l'ECEC. À cette fin, nous proposons un modèle sensible au discours (DAM) pour cette tâche. Plus précisément, nous modélisons conjointement l'ECEC avec le parsing discursif en utilisant un cadre d'apprentissage multi-tâches (MTL) et codons explicitement les structures discursives via un réseau neuronal graphique à portes (gated GNN), intégrant ainsi une information riche sur les interactions entre énoncés à notre modèle. De plus, nous utilisons le gated GNN pour renforcer davantage notre modèle ECEC avec des caractéristiques spécifiques aux conversations. Les résultats sur le corpus de référence montrent que le DAM surpassent les systèmes de pointe (SOTA) mentionnés dans la littérature. Cela suggère que la structure discursive peut contenir un lien potentiel entre les énoncés émotionnels et leurs expressions causales correspondantes. Cela vérifie également l'efficacité des caractéristiques propres aux conversations. Le code de cet article sera disponible sur GitHub.