La prédiction des émotions exprimées dans un texte est un problème bien étudié au sein de la communauté de traitement automatique du langage naturel (NLP). Récemment, des recherches actives ont été menées pour extraire la cause d'une émotion exprimée dans un texte. La plupart des travaux précédents se sont concentrés sur l'entailment causal des émotions dans les documents. Dans ce travail, nous proposons des modèles neuronaux pour extraire les spans causaux et l'entailment des émotions dans les conversations. Pour apprendre ces modèles, nous utilisons le jeu de données RECCON, qui est annoté avec des spans causaux au niveau de l'énoncé. Plus précisément, nous proposons MuTEC, un cadre d'apprentissage multi-tâches (Multi-Task learning) de bout en bout pour extraire les émotions, leurs causes et leur entailment dans les conversations. Cela contraste avec les modèles de référence existants qui utilisent les émotions véritables (ground truth) pour extraire la cause. MuTEC offre de meilleures performances que les modèles de référence pour la plupart des plis de données fournis dans le jeu de données.