Dans le cadre de la tâche de Reconnaissance des Émotions en Conversation, les enquêtes récentes ont exploité des mécanismes d'attention pour explorer les relations entre les énoncés intra- et inter-parleurs afin de modéliser l'interaction émotionnelle entre eux. Cependant, des attributs tels que les traits de personnalité des parleurs restent sous-exploités et posent des défis en termes de leur applicabilité à d'autres tâches ou de leur compatibilité avec diverses architectures de modèles. Par conséquent, cette étude introduit un nouveau cadre nommé BiosERC, qui examine les caractéristiques des parleurs dans une conversation. En utilisant des Modèles Linguistiques à Grande Échelle (LLMs), nous extrayons les « informations biographiques » du parleur au sein d'une conversation comme connaissances supplémentaires injectées dans le modèle pour classer les étiquettes émotionnelles de chaque énoncé. Notre méthode proposée a obtenu des résultats d'état de l'art (SOTA) sur trois ensembles de données de référence célèbres : IEMOCAP, MELD et EmoryNLP, démontrant ainsi l'efficacité et la généralisation de notre modèle et mettant en lumière son potentiel d'adaptation à diverses tâches d'analyse conversationnelle. Notre code source est disponible sur https://github.com/yingjie7/BiosERC.