会話中の感情認識（ERC）は、各発話に対して感情ラベルを検出することを目的としている。最近の研究では、訓練例を無作為に扱うのではなく、意味のある順序で供給することでモデルの性能が向上することが示されており、これを受けて本研究ではERCに特化したハイブリッドカリキュラム学習フレームワークを提案する。本フレームワークは、以下の2つのカリキュラムから構成される：(1) 会話レベルのカリキュラム（CC）；(2) 発話レベルのカリキュラム（UC）。CCでは、会話内の「感情の変化（emotion shift）」の頻度に基づいて難易度測定器を構築し、その測定器が算出する難易度スコアに従って、会話を「易しめから難しめ」の順にスケジューリングする。一方、UCは感情の類似性の観点から実装され、モデルが混乱しやすい感情を識別する能力を段階的に強化する。提案するモデル非依存型のハイブリッドカリキュラム学習戦略により、多数の既存ERCモデルにおいて顕著な性能向上が観察され、4つの公的ERCデータセットにおいて新たな最先端（SOTA）の結果を達成した。