Hoewel automatische emotiedetectie in tekst nog in de kinderschoenen staat, worden machinale leertechnieken momenteel beschouwd als een state-of-the-art methodologie om emotionele toestanden in tekst te identificeren. Deze systemen zijn echter afhankelijk van grote hoeveelheden geannoteerde gegevens waarvan voorspellingsmodellen zijn afgeleid, dus de voortgang wordt voornamelijk gemaakt voor meerderetalen zoals het Engels. Aangezien de prestaties van het systeem afhankelijk zijn van het soort gegevens waarop het is getraind (bijvoorbeeld de taal, het domein en de labelset die voor annotatie wordt gebruikt), impliceert elke verschuiving naar nieuwe gegevens een nieuwe annotatie-inspanning. Dit proces is niet alleen moeilijk, maar remt ook de voortgang in meertalige NLP. De focus in dit project ligt op emotieherkenning voor het Nederlands, waarvoor momenteel geen geannoteerde gegevens openbaar beschikbaar zijn, en op het verkennen van technieken voor overdracht van overdracht om taaloverschrijdende overdracht mogelijk te maken. Bij transfer learning is het doel informatie uit eerder geleerde systemen over te dragen naar nieuwe taken, waardoor de benodigde hoeveelheid trainingsgegevens wordt verminderd. Door informatie uit Engelse systemen te gebruiken voor Nederlandse emotiedetectie, willen we het knelpunt van data-acquisitie aanpakken en onderzoeken of taalonafhankelijke emotiekenmerken kunnen worden geleerd. Bovendien zullen we de overdracht tussen domeinen en labelsets onderzoeken. Dit zal resulteren in een flexibele Nederlandse detectiemethode voor emoties die kan worden toegepast op verschillende gebruikscasussen. We zullen zo'n geval onderzoeken door automatisch emoties uit het echte leven te detecteren die zich voordoen tijdens crisissituaties.