Cet article aborde le problème des approches actuelles de reconnaissance continue des émotions qui ignorent l'ambiguïté émotionnelle ou la traitent comme une variable indépendante et statique au fil du temps. Nous proposons une représentation ordinale des émotions tenant compte de l'ambiguïté, un cadre novateur qui capture à la fois l'ambiguïté et la dynamique temporelle des expressions émotionnelles. Plus précisément, nous proposons une approche qui modélise l'ambiguïté émotionnelle par des taux de changement et l'évalue à l'aide de données de suivi continu contraintes (éveil, préférence) et non contraintes (immersion) issues de deux corpus d'émotions : RECOLA et GameVibe. Les résultats expérimentaux montrent que les représentations ordinales surpassent les modèles existants tenant compte de l'ambiguïté sur les étiquettes non contraintes, obtenant les scores les plus élevés de coefficient de corrélation de concordance (CCC) et d'accord différentiel signé (SDA). Sur les données de suivi contraintes, elles surpassent le SDA, démontrant une performance supérieure dans la capture des variations relatives des traces d'émotions annotées.
