Las plataformas de redes sociales se han convertido en un medio ampliamente utilizado para que las personas expresen emociones complejas y multifacéticas. Los métodos tradicionales de clasificación de emociones de etiqueta única no logran capturar con precisión la presencia simultánea de múltiples emociones dentro de estos textos. Para abordar esta limitación, proponemos un modelo de clasificación que mejora el transformador Cardiff NLP preentrenado al integrar capas adicionales de autoatención. Los resultados experimentales muestran que nuestro enfoque logra una puntuación micro-F1 de 0.7208, una puntuación macro-F1 de 0.6192 y un índice de Jaccard promedio de 0.6066, lo que representa una mejora general de aproximadamente el 3.00% en comparación con la línea base. Aplicamos este modelo a un conjunto de datos del mundo real de tweets relacionados con los terremotos de Christchurch de 2011 como un estudio de caso para demostrar su capacidad para capturar expresiones emocionales de múltiples categorías y detectar emociones co-ocurrentes que los enfoques de etiqueta única pasarían por alto. Nuestro análisis reveló patrones emocionales distintos alineados con eventos sísmicos clave, incluyendo emociones positivas y negativas superpuestas, y dinámicas temporales de respuesta emocional. Este trabajo contribuye con un método robusto para el análisis de emociones detallado que puede ayudar en la respuesta a desastres, el monitoreo de la salud mental y la investigación social.