نقدّم نظام CATENA، وهو نظام يعتمد على طريقة الترشيح (sieve-based) لاستخراج وتصنيف العلاقات الزمنية والسببية من النصوص الإنجليزية، مع الاستفادة من التفاعل بين النموذج الزمني والنموذج السببي. وقد قمنا بتقييم أداء كل مرشح (sieve)، وتبين أن المكونات القائمة على القواعد، والمبنية على التعلم الآلي، والمنطقية تساهم جميعها في تحقيق أداء متفوق على بيانات TempEval-3 وTimeBank-Dense. وعلى الرغم من أن العلاقات السببية تكون أكثر ندرةً مقارنة بالعلاقات الزمنية، فإن البنية المعمارية والسمات المختارة مناسبة بشكل كبير لخدمة كلا المهمتين. ورغم أن تأثير التفاعل بين المكونات الزمنية والسببية كان محدودًا، إلا أنه أدى إلى نتائج واعدة، ويدعم الترابط الوثيق بين البُعد الزمني والبُعد السببي في النصوص.