Wir stellen eine mehrfache Aufgabenstellung zur Identifikation und Klassifizierung von Entitäten, Relationen und Koreferenzclustern in wissenschaftlichen Artikeln vor. Wir erstellen SciERC, einen Datensatz, der Annotationen für alle drei Aufgaben enthält, und entwickeln ein einheitliches Framework namens Scientific Information Extractor (SciIE) mit geteilten Spannungsrepräsentationen. Die mehrfache Aufgabenstellung reduziert die Kaskadenfehler zwischen den Aufgaben und nutzt durch Koreferenzlinks über Satzgrenzen hinweg stehende Relationen. Experimente zeigen, dass unser mehrfaches Aufgabenmodell bei der Extraktion wissenschaftlicher Informationen frühere Modelle ohne Verwendung domänenspezifischer Merkmale übertrifft. Darüber hinaus demonstrieren wir, dass das Framework die Erstellung eines wissenschaftlichen Wissensgraphen unterstützt, den wir verwenden, um Informationen in wissenschaftlicher Literatur zu analysieren.