Wir präsentieren CATENA, ein auf Sieb-Techniken basierendes System zur Extraktion und Klassifikation zeitlicher und kausaler Relationen aus englischen Texten, das die Wechselwirkung zwischen dem zeitlichen und dem kausalen Modell nutzt. Wir evaluieren die Leistung jedes einzelnen Siebs und zeigen, dass die regelbasierten, maschinellen Lern- und Schlussfolgerungskomponenten jeweils zur Erreichung von State-of-the-Art-Ergebnissen auf den Datensätzen TempEval-3 und TimeBank-Dense beitragen. Obwohl kausale Relationen deutlich seltener sind als zeitliche, erweist sich die Architektur sowie die Auswahl der Merkmale als überwiegend geeignet, um beide Aufgaben zu unterstützen. Die Auswirkungen der Wechselwirkung zwischen zeitlichen und kausalen Komponenten sind zwar begrenzt, ergeben jedoch vielversprechende Ergebnisse und bestätigen die enge Verbindung zwischen zeitlicher und kausaler Dimension von Texten.