過去10年間のイベント順序付け研究は、ドキュメント内のイベントおよび時刻表現間の部分順序を学習することに焦点を当ててきた。最も代表的なコーパスであるTimeBankは、可能な順序グラフのわずかなサブセットを含んでいる。多くの評価研究も、隣接する文の主述語など、特定のイベントペアのみをテストするという方法に従っている。その結果、研究の多くは部分ラベル付けに特化した特定の学習手法に注力してきた。本論文では、一部の関係を特定するのではなく、すべての関係を捉えることへの議論の転換を試みる。我々は、TimeBankに比べて10倍近く多くの関係を含む強連結なイベントグラフを用いた新しい実験を提示する。また、単一の学習器に依存するアプローチから、複数の学習器を精度順に並べたスクリーブ（篩）型アーキテクチャへの移行を提案する。このアーキテクチャでは、各スクリーブがイベントグラフに一つずつラベルを追加し、前方のスクリーブが後続のスクリーブに、推移的閉包（transitive closure）を通じて情報を伝える。本研究は、アプローチ面とタスク面の両方で革新をもたらすものである。これまでで最も密なイベントグラフを対象とした実験により、最先端手法に対して14%の性能向上を達成した。