La extracción de eventos (EE) generalmente contiene dos sub tareas: es decir, la detección de eventos y la extracción de argumentos. Debido al éxito de la comprensión de lectura automática (MRC), algunos investigadores formulan EE en marcos de MRC. Sin embargo, las técnicas de EE basadas en MRC existentes son métodos de canalización que sufren de propagación de errores. Además, la correlación entre tipos de eventos y roles de argumentos está predefinida por expertos, lo cual es consumidor de tiempo e inflexible. Para evitar estos problemas, la detección de eventos y la extracción de argumentos se formalizan como MRC conjunto. A diferencia de los métodos anteriores, que solo generan preguntas para roles de argumentos para tipos de eventos identificados, en nuestro enfoque se generan preguntas para todos los argumentos que aparecen en la oración dada. Además, se propone un modelo MRC de extremo a extremo, JEEMRC, que consta de un clasificador de eventos y un lector automático con un mecanismo de atención de grueso a fino. Nuestro modelo propuesto puede entrenar dos sub tareas conjuntamente para aliviar la propagación de errores y utiliza información de interacción entre tipos de eventos y roles de argumentos para mejorar el rendimiento de ambas tareas. Experimentos en ACE 2005 verifican que nuestro JEEMRC logra resultados competitivos en comparación con trabajos anteriores. Además, se desempeña bien al detectar eventos y extraer argumentos en escenarios con poca cantidad de datos.