La extracción de argumentos de eventos es una subtarea crucial de la extracción de eventos, que tiene como objetivo extraer argumentos que correspondan a roles de argumento cuando se proporcionan tipos de eventos. La mayoría de los trabajos actuales de extracción de argumentos de eventos a nivel de documento se centran en extraer información para un solo evento a la vez sin considerar la asociación entre eventos; esto se conoce como extracción de un solo evento a nivel de documento. Sin embargo, la interrelación entre los argumentos puede generar ganancias mutuas en su extracción. Por lo tanto, en este documento, proponemos AssocKD, un Método de Destilación de Conocimiento Consciente de la Asociación para la Extracción de Argumentos de Eventos a Nivel de Documento, que permite mejorar la extracción de múltiples eventos a nivel de documento con conocimiento de asociación de eventos. En primer lugar, introducimos una tarea de entrenamiento consciente de la asociación para extraer argumentos desconocidos con el conocimiento privilegiado de argumentos relevantes, obteniendo un modelo consciente de la asociación que puede construir relaciones tanto intra-evento como inter-evento. En segundo lugar, adoptamos la destilación de conocimiento de múltiples profesores para transferir dicho conocimiento de asociación de eventos de los modelos profesores conscientes de la asociación al modelo estudiante de extracción de argumentos de eventos. Nuestro método propuesto, AssocKD, es capaz de modelar explícitamente y aprovechar eficientemente la asociación de eventos para mejorar la extracción de argumentos de múltiples eventos a nivel de documento. Realizamos experimentos en los conjuntos de datos RAMS y WIKIEVENTS y observamos una mejora significativa, demostrando así la efectividad de nuestro método.