SemEval-2026 任务 6：CLARITY —— 揭示政治问题回避

政治演讲者常常回避直接回答问题，同时保持看似响应的外观。尽管这种策略在公共话语中至关重要，但在自然语言处理领域仍未得到充分探索。我们介绍 SemEval-2026 任务 6，CLARITY，这是一个关于政治问题回避的共享任务，包含两个子任务：(i) 明晰度分类分为 Clear Reply、Ambivalent 和 Clear Non-Reply 三类；(ii) 回避程度分类分为九种细粒度回避策略。该基准数据集来自美国总统采访，遵循专家制定的响应明晰度和回避范畴。该任务吸引了 124 支注册团队，他们分别提交了 946 份明晰度分类有效结果和 539 份回避程度分类有效结果。结果显示两个子任务之间的难度差距显著：最佳系统在明晰度分类上达到 0.89 的宏平均 F1，显著超过最强基线；而顶级回避程度系统达到 0.68 的宏平均 F1，与最佳基线相当。总体而言，大型语言模型提示和层次化利用范畴作为最有效的策略，顶级系统始终优于将两个子任务独立处理的系统。CLARITY 将政治响应回避建立为计算话语分析的具有挑战性的基准，并突显了建模政治语言中战术性模糊的难度。