KCLarity 在 SemEval-2026 任务 6：政治逃避检测中的编码器与零样本方法
KCLarity at SemEval-2026 Task 6: Encoder and Zero-Shot Approaches to Political Evasion Detection
AI总结：
本文探讨了政治话语中模糊性和逃避技术分类的两种建模方法，并评估了不同模型在零样本设置下的表现。
摘要：
本文描述了KCLarity团队在SemEval 2026任务6中的参与情况，该任务旨在分类政治话语中的模糊性和逃避技术。我们研究了两种建模方法：(i) 直接预测清晰度标签，(ii) 预测逃避标签并通过任务层级结构推导清晰度。我们进一步探索了多种辅助训练变体，并在逃避优先的设定下评估了解码器-only模型。总体而言，两种方法的性能相当。在编码器-based模型中，RoBERTa-large在公开测试集上表现最佳，而零样本GPT-5.2在隐藏评估集上表现更佳。
英文摘要：
This paper describes the KCLarity team's participation in CLARITY, a shared task at SemEval 2026 on classifying ambiguity and evasion techniques in political discourse. We investigate two modelling formulations: (i) directly predicting the clarity label, and (ii) predicting the evasion label and deriving clarity through the task taxonomy hierarchy. We further explore several auxiliary training variants and evaluate decoder-only models in a zero-shot setting under the evasion-first formulation. Overall, the two formulations yield comparable performance. Among encoder-based models, RoBERTa-large achieves the strongest results on the public test set, while zero-shot GPT-5.2 generalises better on the hidden evaluation set.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
