La métrica de evaluación para esta competencia es Mean F1-Score, también conocida como example-based F-measure en la literatura de apendizaje multi-label . La puntuación F1, comúnmente utilizada en information retrieval, mide el desempeño utilizando el precision p y el recall r. La precisión es la relación entre los verdaderos positivos (tp) y todos los positivos predichos (tp + fp). El recall es la relación entre los verdaderos positivos y todos los positivos reales (tp + fn). El desempeño moderadamente bueno en ambos se verá favorecido sobre el desempeño extremadamente bueno en uno y el desempeño deficiente en el otro.