Un modelo matemático coincidió con las selecciones del comité de la NCAA en 37 de 38 equipos.

Cada marzo, un comité rotativo de 10 personas elige a 68 de los 351 equipos de la División I para el torneo de baloncesto masculino de la NCAA, visto por más de 80 millones de personas, y luego los siembra. La selección y la siembra son subjetivas y vulnerables al sesgo y al error humano.

Bruce Reinig e Ira Horowitz construyeron un modelo de programación matemática que selecciona, clasifica y siembra a los 68 equipos a partir de datos de la temporada, independientemente de las estructuras del comité, los resultados del torneo y las temporadas pasadas. Probado con los torneos de 2012 a 2016, reprodujo de manera consistente las clasificaciones del comité.

Aplicado al torneo de 2017, el algoritmo identificó a 37 de los 38 equipos que seleccionó el comité; 24 siembras fueron coincidencias exactas, el 77,6% quedó dentro de una siembra y el 89,6% quedó dentro de dos siembras de las clasificaciones del comité.

Clasificar a los equipos con matemáticas para que el sesgo del comité no se filtre.

Convierte un juicio subjetivo del comité en un cálculo objetivo y repetible.

Como el modelo es transparente, los directores deportivos pueden ver cómo los cambios en el calendario moverían su siembra.

Les da al comité un punto de partida libre de sesgo, a la vez que deja espacio para la revisión humana.

Cuando un grupo pequeño toma decisiones de clasificación de alto riesgo, un modelo de optimización construido con los mismos datos expone el sesgo, acelera el trabajo y les da a todos una base defendible.

INFORMS publicó el estudio en Interfaces y puso el texto completo a disposición gratuita durante March Madness 2018, llevando la selección de cuadros asistida por algoritmos al debate público.