一個數學模型在NCAA委員會的錦標賽名單中，38隊裡命中37隊。

每年三月，一個輪換的10人委員會從351支第一級（Division I）球隊中選出68隊，參加吸引超過8,000萬人觀看的NCAA男子籃球錦標賽，接著再排定種子序。遴選與排種子帶有主觀性，容易受到偏見與人為失誤影響。

Bruce Reinig與Ira Horowitz建立了一套數學規劃模型，依球季數據選出、排名並排定68隊的種子序，不受委員會結構、錦標賽結果與過往球季影響。以2012至2016年錦標賽測試時，它穩定地重現了委員會的排名。

套用到2017年錦標賽時，該演算法辨識出委員會選中的38隊中的37隊；有24個種子序完全吻合，77.6%的種子序與委員會排名相差在一個種子序以內，89.6%相差在兩個種子序以內。

用數學為球隊排名，讓委員會的偏見無法滲入。

它把委員會的主觀判斷轉化為客觀、可重複的計算。

由於模型透明，體育主管可以看出賽程變動會如何影響自家球隊的種子序。

它為委員會提供一個沒有偏見的起點，同時保留人工審查的空間。

當一個小團體要做高風險的排名決策時，用同一批資料建立的優化模型能揭露偏見、加快作業，並給所有人一個站得住腳的基準。

INFORMS將這項研究發表於《Interfaces》，並在2018年「三月瘋」期間開放全文免費取用，讓演算法輔助的錦標賽名單遴選進入公共討論。