一个数学模型与NCAA委员会选择的38支球队中的37支相匹配。

每年三月，一个由10人组成的轮换委员会从351支一级联赛球队中选出68支参加NCAA男子篮球锦标赛，观看人数超过8000万，然后进行种子排位。选择和种子排位是主观的，容易受到偏见和人为错误的影响。

Bruce Reinig和Ira Horowitz构建了一个数学规划模型，从赛季数据中选出、排名并种子排定68支球队，独立于委员会结构、锦标赛结果和过去赛季。针对2012-2016年的锦标赛进行测试，它总是能复现委员会的排名。

应用于2017年锦标赛时，该算法识别出委员会选出的38支球队中的37支；24个种子位完全匹配，77.6%的种子相差在1位以内，89.6%的种子相差在2位以内，与委员会的排名相比。

用数学对球队进行排名，这样委员会的偏见就无法渗入。

它将主观的委员会判断转变为客观、可重复的计算。

由于模型是透明的，体育主管可以看到赛程变化如何影响他们球队的种子位。

它为委员会提供了一个无偏见的起点，同时保留人工审查的空间。

当一个小群体做出高风险的排名决策时，从相同数据构建的优化模型能够暴露偏见、加快工作速度，并为每个人提供可辩护的基准。

INFORMS在《Interfaces》上发表了这项研究，并在2018年疯狂三月期间免费提供全文，将算法辅助的锦标赛选拔带入了公众讨论。