本研究提出了一种改进的统计框架，解决了成对比较分析中的平局和协方差问题，优化了参数唯一性。评估结果表明，该框架在模型拟合和数据分析方面优于现有方法，并发布了开源Python包以支持实用性和可重现性。

本文提出通过投票理论解决评估问题，利用序数排名和成对比较生成整体评估。VasE框架在强化学习和语言模型中的表现优于传统评估方法，展现出更好的稳健性和一致性。

该研究提出了QUITE算法，可同时估计工作者可靠性和对象质量，通过成对比较对N个对象排名，实现自适应。与之前算法比较。