该论文提出了Vote'n'Rank框架，比较多任务基准测试中的系统表现，研究公平的投票规则及其在不同领域的应用。通过分析大型语言模型的投票行为，揭示了人类与LLMs在决策中的差异，强调了谨慎整合LLMs于民主进程的重要性。同时，探讨了投票规则的解释性和设计挑战，提出了基于数据学习的聚合规则，推动了计算社会选择理论的发展。

本文研究了计算社会选择理论中的操纵问题，分析了不同投票规则下的操纵复杂性。实验表明，单个代理在多数情况下能够轻易操纵选举。文章还提出了新的近似方法来处理Borda投票规则的操纵问题，并探讨了不完整信息下的联合操纵及其计算性质，强调了公平分配和资源分配的复杂性。