Cada elección A/B cuenta una vez como victoria del modelo elegido y derrota del otro. Los fallos técnicos no cuentan como empates ni derrotas. También se incluyen los votos ya guardados de personas que no terminan la sesión.

Usamos Bradley–Terry con una regularización igual para los siete modelos, expresado en una escala Elo centrada en 1500. Se vuelve a ajustar con todos los votos: su orden de llegada no cambia el resultado. Una diferencia de 400 puntos equivale a unas probabilidades previstas de 10 a 1; no es una garantía sobre la siguiente elección.

La regularización (λ = 0,25) evita puntuaciones infinitas con pocos datos o modelos invictos. Los intervalos exploratorios del 95 % remuestrean tanto participantes como frases (200 repeticiones). Se muestran desde 10 sesiones con votos y 5 frases, cuando todos los modelos están conectados por comparaciones. Los intervalos y el orden siguen siendo provisionales.

La asignación busca primero los cruces menos cubiertos y después los modelos y frases menos representados. No usa quién está ganando. Reserva una pregunta por participante activo durante 15 minutos. Abandonos, fallos y sesiones en curso pueden producir diferencias temporales; no se eliminan votos para igualar los recuentos.

Este estudio utiliza una voz de referencia y 15 frases en español. El resultado describe estas grabaciones, no todas las capacidades de cada modelo.

Bradley–Terry · Remuestreo por factores cruzados