Pairwise, Style-Controlled, Nonparametric Tests for Judge Bias under the ISU Judging System
本文介绍了一种成对、非参数的置换检验框架，该框架能够将国际滑联裁判系统中针对特定选手的裁判偏见与良性的风格差异区分开来，并成功识别出在2026年奥运会冰舞项目及其他近期赛事中具有显著性且对结果起决定作用的偏见。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在人类决定胜负的体育运动中，裁判的个人风格与实际不公之间的界限往往是模糊的。有些裁判天生慷慨，会给所有人高分，而另一些则非常严格，只为最完美的表现保留顶尖分数。有些裁判避免给出极端分数，稳妥地停留在范围的中部，而另一些则会使用整个评分量表。这些风格上的差异并不一定意味着偏见；这仅仅是不同的人看待世界的方式不同。体育官员面临的真正挑战在于，如何判断一名裁判不仅仅是在表现得严厉或宽容，而是在针对特定选手进行优待，并以此改变了比赛结果。这就是研究裁判诚信的核心问题：如何将一名裁判的一般性格与对特定运动员的特定不公平偏好区分开来？
独立研究员迈克尔·艾尔曼（Michael Allman）通过一种专门针对国际滑冰联盟（ISU）评分系统设计的全新统计方法，解决了这一问题。花样滑冰和冰舞所使用的系统依赖于一个评审团，他们会对表演中的每一个动作和组成部分进行评分。为了防止单个异常值扭曲结果，每个元素的高分和低分会被剔除，取剩余分数的平均值。艾尔曼的工作聚焦于2026年米兰-科尔蒂纳丹佩佐冬奥会，特别是冰舞自由舞环节，但该方法在2022年至2026年间的17场不同比赛、共142场赛事中进行了测试。其目标是构建一个工具，能够观察一名裁判对两名特定滑冰选手的评分，并判断该裁判是否以一种不同于评审团其他成员的方式改变了两名选手之间的差距。
本文开发的这种方法通过对比一名裁判的“实际做法”与其“若仅匹配其他裁判的中位水平时应有的做法”来进行工作。想象一位裁判正在给一名金牌竞争者和一名银牌竞争者打分。研究人员首先计算该裁判的具体评分在多大程度上改变了这两名选手之间的最终分差。然后，他们创建一个“中立”版本的赛事，将该裁判的评分替换为其他裁判的中位数。通过将实际结果与这个中立版本进行比较，研究人员可以测量出特定裁判为两名选手之间的分差增加了或减少了多少精确的分数。这不在于裁判整体是高分还是低分；而在于相对于群体而言，他们是否对一名选手异常高分，而对另一名选手异常低分。
为了确保这种测量并非仅仅捕捉到了随机噪声或选手节目难度的自然差异，研究人员使用了一种称为“置换检验”（permutation test）的技术。这涉及将数据进行数千次随机洗牌，以观察如此极端的统计结果纯粹由偶然发生的概率有多大。至关重要的是，这个洗牌过程旨在保持裁判的个人风格不变。该测试在问：如果这位裁判具有相同的严厉或宽容的普遍倾向，但将其随机应用于不同的选手，我们是否仍会看到金牌和银牌选手之间存在的这种特定差距？如果答案是否定的，那么这种特定的优待很可能是真实的。这种方法使研究人员能够为每位裁判和每一对竞争对手计算出一个精确的“分差偏移量”（margin shift），以及一个结果并非偶然的统计概率。
当应用于2026年奥运会冰舞自由舞时，该方法揭示了一个涉及特定裁判的显著模式。对于获得第一名和第二名的那对选手，该裁判的评分使金牌获得者的领先优势偏移了1.19分。统计分析显示，这种情况随机发生的概率极低，仅为0.0003。当研究人员考虑到他们正在测试许多不同选手对进行测试时，结果依然具有统计学意义。这1.19分的偏移量大于第一名和第二名队伍之间的实际官方分差（0.97分）。在一个反事实情景中，即如果用其他裁判的中位数替换该裁判的评分，银牌获得者将会夺冠。这一发现并非孤例；研究人员在整个数据库中识别出九场赛事中，单名裁判的特定偏见强度足以在理论上改变比赛的胜负。
研究还考察了在分析的142场赛事中所呈现的更广泛的裁判格局。在超过27万次关于裁判与选手对之间的个体比较中，研究人员发现了超过2万次裁判表现出具有统计学意义的“竞争对手特定差异”（competitor-specific differential）的情况。这些情况并非均匀分布；它们高度聚集在某些特定的比赛和项目中。例如，2022年欧洲锦标赛占据了这些显著发现的大部分比例，这表明特定赛事的评审团构成比学科本身更为重要。研究人员还指出，虽然许多裁判表现出了这些差异，但并未发现证据表明存在所有裁判共同拥有的单一、普遍的偏见，因为使用这种相对法很难检测到此类偏见。
这项工作的最重要方面之一是它如何处理“风格”的概念。研究人员明确排除了这样一种观点，即即一名裁判通常表现严厉或宽容，并不一定意味着存在偏见。他们的法旨在忽略这些全局性的倾向。如果一名裁判给所有人的分数都较低，那是风格差异，而非偏见。在本研究中，偏见被严格定义为：一名裁判对待一名竞争对手的方式有别于对待另一名竞争对手的方式，且这种方式与评审团的其他成员不同。分析证实了该方法的稳健性：当研究人员检查技能水平差异巨大的选手时，统计可靠性依然成立，这意味着该工具并不会简单地将难以评判的表现误认为是不公平。
来自2026年奥运会的发现通过一种被称为“留一裁判法”（leave-one-judge-out）的独立检查得到了验证。在这种测试中，研究人员直接移除特定裁判的评分，并用剩余裁判的平均值进行替换，以观察获胜者是否会发生变化。这种独立方法证实，移除主测试中所识别出的同一名裁判，确实会导致金牌易主，变为银牌获得者。这两种不同统计方法的汇合，加强了结论，即观察到的偏移并非数学计算的人为产物，而是该特定裁判在特定赛事中评分的一个真实特征。
最终，本文提供了一种衡量在拥挤的竞争领域中，单个裁判意见所具有的“隐形权重”的方法。它表明，尽管剔除高分和低分的制度旨在保护免受异常值的影响，但它并不总能阻止单个裁判在两名特定竞争对手之间倾斜天平。该研究并不声称证明了恶意企图或串通，也不暗示整个裁判制度已经崩溃。相反，它提供了一个精确的非参数化工具，可以识别出当一名裁判对一对选手的评分偏离评审团共识并改变最终排名时的情况。通过关注竞争者之间的特定分差而非整体分数，这项研究强调了即使在一个拥有九名裁判和严格规则的系统中，比赛的结果也可能取决于其中一个人的特定、差异化的选择。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。