עבודה זו בוחנת דרכים לשיפור הדיוק בחלוקת תקציבים בתוך מערכות דיגיטליות )לדוגמה - בלוקצ'יין(. האתגר המרכזי במערכות אלו הוא ההסתמכות על הצבעות של קהל מצביעים רחב, שלעיתים קרובות מושפע מחוסר ידע, טעויות אקראיות או הטיות אישיות. מה שגורם לחלוקה לא אופטימלית בין הפרויקטים. המחקר מתמקד בפיתוח, בחינה והשוואה של אלגוריתמים שמטרתם לתקן את חלוקת המשאבים באופן אוטומטי על ידי עדכון המשקל של כל מצביע לאורך סדרה של סבבי בחירה חוזרים על מנת להגיע לחלוקת תקציב אופטימלית בין פרויקטים.

במהלך המחקר נוצרו ונבדקו 37 אלגוריתמים השייכים לארבע משפחות שונות של חלוקה לקבוצות (Methods Split). שיטות אלו פועלות על ידי סיווג המצביעים לקבוצות לפי מידת הקרבה של הצבעתם בסבב הנוכחי לתוצאה הכללית באותו הסבב. ככל שמצביע נמצא קרוב יותר לתוצאת הסבב, האלגוריתם מעניק לו משקל גבוה יותר בסבב הבא. כדי לבחון את יעילות האלגוריתמים, פיתחתי סימולציות ממוחשבות בשפת Python המדמה 100 מצביעים בעלי ערכי טעות שונים )מרחק בהצבעתם מהתוצאה האופטימלית (נבדקו ביצועי המערכת מול ארבעה סוגי התפלגויות של קהלים) למשל, קהל שרובו טועה לעומת קהל שרובו מדויק (לאורך 50 סבבי הצבעה ו4 כמויות פרויקטים שונות) 2,3,4,5 כל מצביע מחליט על הצבעתו בסבב הבא לפי ערך הטעות שלו ולפי קרבה להצבעתו בסבב הקודם.
ממצאי המחקר מצביעים על כך שהאלגוריתמים Mode Split Third 4 ו-Mode Split Third 1 הם האפקטיביים ביותר וכי השיגו שיפור של כ18.98%- לאחר 50 סבבי הצבעה. המסקנה המרכזית היא שחלוקת המצביעים לשלוש רמות דיוק מהווה את "נקודת האיזון" הטובה ביותר, היא מאפשרת למערכת לזהות ולתת משקל גבוה יותר למצביעים איכותיים במהירות, מבלי להפוך למורכבת מדי או להיפגע מחוסר יציבות.