David Eppstein sugiere un método Bayesiano en su comentario. Una cosa estándar para hacer en esta situación es el uso de un uniforme antes. Es decir, antes de las evaluaciones de una revisión venir, su probabilidad de $p_i$ de ser útil se supone que para ser distribuidos de manera uniforme en [0, 1]. Tras la recepción de cada evaluación de la revisión, aplicar el teorema de Bayes.
Esto suena complicado, y sería para una arbitraria antes de la distribución. Pero resulta que con el uniforme de la anterior, la posterior distribución en todas las distribuciones beta. En particular, se espera que el valor de $p_i$ después de la s evaluaciones positivas y n-s negativos (s+1)/(n+2). Esto es de Laplace de la regla de la sucesión, y las pruebas de los hechos que he mencionado puede encontrarse en que artículo de la Wikipedia. Entonces el tipo del resultado (s+1)/(n+2).
Las constantes "1" y "2" provienen de la utilización de un uniforme de antes, y en realidad no dan los mismos resultados que la muestra de datos que usted proporcione. Pero si dar una opinión que s de n personas han dicho que para ser útil a la puntuación (s+3)/(n+6), entonces tus comentarios tienen puntuaciones
7 de 7: 10/13 = 0.769...
21 de 26: 24/32 = 0.75
9 de las 10: 12/16 = 0.75
6 de 6: 9/12 = 0.75
8 de 9: 11/15 = 0.733
5 de 5: 8/11 = 0.727
7 de 8: 10/14 = 0.714
12 de 15: 15/21 = 0.714
Esto, en esencia, las cantidades a ordenar por la proporción de evaluaciones positivas de cada examen, excepto que cada revisión se inicia con algunos "imaginario" de las evaluaciones, tres positivos y tres negativos. (No estoy diciendo que (3,6) es el único par de constantes que se reproducen en el orden que se le da; sólo son la primera pareja que he encontrado, y de hecho (3k, 4k+2) funciona para cualquier $k \ge 1$.)
