В ручной оценке двух диалоговых моделей ответ новой версии всегда показывали слева, а ответ текущей — справа. Новая версия победила в 58% пар. Какой дефект эксперимента не позволяет считать это доказательством улучшения и как нужно организовать повторную оценку?