La agregación de rangos trata el problema de fusionar múltiples listas clasificadas de elementos en una lista agregada única con una ordenación de elementos mejorada. Tales casos se encuentran con frecuencia en numerosas aplicaciones en una variedad de áreas, incluyendo bioinformática, aprendizaje automático, estadísticas, recuperación de información, y así sucesivamente. Los métodos de agregación de rangos ponderados consideran una versión más avanzada del problema al asumir que las listas de entrada no son de igual importancia. En este contexto, primero aplican técnicas ad hoc para asignar pesos a las listas de entrada, y luego estudian cómo integrar estos pesos en las puntuaciones de los elementos individuales de la lista. En este trabajo, adoptamos la idea de explotar los pesos de las listas no solo durante el cálculo de las puntuaciones de los elementos, sino también para determinar qué elementos se incluirán en la lista agregada de consenso. Más específicamente, presentamos y analizamos un mecanismo de refinamiento novedoso, llamado WIRE, que elimina efectivamente los elementos más débiles de las listas de entrada menos importantes, mejorando así la calidad de la clasificación de salida. Demostramos experimentalmente la efectividad de nuestro método en múltiples conjuntos de datos al compararlo con una colección de técnicas ponderadas y no ponderadas de última generación.