5.5.2 HEFBOOM heterogeniteit

Sodra jy baie mense gemotiveer het om op 'n werklike wetenskaplike probleem te werk, sal jy ontdek dat jou deelnemers op twee hoof maniere heterogeen sal wees: hulle sal wissel in hul vaardighede en hul vlak van inspanning. Die eerste reaksie van baie sosiale navorsers is om teen hierdie heterogeniteit te veg deur deelnemers van lae gehalte te sluit en dan probeer om 'n vaste hoeveelheid inligting van almal wat links is, te versamel. Dit is die verkeerde manier om 'n massasamewerkingsprojek te ontwerp. In plaas daarvan om heterogeniteit te bestry, behoort jy dit te benut.

Eerstens is daar geen rede om laaggeskoolde deelnemers uit te sluit nie. In oop oproepe veroorsaak lae geskoolde deelnemers geen probleme nie; hul bydraes doen niemand seermaak nie en hulle benodig geen tyd om te evalueer nie. By menslike berekening en verspreiding van data-insamelingsprojekte kom die beste vorm van gehaltebeheer ook deur ontslag, nie deur middel van 'n hoë bar vir deelname nie. Trouens, eerder as om lae vaardigheidsdeelnemers uit te sluit, is 'n beter benadering om hulle te help om beter bydraes te lewer, soos die navorsers by eBird gedoen het.

Tweedens, daar is geen rede om 'n vaste hoeveelheid inligting van elke deelnemer te versamel nie. Deelname aan baie massasamewerkingsprojekte is ongelooflik ongelyk (Sauermann and Franzoni 2015) , met 'n klein aantal mense wat baie bydra - soms die dikkop genoem - en baie mense wat 'n bietjie bydra - soms die lang stert genoem . As jy nie inligting van die dik kop en die lang stert insamel nie, verlaat jy die massas inligting wat nie ingesamel is nie. Byvoorbeeld, as Wikipedia 10 en 10 wysigings per redakteur aanvaar, sal dit sowat 95% van wysigings verloor (Salganik and Levy 2015) . Dus, met massasamewerkingsprojekte, is dit die beste om heterogeniteit te benut eerder as om dit uit te skakel.