5.5.2 HEFBOOM heterogeniteit

Sodra jy 'n klomp mense om te werk aan 'n ware wetenskaplike probleem het gemotiveer, sal jy ontdek dat jou deelnemers heterogene sal in twee hoof maniere: hulle in hul vaardigheid sal wissel en hulle sal wissel in hul vlak van inspanning. Die eerste reaksie van baie sosiale navorsers is om deelnemers lae gehalte uitsluit en probeer dan om 'n vaste bedrag van inligting in te samel van almal verlaat. Dit is die verkeerde manier om 'n massa samewerking projek te ontwerp.

In die eerste plek is daar geen rede om 'n lae geskoolde deelnemers uitsluit. In oop oproepe, lae geskoolde deelnemers veroorsaak geen probleme; hul bydraes nie iemand seer te maak en hulle het nie tyd om te evalueer vereis. In menslike berekening en versprei dataversameling projekte, aan die ander kant, die beste vorm van gehaltebeheer kom deur ontslag, nie 'n hoë bar vir deelname. Trouens, eerder as die uitsondering van 'n lae deelnemers vaardigheid, 'n beter benadering is om hulle te help om beter bydraes, soveel as die navorsers by eBird gedoen.

Tweedens, is daar geen rede om 'n vaste bedrag van inligting in te samel van elke deelnemer. Deelname aan verskeie massa samewerking projekte is ongelooflik ongelyke (Sauermann and Franzoni 2015) met 'n klein aantal mense wat bydra baie-soms genoem die vet kop -en 'n klomp mense wat bydra 'n bietjie-soms genoem die lang stert. As jy nie inligting van die vet kop en die lang stert te samel, is jy verlaat ton van inligting afgehaal. Byvoorbeeld, as Wikipedia aanvaar 10 en slegs 10 wysigings per redakteur, sou dit ongeveer 95% van wysigings verloor (Salganik and Levy 2015) . So, met 'n massa samewerking projekte, is dit die beste om heterogeniteit hefboom eerder as om te probeer om dit uit te skakel.