5.5.2 Leverage heterogenost

Jednom kada motivirate mnogo ljudi da rade na stvarnom naučnom problemu, otkrićete da će vaši učesnici biti heterogeni na dva glavna načina: oni će se razlikovati u svojoj vještini i njihovom naporu. Prva reakcija mnogih socijalnih istraživača je da se bore protiv ove heterogenosti pokušavajući da isključe učesnike sa niskim kvalitetom i pokušavaju da prikupe fiksnu količinu informacija od svih koji su ostali. Ovo je pogrešan način za dizajniranje projekta masovne saradnje. Umesto da se bore protiv heterogenosti, trebate ga iskoristiti.

Prvo, nema razloga da se isključe nisko kvalifikovani učesnici. U otvorenim pozivima, nisko-kvalifikovani učesnici ne izazivaju nikakve probleme; njihov doprinos nikoga ne povređuje i ne zahtijeva vrijeme za procjenu. Štaviše, kod ljudskih računara i distribuiranih projekata prikupljanja podataka, najbolji oblik kontrole kvaliteta dolazi kroz redundantnost, a ne kroz visoku bar za učešće. Zapravo, umjesto isključivanja učesnika sa niskom kvalifikacijom, bolji pristup je da im pomogne da daju bolje doprinose, kao što su istraživači na eBird-u učinili.

Drugo, nema razloga za prikupljanje fiksnog iznosa informacija od svakog učesnika. Učešće u mnogim projektima masovne saradnje je neverovatno neujednačeno (Sauermann and Franzoni 2015) , s malim brojem ljudi koji mnogo doprinose - ponekad se zove mastna glava - a mnogi ljudi malo doprinose - ponekad nazivaju dugim repom . Ako ne prikupljate informacije iz glave masti i dugog repa, ostavljate mnoge informacije neobeležene. Na primjer, ako je Vikipedija prihvatila 10, a samo 10 izmjena po uredniku, izgubio bi oko 95% (Salganik and Levy 2015) . Dakle, sa masovnim projektima saradnje, najbolje je iskoristiti heterogenost, a ne pokušati da je eliminišu.