5.5.2 Leverage heterogenost

Nakon što su motivirani mnogo ljudi da rade na pravi naučni problem, otkrit ćete da će vaša učesnici biti heterogena na dva osnovna načina: oni će se razlikovati u svoju šansu i oni će se razlikovati u njihov nivo napora. Prva reakcija mnogih socijalnih istraživača je da se isključe učesnici niske kvalitete, a zatim pokušati prikupiti fiksni iznos od informacija od svih otišao. To je pogrešan način dizajnirati masu suradnji projekta.

Prvo, ne postoji razlog da se isključe niske kvalifikacije učesnika. U otvorenim pozivima, niskokvalifikovane učesnici izazvati nikakve probleme; njihov doprinos ne povrijediti nikoga i ne zahtijeva bilo vremena za procjenu. U ljudskim obračuna i distribuirane projekte prikupljanja podataka, s druge strane, najbolji oblik kontrole kvaliteta dolazi kroz tehnološkog viška, nije visok bar za učešće. U stvari, a ne isključujući niske učesnika vještina, bolji pristup je da im pomogne da se bolje doprinosa, koliko su istraživači na eBird uradio.

Drugo, ne postoji razlog da se prikupe fiksni iznos od informacija iz svakog učesnika. Učešće u mnogim suradnji projektima masa je nevjerojatno neravnopravan (Sauermann and Franzoni 2015) s malim brojem ljudi koji doprinose mnogo-ponekad naziva glavu masti -i mnogo ljudi koji doprinose malo-ponekad naziva dugog repa. Ako ne prikupljaju informacije od glave masti i dugačak rep, vi ostavljajući tona informacija nenaplaćenih. Na primjer, ako Wikipedia prihvatio 10 i samo 10 izmjena po urednik, to bi izgubiti oko 95% od uređivanja (Salganik and Levy 2015) . Tako je, uz suradnju projektima mase, to je najbolje da iskoristi heterogenosti umesto da ga eliminirati.