5.5.2 heterogeneïtat apalancament

Una vegada que hagi motivat a molta gent a treballar en un problema científic real, descobrirà que els seus participants seran heterogenis de dues maneres principals: variaran tant en la seva habilitat com en el seu nivell d'esforç. La primera reacció de molts investigadors socials és lluitar contra aquesta heterogeneïtat intentant excloure participants de baixa qualitat i després tractar de recollir una quantitat fixa d'informació de tots els que queden. Aquesta és la manera equivocada de dissenyar un projecte de col·laboració massiva. En lloc de lluitar contra l'heterogeneïtat, cal aprofitar-la.

En primer lloc, no hi ha cap motiu per excloure participants poc qualificats. En trucades obertes, els participants poc qualificats no generen problemes; les seves contribucions no afecten a ningú i no requereixen cap moment per avaluar-les. En computació humana i projectes de recopilació de dades distribuïdes, a més, la millor forma de control de qualitat es produeix per la redundància, no a través d'un alt bar de participació. De fet, en comptes d'excloure participants de baix nivell, un millor enfocament és ajudar-los a millorar les seves aportacions, tal com han fet els investigadors d'eBird.

En segon lloc, no hi ha cap raó per recollir una quantitat fixa d'informació de cada participant. La participació en molts projectes de col · laboració massiva és increïblement desigual (Sauermann and Franzoni 2015) , amb un nombre reduït de persones que aporten moltes vegades, de vegades anomenat el greix, i moltes persones aporten una mica, de vegades anomenat cua llarga . Si no recopila informació del cap de greix i la cua llarga, deixareu sense haver-hi massa informació. Per exemple, si Wikipedia accepta 10 i només 10 edicions per editor, perdria aproximadament el 95% de les edicions (Salganik and Levy 2015) . Per tant, amb els projectes de col · laboració massiva, és millor aprofitar l'heterogeneïtat en lloc d'intentar eliminar-lo.