5.5.2 Pákový efekt heterogenita

Poté, co jste motivováni hodně lidí pracovat na skutečném vědeckém problému, zjistíte, že vaše účastníci budou heterogenní dvěma hlavními způsoby: budou lišit ve své dovednosti a budou se lišit v úrovni jejich úsilí. První reakcí mnoha sociálních vědců je vyloučit účastníky nízké kvality a pak se snaží sbírat fixní množství informací od všichni odešli. To je špatný způsob, jak vytvořit projekt hmotnost spolupráce.

Za prvé, neexistuje žádný důvod pro vyloučení s nízkou kvalifikací účastníků. V otevřených výzev, s nízkou kvalifikací účastníci způsobit žádné problémy; jejich příspěvky nejsou nikomu ublížit, a nevyžadují žádný čas na vyhodnocení. V lidské počítání a distribuované projekty sběru dat, na druhé straně, nejlepší formou kontroly kvality je prostřednictvím redundance, a ne vysokou bar pro účast. Ve skutečnosti spíše než výjimkou nízké účastníkům dovedností, lepší přístup je, aby jim pomohla lépe příspěvky, stejně jako výzkumníci v eBird udělal.

Za druhé, není důvod, aby sbírat fixní množství informací od každého účastníka. Účast v mnoha masových projektů spolupráce je neuvěřitelně nerovnoměrné (Sauermann and Franzoni 2015) s malým počtem lidí přispívajících hodně, někdy nazýván hlavou tuku -A spoustu lidí, které přispívají málo někdy nazýván dlouhý ocas. Pokud nechcete shromažďovat informace z hlavy tuku a dlouhým ocasem, odjíždíte tuny informací uncollected. Například, pokud Wikipedie přijal 10 a pouhých 10 úpravy na editor, bylo by to ke ztrátě asi 95% editací (Salganik and Levy 2015) . Tak, s masovými projektů spolupráce, to je nejlepší využít heterogenitu než se snažit k jejímu odstranění.