5.5.2 Leverage heterogenitet

Når du har motiveret mange mennesker til at arbejde på et reelt videnskabeligt problem, vil du opdage, at dine deltagere vil være heterogene på to hovedmåder: de vil variere både i deres færdigheder og deres indsatsniveau. Den første reaktion fra mange sociale forskere er at bekæmpe denne heterogenitet ved at forsøge at udelukke lavkvalitetsdeltagere og derefter forsøge at indsamle en fast mængde information fra alle venstrefløjen. Dette er den forkerte måde at designe et massesamarbejdsprojekt på. I stedet for at bekæmpe heterogenitet bør du udnytte det.

For det første er der ingen grund til at udelukke lavtuddannede deltagere. I åbne opkald giver lavtuddannede deltagere ingen problemer; deres bidrag gør ikke nogen skade, og de kræver ikke nogen tid til at evaluere. I menneskelig beregning og distribueret dataindsamlingsprojekter kommer den bedste form for kvalitetskontrol endvidere gennem redundans, ikke gennem en høj bar for deltagelse. Faktisk, i stedet for at udelukke lavdygtige deltagere, er en bedre tilgang at hjælpe dem med at yde bedre bidrag, lige som forskerne på eBird har gjort.

For det andet er der ingen grund til at indsamle en fast mængde information fra hver deltager. Deltagelse i mange massesamarbejde projekter er utroligt ulige (Sauermann and Franzoni 2015) , med et lille antal mennesker, der bidrager meget - nogle gange kaldes det fede hoved - og mange mennesker bidrager lidt - nogle gange kaldet den lange hale . Hvis du ikke samler informationer fra det fede hoved og den lange hale, forlader du masser af information, der ikke er indsamlet. Hvis f.eks. Wikipedia accepterede 10 og kun 10 redigeringer pr. Editor, ville det tabe omkring 95% af redigeringer (Salganik and Levy 2015) . Således er det med massearbejdsprojekter bedre at udnytte heterogenitet end at forsøge at fjerne det.