5.5.2 Leverage heterogenitet

Når du har motiveret en masse mennesker til at arbejde på en rigtig videnskabelig problem, vil du opdage, at dine deltagere vil være heterogen på to måder: De vil variere i deres dygtighed, og de varierer i deres niveau af indsats. Den første reaktion af mange sociale forskere er at udelukke deltagere lav kvalitet og derefter forsøge at samle et fast beløb af oplysninger fra alle forlod. Det er en forkert måde at designe en masse projektsamarbejde.

Først er der ingen grund til at udelukke lavtuddannede deltagere. I åbne indkaldelser, lavtuddannede deltagere giver ingen problemer; deres bidrag ikke skade nogen, og de ikke kræver nogen tid til at vurdere. I human beregning og distribuerede projekter dataindsamling, på den anden side, den bedste form for kvalitetskontrol kommer gennem redundans, ikke en høj bar for deltagelse. Faktisk snarere end at udelukke deltagere lave dygtighed, en bedre tilgang er at hjælpe dem med at træffe bedre bidrag, meget 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 masse samarbejdsprojekter er utroligt ulige (Sauermann and Franzoni 2015) med et lille antal mennesker, der bidrager en masse-også kaldet fedt hoved -og en masse mennesker, der bidrager en lidet kaldes den lange hale. Hvis du ikke indsamle oplysninger fra fedt hoved og den lange hale, forlader du masser af information uindsamlet. For eksempel, hvis Wikipedia accepterede 10 og kun 10 redigeringer pr redaktør, ville det miste omkring 95% af redigeringer (Salganik and Levy 2015) . , Med masse samarbejdsprojekter Således er det bedst at udnytte heterogenitet i stedet forsøge at fjerne det.