5.5.2 ناهمگنی اهرم

هنگامی که شما انگیزه بسیاری از مردم برای کار بر روی یک مشکل علمی واقعی، شما کشف خواهید کرد که شرکت کنندگان شما در دو روش اصلی ناهمگن خواهد بود: آنها در مهارت و سطح تلاش خود متفاوت است. نخستین واکنش بسیاری از محققان اجتماعی، مبارزه با این ناهمگونی با تلاش برای حذف شرکت کنندگان با کیفیت پایین و سپس تلاش برای جمع آوری مقدار مشخصی از اطلاعات از همه افراد باقی مانده است. این راه اشتباهی برای طراحی یک پروژه همکاری تودهای است. به جای مبارزه با ناهمگونی، شما باید از آن استفاده کنید.

اولا، هیچ دلیلی برای حذف شرکت کنندگان کم مهارت نیست. در فراخوانهای باز، مشارکتکنندگان با مهارت کم مشکلی ندارند؛ مشارکت آنها به هیچ کس آسیب نمی رساند و آنها هیچ وقت برای ارزیابی نیاز ندارند. علاوه بر این، در محاسبات انسانی و پروژه های جمع آوری داده های توزیع شده، بهترین شکل کنترل کیفیت، از طریق افزونگی، از طریق نوار بالای مشارکت، به دست می آید. در حقیقت، به جای آنکه شرکت کنندگان در کم مهارت را کنار بگذارند، روشی بهتر است که به آنها کمک کند تا کمکهای بیشتری را انجام دهند، همانطور که محققان eBird انجام داده اند.

دوم، هیچ دلیلی برای جمع آوری یک مقدار ثابت اطلاعات از هر شرکت کننده وجود ندارد. مشارکت در بسیاری از پروژه های همکاری جمعی فوق العاده نابرابر است (Sauermann and Franzoni 2015) ، با تعداد کمی از افراد که به میزان زیادی کمک می کنند - گاهی اوقات به عنوان سر چربی نامیده می شود و بسیاری از مردم کمی کمک می کنند که گاهی اوقات دمیدن طولانی است . اگر اطلاعات را از سر چربی و دم طول نکشید، شما توده های اطلاعاتی را جمع آوری می کنید. به عنوان مثال، اگر ویکی پدیا 10 و فقط 10 ویرایش در هر ویرایشگر پذیرفته شود، حدود 95 درصد از ویرایشها را از دست خواهد داد (Salganik and Levy 2015) . بنابراین، با همکاری پروژه های همکاری، بهتر است که ناهمگونی را به نفع خود ببریم و سعی کنیم آن را از بین ببریم.