هنگامی که بسیاری از مردم به کار بر روی یک مشکل واقعی علمی شما انگیزه اند، شما متوجه خواهد شد که شرکت کنندگان خود را در دو راه اصلی ناهمگن باشید: آنها در مهارت های خود را متفاوت خواهد بود و آنها را در سطح خود را از تلاش متفاوت خواهد بود. اولین واکنش بسیاری از محققان اجتماعی است به حذف شرکت کنندگان با کیفیت پایین و سپس اقدام به جمع آوری یک مقدار ثابت از اطلاعات را از همه است. این روش اشتباه برای طراحی یک پروژه همکاری جمعی است.
اول، هیچ دلیلی برای حذف شرکت کنندگان ماهر پایین. در تماس های باز، شرکت کنندگان با مهارت کم باعث هیچ مشکلی. کمک های خود را به هیچ کس صدمه دیده است و آنها هیچ زمان برای ارزیابی نیاز ندارد. در محاسبات انسانی و پروژه های جمع آوری داده ها توزیع شده، از سوی دیگر، به بهترین شکل از کنترل کیفیت می آید از طریق افزونگی، نه یک نوار بالا برای مشارکت. در واقع، به جای به جز شرکت کنندگان مهارت پایین، یک رویکرد بهتر است برای کمک به آنها کمک های بهتر، آنجا که محققان در eBird انجام داده اند.
دوم، هیچ دلیلی برای جمع آوری یک مقدار ثابت از اطلاعات را از هر شرکت وجود دارد. مشارکت در بسیاری از پروژه های همکاری جمعی فوق العاده نابرابر است (Sauermann and Franzoni 2015) با تعداد کمی از مردم کمک زیادی-گاهی اوقات به نام سر چربی دنده بسیاری از مردم کمک کمی-گاهی اوقات دم بلند نامیده می شود. اگر شما اطلاعات را از سر چربی و دم بلند را جمع آوری کنید، شما را ترک تن از اطلاعات فراهم نشده. برای مثال، اگر ویکیپدیا پذیرفته 10 و تنها 10 ویرایش در ویرایشگر، آن را حدود 95 درصد از ویرایشهای از دست دادن (Salganik and Levy 2015) . بنابراین، با پروژه همکاری جمعی، بهتر است به اهرم ناهمگنی جای سعی کنید به از بین بردن آن.