5.5.2 Leverage heterogeneity
Sadree't jo hawwe motivearre in soad minsken oan it wurk op in echte wittenskiplike probleem, jo sil ûntdekke dat jimme dielnimmers sille wêze heterogene yn twa wichtichste wizen: se sille fariearje yn harren feardigens en se sille fariearje yn harren nivo fan ynspanning. De earste reaksje fan in protte sosjale ûndersikers is te slúten lege kwaliteit dielnimmers en dêrnei besykje te sammeljen in fêst bedrach fan ynformaasje fan elkenien ferliet. Dit is de ferkearde wei te ûntwerpen in massa gearwurking projekt.
Earste, is der gjin reden om te slúten leech betûft dielnimmers. Yn iepen petearen, leech betûft dielnimmers soargje gjin problemen; harren bydragen net sear ien en se net nedich gjin tiid om te evaluearjen. Yn minsklike computation en ferspraat gegevens samling projekten, oan 'e oare kant, de bêste foarm fan kwaliteit kontrôle komt troch ûntslach, net in hege bar foar partisipaasje. Yn feite, ynstee eksklusyf lege feardigens dielnimmers, in bettere oanpak is te helpen harren meitsje bettere bydragen, folle as de ûndersikers by eBird hawwe dien.
Twadde, is der gjin reden om te sammeljen in fêst bedrach fan ynformaasje fan eltse dielnimmer. Partisipaasje in protte massa gearwurking projekten is ongelooflijk ûngelikense (Sauermann and Franzoni 2015) mei in lyts tal minsken bydrage in soad-soms neamd it fet holle en in soad minsken bydrage in bytsje-soms neamd de lange sturt. As jo net sammelje ynformaasje fan de fette kop en de lange sturt, jo binne leaving ton fan ynformaasje losse. Bygelyks, as Wikipedia akseptearre 10 en mar 10 bewurkings per editor, it soe ferlieze sa'n 95% fan de bewurkings (Salganik and Levy 2015) . Sa, mei massa gearwurking projekten, is it bêste om Leverage heterogeneity ynstee besykje te elimineren it.
