5.5.2 heteroxeneidade Leverage

Unha vez que motivou a moita xente a traballar nun verdadeiro problema científico, descubrirá que os seus participantes serán heteroxéneos de dous xeitos principais: variarán tanto na súa destreza como no seu nivel de esforzo. A primeira reacción de moitos investigadores sociais é loitar contra esta heteroxeneidade intentando excluír os participantes de baixa calidade e, a continuación, tratar de recoller unha cantidade fixa de información de todos os que quedan. Esta é a forma incorrecta de deseñar un proxecto de colaboración masiva. En vez de combater a heteroxeneidade, debes aproveitalo.

En primeiro lugar, non hai razón para excluír os participantes con pouca cualificación. En chamadas abertas, os participantes pouco cualificados non teñen problemas; As súas contribucións non fan mal a ninguén e non precisan tempo para avaliar. En computación humana e proxectos de recollida de datos distribuídos, ademais, a mellor forma de control de calidade vén a través da redundancia, non a través dunha barra alta para a participación. En realidade, en vez de excluír os participantes con pouca habilidade, un mellor enfoque é axudalos a facer mellores contribucións, como fixeron os investigadores de eBird.

En segundo lugar, non hai ningunha razón para recoller unha cantidade fixa de información de cada participante. A participación en moitos proxectos de colaboración masiva é increíblemente desigual (Sauermann and Franzoni 2015) , cun pequeno número de persoas que contribúen moito -algunhas veces chamado a cabeza de graxa- e moitas persoas aportan un pouco -algunhas veces chamado cola longa . Se non recolle información da cabeza de graxa e da cola longa, está deixando as masas de información sen recoller. Por exemplo, se Wikipedia aceptou 10 e só 10 edicións por editor, perdería aproximadamente o 95% das edicións (Salganik and Levy 2015) . Deste xeito, con proxectos de colaboración en masa, o mellor é aproveitar a heteroxeneidade en lugar de intentar eliminalo.