5.5.2 heteroxeneidade Leverage

Despois de ter motivado unha chea de xente a traballar nun problema científico real, vai descubrir que os seus participantes serán heteroxéneo de dous xeitos principais: eles varían na súa capacidade e eles varían no seu nivel de esforzo. A primeira reacción de moitos investigadores sociais é de eliminar os participantes de baixa calidade e, a continuación, tentar recoller unha cantidade fixa de información de todos á esquerda. Este é o camiño mal para crear un proxecto de colaboración en masa.

En primeiro lugar, non hai ningunha razón para excluír baixas participantes cualificados. En concursos públicos, os baixos participantes cualificados non causan problemas; súas contribucións non machucar ninguén e que non precisan calquera momento para avaliar. En computación humana e proxectos de recollida de datos distribuídos, por outra banda, a mellor forma de control de calidade vén a través de redundancia, non unha barra alta para a participación. De feito, no canto de eliminar participantes de baixa cualificación, a mellor visión é para axudalos a tomar mellores achegas, tanto como os investigadores da eBird facer.

En segundo lugar, non hai ningunha razón para recoller unha cantidade fixa de información de cada participante. Participación en varios proxectos de colaboración en masa é moi desigual (Sauermann and Franzoni 2015) cun pequeno número de persoas que contribúen moito, ás veces chamado de cabeza gorda -e unha morea de persoas que contribúen algo ás veces chamado de rabo longo. Se non recoller información a partir da cabeza de graxa ea cola longa, está deixando toneladas de información non recollido. Por exemplo, se Wikipedia aceptou 10 e só 10 edicións por editor, perdería uns 95% de edicións (Salganik and Levy 2015) . Así, con proxectos de colaboración en masa, o mellor é aproveitar a heteroxeneidade no canto de tentar eliminar-lo.