5.5.2 Leverage heterogenitás

Miután sok embert motiváltak egy valódi tudományos probléma megoldására, rájössz, hogy a résztvevők kétféle módon fognak heterogénnek lenni: mind a készségükben, mind az erőfeszítésükben változni fognak. Számos társadalmi kutató első reakciója a heterogénség elleni küzdelem azáltal, hogy kizárja az alacsony színvonalú résztvevőket, majd megpróbálja összegyűjteni egy rögzített mennyiségű információt a többiektől. Ez egy rossz módja egy tömeges együttműködési projekt megtervezésének. A heterogenitás elleni harc helyett ki kell használnod.

Először is, nincs ok arra, hogy kizárják az alacsonyan képzett résztvevőket. Nyílt hívások esetén az alacsony képzettségű résztvevők nem okoznak problémát; hozzájárulásaik nem sértenek senkit, és nem igényelnek időt arra, hogy értékeljék. Emberi számításokban és elosztott adatgyűjtési projektekben a minőségellenőrzés legjobb formája a redundancián keresztül történik, nem pedig egy magas részvételi sávon keresztül. Sőt, az alacsony képzettségű résztvevők kizárása helyett a jobb megközelítés az, hogy segítsen nekik jobb hozzájárulást nyújtani, akárcsak az eBird kutatói.

Másodszor, nincs ok arra, hogy minden résztvevőből rögzített mennyiségű információt gyűjtsünk. Részvétel számos tömeges együttműködési projektek hihetetlenül egyenlőtlen (Sauermann and Franzoni 2015) , egy kis számú ember hozzájáruló sok-néha a kövér fejét -és egy csomó ember hozzájárulva egy kevéssé néha a hosszú farok. Ha nem gyűjt adatokat a zsírfejről és a hosszú farokról, akkor elhagyja az összegyűjtött információkat. Például, ha a Wikipédia 10-et és csak 10 szerkesztőt fogad el szerkesztőként, akkor elveszítené a szerkesztések 95% -át (Salganik and Levy 2015) . Így a tömeges együttműködési projekteknél a legjobb, ha inkább kihasználni a heterogenitást, mint megpróbálni megszüntetni.