5.5.2 Memanfaatkan heterogenitas

Setelah Anda termotivasi banyak orang untuk bekerja pada masalah ilmiah yang nyata, Anda akan menemukan bahwa peserta Anda akan heterogen dalam dua cara utama: mereka akan bervariasi dalam keterampilan mereka dan mereka akan bervariasi dalam tingkat usaha. Reaksi pertama dari banyak peneliti sosial untuk mengecualikan peserta kualitas rendah dan kemudian berusaha untuk mengumpulkan jumlah yang tetap informasi dari semua orang kiri. Ini adalah cara yang salah untuk merancang sebuah proyek kolaborasi massa.

Pertama, tidak ada alasan untuk mengecualikan peserta terampil rendah. Dalam panggilan terbuka, peserta terampil rendah menyebabkan tidak ada masalah; kontribusi mereka tidak menyakiti siapa pun dan mereka tidak memerlukan waktu untuk mengevaluasi. Dalam perhitungan manusia dan proyek-proyek pengumpulan data terdistribusi, di sisi lain, bentuk terbaik dari kontrol kualitas datang melalui redundansi, bukan bar yang tinggi untuk berpartisipasi. Bahkan, bukan tidak termasuk peserta keterampilan rendah, pendekatan yang lebih baik adalah untuk membantu mereka membuat kontribusi yang lebih baik, sebanyak peneliti di eBird telah dilakukan.

Kedua, tidak ada alasan untuk mengumpulkan jumlah yang tetap informasi dari masing-masing peserta. Partisipasi dalam banyak proyek kolaborasi massa adalah sangat tidak seimbang (Sauermann and Franzoni 2015) dengan sejumlah kecil orang berkontribusi banyak-kadang disebut kepala lemak -dan banyak orang berkontribusi sedikit-kadang disebut ekor panjang. Jika Anda tidak mengumpulkan informasi dari kepala lemak dan ekor panjang, Anda meninggalkan ton informasi tertagih. Misalnya, jika Wikipedia diterima 10 dan hanya 10 suntingan per Editor, itu akan kehilangan sekitar 95% dari suntingan (Salganik and Levy 2015) . Dengan demikian, dengan proyek-proyek kolaborasi massa, yang terbaik adalah untuk meningkatkan heterogenitas daripada mencoba untuk menghilangkannya.