5.5.2 Leverage eterogeneità

Una volta che avete motivato un sacco di gente a lavorare su un vero e proprio problema scientifico, si scopre che i partecipanti saranno eterogenee in due modi principali: essi variano nella loro abilità e saranno variare nella loro livello di sforzo. La prima reazione di molti ricercatori sociali è di escludere i partecipanti di bassa qualità e quindi tentare di raccogliere una quantità fissa di informazioni da tutti a sinistra. Questo è il modo sbagliato per la progettazione di un progetto di collaborazione di massa.

In primo luogo, non vi è alcuna ragione per escludere bassi partecipanti qualificati. In inviti aperti, a basso partecipanti qualificati non causano problemi; il loro contributo non fanno male nessuno e non richiedono alcun tempo di valutare. In computazione umana e progetti di raccolta dati distribuiti, d'altra parte, la migliore forma di controllo di qualità viene attraverso la ridondanza, non una barra alta per la partecipazione. Infatti, piuttosto che escludere i partecipanti poco qualificati, un approccio migliore è quello di aiutarli a fare i contributi migliori, tanto quanto i ricercatori della eBird hanno fatto.

In secondo luogo, non vi è alcuna ragione per raccogliere una quantità fissa di informazioni provenienti da ogni partecipante. La partecipazione a numerosi progetti di collaborazione di massa è incredibilmente disuguale (Sauermann and Franzoni 2015) con un piccolo numero di persone che contribuiscono molto a volte chiamato il capo grasso -e un sacco di persone che contribuiscono un po ', a volte chiamato la coda lunga. Se non si raccolgono informazioni dalla testa grasso e la lunga coda, si sta lasciando tonnellate di informazioni non riscossi. Per esempio, se Wikipedia accettato 10 e solo 10 modifiche al redattore, si perderebbero circa il 95% di modifiche (Salganik and Levy 2015) . Così, con progetti di collaborazione di massa, è meglio sfruttare l'eterogeneità piuttosto che cercare di eliminarlo.