ສິ່ງທີ່ອ່ານຕໍ່ໄປ

• ການແນະນໍາ (ພາກ 5.1)

ເຮັດວຽກຮ່ວມກັນມະຫາຊົນປະກອບຄວາມຄິດເຫັນຈາກວິທະຍາສາດພົນລະເມືອງ, crowdsourcing, ແລະທາງການລວບລວມ. ວິທະຍາສາດຂອງພົນລະເມືອງປົກກະຕິແລ້ວຫມາຍຄວາມວ່າ "ພົນລະເມືອງ" (ຕົວຢ່າງ, ນັກວິທະຍາສາດ) ໃນຂະບວນການວິທະຍາສາດ; ສໍາລັບຫຼາຍ, ເບິ່ງ Crain, Cooper, and Dickinson (2014) ແລະ Bonney et al. (2014) . Crowdsourcing ມັກຈະຫມາຍຄວາມວ່າບັນຫາທີ່ຖືກແກ້ໄຂໂດຍທົ່ວໄປພາຍໃນອົງການຈັດຕັ້ງແລະແທນທີ່ຈະເອົາມັນມາໃຫ້ແກ່ກຸ່ມ; ສໍາລັບຫຼາຍ, ເບິ່ງ Howe (2009) . ຂໍ້ມູນທົ່ວໄປມັກຈະຫມາຍເຖິງກຸ່ມບຸກຄົນທີ່ປະຕິບັດຮ່ວມກັນໂດຍວິທີທີ່ເບິ່ງຄືວ່າເປັນທາງ; ສໍາລັບການຫຼາຍ, ເບິ່ງ Malone and Bernstein (2015) . Nielsen (2012) ແມ່ນຄໍາແນະນໍາທີ່ມີຄວາມຍາວໃນປື້ມບັນທຶກຂອງພະລັງງານຂອງການເຮັດວຽກຮ່ວມກັນສໍາລັບການຄົ້ນຄວ້າວິທະຍາສາດ.

ມີຫຼາຍປະເພດຂອງການຮ່ວມມືຫຼາຍຢ່າງທີ່ບໍ່ເຫມາະສົມກັບສາມປະເພດທີ່ຂ້ອຍໄດ້ສະເຫນີແລະຂ້ອຍຄິດວ່າສາມອັນນີ້ຄວນມີຄວາມສົນໃຈພິເສດເພາະວ່າມັນອາດຈະເປັນປະໂຫຍດຕໍ່ການຄົ້ນຄວ້າທາງດ້ານສັງຄົມ. ຕົວຢ່າງຫນຶ່ງແມ່ນການຄາດຄະເນຕະຫຼາດ, ບ່ອນທີ່ຜູ້ເຂົ້າຮ່ວມຊື້ແລະສັນຍາການຄ້າທີ່ສາມາດໄຖ່ໄດ້ໂດຍອີງຕາມຜົນໄດ້ຮັບທີ່ເກີດຂຶ້ນໃນໂລກ. ການຄາດຄະເນຕະຫຼາດມັກຈະຖືກນໍາໃຊ້ໂດຍບໍລິສັດແລະລັດຖະບານສໍາລັບການຄາດຄະເນແລະພວກມັນໄດ້ຖືກນໍາໃຊ້ໂດຍນັກຄົ້ນຄວ້າສັງຄົມເພື່ອຄາດຄະເນການທົດລອງການເຜີຍແຜ່ໃນການສຶກສາທາງຈິດໃຈ (Dreber et al. 2015) . ສໍາລັບສະພາບລວມຂອງຕະຫຼາດການຄາດຄະເນ, ເບິ່ງ Wolfers and Zitzewitz (2004) ແລະ Arrow et al. (2008)

ຕົວຢ່າງທີສອງທີ່ບໍ່ເຫມາະສົມກັບໂຄງການປະເພດຂອງຂ້ອຍແມ່ນໂຄງການ PolyMath, ບ່ອນທີ່ນັກຄົ້ນຄວ້າຮ່ວມມືກັບບລັອກແລະ wiki ເພື່ອສະແດງທິດສະດີຄະນິດສາດໃຫມ່. ໂຄງການ PolyMath ແມ່ນຢູ່ໃນບາງວິທີທີ່ຄ້າຍຄືກັນກັບລາງວັນ Netflix, ແຕ່ໃນຜູ້ເຂົ້າຮ່ວມໂຄງການນີ້ຫຼາຍກວ່າກໍ່ສ້າງຂື້ນໃນທາງແກ້ໄຂສ່ວນຫນຶ່ງຂອງຄົນອື່ນ. ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບໂຄງການ PolyMath, ເບິ່ງ Gowers and Nielsen (2009) , Cranshaw and Kittur (2011) , Nielsen (2012) , ແລະ Kloumann et al. (2016)

ຕົວຢ່າງທີສາມທີ່ບໍ່ເຫມາະສົມກັບແຜນການຈັດປະເພດຂອງຂ້ອຍແມ່ນການເຄື່ອນໄຫວທີ່ໃຊ້ເວລາຕາມຄວາມຕ້ອງການເຊັ່ນ: ທ້າວທ້າວເຄືອຂ່າຍໂຄງການຄົ້ນຄວ້າຂັ້ນສູງ (DARPA). ສໍາລັບການເພີ່ມເຕີມກ່ຽວກັບການເຄື່ອນໄຫວທີ່ໃຊ້ເວລາທີ່ລະອຽດອ່ອນເຫຼົ່ານີ້ເບິ່ງ Pickard et al. (2011) , Tang et al. (2011) , ແລະ Rutherford et al. (2013)

• ການຄິດໄລ່ມະນຸດ (ພາກ 52)

ຄໍາວ່າ "ການຄໍານວນຂອງມະນຸດ" ອອກມາຈາກການເຮັດວຽກໂດຍນັກວິທະຍາສາດຄອມພິວເຕີແລະຄວາມເຂົ້າໃຈໃນສະພາບການຂອງການຄົ້ນຄວ້ານີ້ຈະຊ່ວຍປັບປຸງຄວາມສາມາດຂອງທ່ານໃນການເລືອກເອົາບັນຫາທີ່ອາດເຫມາະສົມກັບມັນ. ສໍາລັບວຽກງານບາງຢ່າງ, ຄອມພິວເຕີແມ່ນມີປະສິດທິພາບ incredibly, ມີຄວາມສາມາດທີ່ສູງກວ່າຜູ້ທີ່ຂອງຜູ້ຊ່ຽວຊານແມ້ກະທັ້ງ. ຕົວຢ່າງ, ໃນ chess, ຄອມພິວເຕີສາມາດຕີໄດ້ເຖິງແມ່ນວ່ານາຍຈ້າງທີ່ດີທີ່ສຸດ. ແຕ່ - ແລະນີ້ແມ່ນການປະຕິບັດໂດຍນັກວິທະຍາສາດສັງຄົມຫນ້ອຍ - ສໍາລັບວຽກງານອື່ນໆ, ຄອມພິວເຕີແມ່ນຕົວຈິງແລ້ວຫຼາຍກ່ວາຄົນອື່ນ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ໃນປັດຈຸບັນທ່ານກໍ່ດີກ່ວາຄອມພິວເຕີທີ່ທັນສະໄຫມທີ່ສຸດໃນວຽກງານທີ່ກ່ຽວຂ້ອງກັບການປຸງແຕ່ງຮູບພາບ, ວິດີໂອ, ສຽງແລະຂໍ້ຄວາມ. ນັກວິທະຍາສາດຄອມພິວເຕີທີ່ເຮັດວຽກກ່ຽວກັບວຽກງານຕ່າງໆທີ່ຍາກສໍາລັບຄອມພິວເຕີ - ດັ່ງນັ້ນງ່າຍສໍາລັບມະນຸດຈຶ່ງໄດ້ຮັບຮູ້ວ່າພວກເຂົາສາມາດປະກອບມີມະນຸດໃນຂະບວນການຄອມພິວເຕີຂອງເຂົາເຈົ້າ. ນີ້ແມ່ນວິທີການ Luis von Ahn (2005) ອະທິບາຍການຄິດໄລ່ຂອງມະນຸດໃນເວລາທີ່ລາວສ້າງຄໍາທໍາອິດໃນຫຼັກສູດຂອງລາວ: "ຮູບແບບສໍາລັບການນໍາໃຊ້ພະລັງງານປະມວນຜົນຂອງມະນຸດເພື່ອແກ້ໄຂບັນຫາຕ່າງໆທີ່ຄອມພິວເຕີ້ບໍ່ສາມາດແກ້ໄຂໄດ້." ຄວາມຮູ້ສຶກທົ່ວໄປທີ່ສຸດໃນໄລຍະນີ້, ເບິ່ງ Law and Ahn (2011) .

ອີງຕາມຄໍານິຍາມທີ່ໄດ້ສະເຫນີໃນ Ahn (2005) Foldit - ເຊິ່ງຂ້າພະເຈົ້າໄດ້ອະທິບາຍຢູ່ໃນສ່ວນທີ່ເປີດສາຍ - ອາດຈະຖືກພິຈາລະນາເປັນໂຄງການຄອມພິວເຕີ້ຂອງມະນຸດ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ຂ້າພະເຈົ້າເລືອກທີ່ຈະຈັດປະເພດ Foldit ເປັນສາຍເປີດເນື່ອງຈາກມັນຮຽກຮ້ອງໃຫ້ມີຄວາມຊໍານານພິເສດ (ເຖິງແມ່ນວ່າມັນບໍ່ແມ່ນການຝຶກອົບຮົມຢ່າງເປັນທາງການ) ແລະມັນໃຊ້ວິທີແກ້ໄຂທີ່ດີທີ່ສຸດແທນທີ່ຈະໃຊ້ຍຸດທະສາດການແບ່ງປັນ -

ຄໍາສັບ "ແບ່ງປັນນໍາໃຊ້ - ສົມທົບ" ໄດ້ຖືກນໍາໃຊ້ໂດຍ Wickham (2011) ເພື່ອອະທິບາຍກົນລະຍຸດສໍາລັບຄອມພິວເຕີ້ສະຖິຕິ, ແຕ່ມັນສົມບູນໄດ້ຮັບການຈັດຕັ້ງປະຕິບັດໂຄງການຄອມພິວເຕີ້ມະນຸດຈໍານວນຫຼາຍ. ຍຸດທະສາດການແບ່ງປັນ - ການປະສົມປະສານແມ່ນຄ້າຍຄືກັບແຜນ MapReduce ທີ່ພັດທະນາຢູ່ກູໂກ; ສໍາລັບຫຼາຍກວ່າກ່ຽວກັບ MapReduce, ເບິ່ງ Dean and Ghemawat (2004) ແລະ Dean and Ghemawat (2008) . ສໍາລັບການເພີ່ມເຕີມກ່ຽວກັບສະຖາປັດຕະການຄອມພິວເຕີ້ແຈກຢາຍອື່ນໆ, ເບິ່ງ Vo and Silvia (2016) . ບົດທີ 3 ຂອງ Law and Ahn (2011) ມີການສົນທະນາກ່ຽວກັບບັນດາໂຄງການທີ່ມີຂັ້ນຕອນລວມກັນຫຼາຍກວ່າທີ່ຢູ່ໃນບົດນີ້.

ໃນໂຄງການຄອມພິວເຕີ້ຂອງມະນຸດທີ່ຂ້າພະເຈົ້າໄດ້ປຶກສາຫາລືໃນບົດນີ້, ຜູ້ເຂົ້າຮ່ວມຮູ້ກ່ຽວກັບສິ່ງທີ່ເກີດຂຶ້ນ. ບາງໂຄງການອື່ນໆ, ແຕ່, ຊອກຫາການຈັບ "ວຽກງານ" ທີ່ເກີດຂຶ້ນແລ້ວ (ຄ້າຍກັບ eBird) ແລະບໍ່ມີຄວາມເຂົ້າໃຈຂອງຜູ້ເຂົ້າຮ່ວມ. ເບິ່ງ, ສໍາລັບການຍົກຕົວຢ່າງ, ເກມ ESP (Ahn and Dabbish 2004) ແລະ reCAPTCHA (Ahn et al. 2008) . ເຖິງຢ່າງໃດກໍ່ຕາມ, ທັງໂຄງການເຫຼົ່ານີ້ຍັງມີຄໍາຖາມກ່ຽວກັບດ້ານຈັນຍາບັນເພາະຜູ້ເຂົ້າຮ່ວມບໍ່ຮູ້ວ່າຂໍ້ມູນຂອງເຂົາເຈົ້າຖືກນໍາໃຊ້ (Zittrain 2008; Lung 2012) .

ໂດຍໄດ້ຮັບການສະຫນັບສະຫນູນຈາກເກມ ESP, ນັກຄົ້ນຄວ້າຈໍານວນຫຼາຍໄດ້ພະຍາຍາມພັດທະນາ "ເກມທີ່ມີຈຸດປະສົງ" (Ahn and Dabbish 2008) (ເຊັ່ນ: "ເກມຄອມພິວເຕີ້ມະນຸດ" (Pe-Than, Goh, and Lee 2015) ). ນໍາໃຊ້ເພື່ອແກ້ໄຂບັນຫາຕ່າງໆ. ສິ່ງທີ່ "ເກມທີ່ມີຈຸດປະສົງ" ເຫຼົ່ານີ້ມີຢູ່ທົ່ວໄປຄືພວກເຂົາພະຍາຍາມເຮັດວຽກທີ່ກ່ຽວຂ້ອງກັບການຄິດໄລ່ຂອງມະນຸດທີ່ຫນ້າຕື່ນເຕັ້ນ. ດັ່ງນັ້ນ, ໃນຂະນະທີ່ເກມ ESP ແບ່ງປັນໂຄງສ້າງການແບ່ງປັນ - ສະຫມັກກັນແບບດຽວກັນກັບ Galaxy Zoo, ມັນແຕກຕ່າງຈາກວິທີທີ່ຜູ້ເຂົ້າຮ່ວມມີຄວາມກະຕືລືລົ້ນກັບຄວາມປາຖະຫນາທີ່ຈະຊ່ວຍໃຫ້ວິທະຍາສາດ. ສໍາລັບຫຼາຍເກມກ່ຽວກັບຈຸດປະສົງ, ເບິ່ງ Ahn and Dabbish (2008) .

ຄໍາອະທິບາຍຂອງຂ້ອຍກ່ຽວກັບການສະຫລອງ Galaxy Z draws ສຸດ Nielsen (2012) , Adams (2012) , Clery (2011) , ແລະ Hand (2010) , ແລະການນໍາສະເຫນີຂອງຂ້ອຍກ່ຽວກັບເປົ້າຫມາຍການຄົ້ນຄວ້າຂອງ Galaxy Zoo ໄດ້ງ່າຍດາຍ. ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບປະຫວັດສາດຂອງການແບ່ງປັນ galaxy ໃນວິທະຍາສາດແລະວິທີການ Galaxy Zoo ສືບຕໍ່ປະເພນີນີ້, ເບິ່ງ Masters (2012) ແລະ Marshall, Lintott, and Fletcher (2015) . ການກໍ່ສ້າງເທິງສວນສັດດາວທຽມ, ນັກຄົ້ນຄວ້າຈົບ Galaxy Zoo 2 ເຊິ່ງເກັບກໍາຂໍ້ມູນຫຼາຍກວ່າ 60 ລ້ານແບບປະສົມປະສານທີ່ສະລັບສັບຊ້ອນຫຼາຍຂຶ້ນຈາກອາສາສະຫມັກ (Masters et al. 2011) . ນອກຈາກນັ້ນ, ພວກເຂົາໄດ້ອອກໄປສູ່ບັນຫາພາຍນອກຂອງຮູບລັກສະນະທາງກາຍະພາບ, ລວມທັງການຄົ້ນຫາພື້ນທີ່ຂອງດວງຈັນ, ການຊອກຫາດາວແລະການຖ່າຍທອດເອກະສານເກົ່າ. ໃນປະຈຸບັນ, ໂຄງການທັງຫມົດຂອງພວກເຂົາແມ່ນເກັບກໍາຢູ່ໃນເວັບໄຊທ໌ Zooniverse (Cox et al. 2015) . ໂຄງການຫນຶ່ງຂອງໂຄງການ - Snapshot Serengeti - ສະຫນອງຫຼັກຖານທີ່ວ່າໂຄງການຈັດປະເພດຮູບພາບຂອງ Galaxy Zoo ສາມາດເຮັດໄດ້ສໍາລັບການຄົ້ນຄວ້າດ້ານສິ່ງແວດລ້ອມ (Swanson et al. 2016) .

ສໍາລັບນັກຄົ້ນຄວ້າວາງແຜນທີ່ຈະນໍາໃຊ້ຕະຫຼາດແຮງງານຂອງ microtask (Amazon Mechanical Turk) ສໍາລັບໂຄງການການຄິດໄລ່ຂອງມະນຸດ, Chandler, Paolacci, and Mueller (2013) ແລະ J. Wang, Ipeirotis, and Provost (2015) ສະເຫນີຄໍາແນະນໍາທີ່ດີກ່ຽວກັບການອອກແບບແລະ ບັນຫາທີ່ກ່ຽວຂ້ອງອື່ນໆ. Porter, Verdery, and Gaddis (2016) ສະເຫນີຕົວຢ່າງແລະຄໍາແນະນໍາທີ່ເນັ້ນຫນັກໃສ່ການນໍາໃຊ້ຕະຫຼາດແຮງງານ microtask ສໍາລັບສິ່ງທີ່ພວກເຂົາເອີ້ນວ່າ "ການເພີ່ມຂໍ້ມູນ." ສາຍລະຫວ່າງການເພີ່ມຂໍ້ມູນແລະການເກັບຂໍ້ມູນແມ່ນບາງຢ່າງທີ່ເຮັດໃຫ້ມີຄວາມຜິດພາດ. ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບການເກັບກໍາແລະການນໍາໃຊ້ປ້າຍສໍາລັບການຮຽນການເບິ່ງແຍງສໍາລັບຂໍ້ຄວາມ, ເບິ່ງ Grimmer and Stewart (2013) .

ນັກຄົ້ນຄວ້າມີຄວາມສົນໃຈໃນການສ້າງສິ່ງທີ່ຂ້ອຍເອີ້ນວ່າລະບົບການຄິດໄລ່ຂອງມະນຸດໂດຍໃຊ້ຄອມພິວເຕີ (ເຊັ່ນລະບົບທີ່ໃຊ້ປ້າຍຂອງມະນຸດເພື່ອຝຶກອົບຮົມຮູບແບບການຮຽນເຄື່ອງ) ອາດຈະສົນໃຈ Shamir et al. (2014) (ສໍາລັບຕົວຢ່າງການນໍາໃຊ້ສຽງ) ແລະ Cheng and Bernstein (2015) . ນອກຈາກນີ້, ຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນໂຄງການເຫຼົ່ານີ້ສາມາດໄດ້ຮັບການສະເຫນີໂດຍການໂທເປີດ, ຊຶ່ງນັກຄົ້ນຄວ້າຈະແຂ່ງຂັນສ້າງແບບຮຽນແບບເຄື່ອງຈັກທີ່ມີປະສິດຕິພາບສູງທີ່ສຸດ. ຕົວຢ່າງ, ທີມງານຂອງ Galaxy Zoo ໄດ້ເປີດການໂທເປີດແລະພົບເຫັນວິທີໃຫມ່ທີ່ເຮັດວຽກທີ່ດີກວ່າການພັດທະນາໃນ Banerji et al. (2010) ເບິ່ງ Dieleman, Willett, and Dambre (2015) ສໍາລັບລາຍລະອຽດ.

• ເປີດການໂທ (ພາກ 5.3)

ເປີດການໂທບໍ່ແມ່ນໃຫມ່. ໃນຄວາມເປັນຈິງ, ຫນຶ່ງໃນການໂທທີ່ມີຊື່ສຽງທີ່ສຸດທີ່ຮູ້ຈັກກັນມາຕັ້ງແຕ່ປີ 1714 ເມື່ອລັດສະພາຂອງສະຫະລັດໄດ້ສ້າງລາງວັນລອງລອງສໍາລັບໃຜທີ່ສາມາດພັດທະນາວິທີການກໍານົດເສັ້ນຍາວຂອງເຮືອໃນທະເລ. ບັນຫາທີ່ເກີດຂື້ນກັບນັກວິທະຍາສາດຫຼາຍທີ່ສຸດຂອງມື້ນີ້, ລວມທັງ Isaac Newton, ແລະການແກ້ໄຂທີ່ຊະນະທີ່ສຸດໄດ້ຖືກສົ່ງໂດຍ John Harrison, ຜູ້ທີ່ clockmaker ຈາກເຂດຊົນນະບົດທີ່ເຂົ້າຫາບັນຫານີ້ແຕກຕ່າງຈາກນັກວິທະຍາສາດຜູ້ທີ່ໄດ້ສຸມໃສ່ການແກ້ໄຂທີ່ກ່ຽວຂ້ອງກັບດາລາສາດ 1 ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມ, ເບິ່ງ Sobel (1996) . ຕົວຢ່າງນີ້ສະແດງໃຫ້ເຫັນວ່າເຫດຜົນທີ່ເປີດສາຍເອີ້ນວ່າຄິດວ່າຈະເຮັດວຽກດີດັ່ງນັ້ນພວກເຂົາສາມາດເຂົ້າເຖິງຜູ້ທີ່ມີທັດສະນະແລະທັກສະທີ່ແຕກຕ່າງກັນ (Boudreau and Lakhani 2013) . ເບິ່ງຫນ້າຂອງ Hong and Page (2004) ແລະ Page (2008) ເພື່ອເພີ່ມເຕີມກ່ຽວກັບຄຸນຄ່າຂອງຄວາມຫຼາກຫຼາຍໃນການແກ້ໄຂບັນຫາ.

ແຕ່ລະກໍລະນີທີ່ເອີ້ນວ່າເປີດໃນບົດນີ້ຮຽກຮ້ອງໃຫ້ຄໍາອະທິບາຍຕື່ມອີກວ່າເປັນຫຍັງມັນຢູ່ໃນຫມວດນີ້. ຫນ້າທໍາອິດ, ວິທີຫນຶ່ງທີ່ຂ້ອຍແຍກແຍະລະຫວ່າງການຄິດໄລ່ຂອງມະນຸດແລະໂຄງການໂທເປີດແມ່ນວ່າຜົນຜະລິດແມ່ນສະເລ່ຍຂອງການແກ້ໄຂທັງຫມົດ (ການຄິດໄລ່ຂອງມະນຸດ) ຫຼືການແກ້ໄຂທີ່ດີທີ່ສຸດ (ການໂທເປີດ). ລາງວັນ Netflix ແມ່ນມີຄວາມຫຍຸ້ງຍາກໃນເລື່ອງນີ້ເພາະວ່າວິທີແກ້ໄຂທີ່ດີທີ່ສຸດກໍ່ຄືການແກ້ໄຂສ່ວນບຸກຄົນທີ່ມີຄວາມຊໍານິຊໍານານ, ວິທີການທີ່ເອີ້ນວ່າໂຊລູຊັ່ນຊຸດ (Bell, Koren, and Volinsky 2010; Feuerverger, He, and Khatri 2012) . ຈາກທັດສະນະຂອງ Netflix, ຢ່າງໃດກໍຕາມ, ທັງຫມົດທີ່ພວກເຂົາຕ້ອງເຮັດຄືເລືອກເອົາການແກ້ໄຂທີ່ດີທີ່ສຸດ. ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບລາງວັນ Netflix, ເບິ່ງ Bennett and Lanning (2007) , Thompson (2008) , Bell, Koren, and Volinsky (2010) , ແລະ Feuerverger, He, and Khatri (2012) .

ສອງ, ໂດຍຄໍານິຍາມຂອງການຄໍານວນຂອງມະນຸດ (ຕົວຢ່າງ, Ahn (2005) ), Foldit ຄວນຖືວ່າເປັນໂຄງການຄອມພິວເຕີຂອງມະນຸດ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ຂ້າພະເຈົ້າເລືອກທີ່ຈະຈັດຫມວດຫມູ່ມັນເປັນສາຍເປີດເພາະວ່າມັນຕ້ອງມີຄວາມຊໍານານພິເສດ (ເຖິງແມ່ນວ່າບໍ່ແມ່ນການຝຶກອົບຮົມພິເສດ) ແລະມັນໃຊ້ເວລາແກ້ໄຂທີ່ດີທີ່ສຸດ, ແທນທີ່ຈະໃຊ້ຍຸດທະສາດທີ່ແຕກຕ່າງກັນ. ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບ Foldit ເບິ່ງ, Cooper et al. (2010) , Khatib et al. (2011) , ແລະ Andersen et al. (2012) ຄໍາອະທິບາຍຂອງຂ້ອຍກ່ຽວກັບການແຕ້ມຮູບ Foldit ໃນຄໍາອະທິບາຍໃນ Bohannon (2009) , Hand (2010) ແລະ Nielsen (2012) .

ສຸດທ້າຍ, ຫນຶ່ງສາມາດໂຕ້ຖຽງວ່າ Peer-to-Patent ເປັນຕົວຢ່າງຂອງການເກັບກໍາຂໍ້ມູນທີ່ແຈກຢາຍ. ຂ້ອຍເລືອກທີ່ຈະປະກອບມັນເປັນສາຍເປີດເນື່ອງຈາກມັນມີໂຄງປະກອບການແຂ່ງຂັນແລະມີການປະກອບສ່ວນທີ່ດີທີ່ສຸດເທົ່າທີ່ໃຊ້ໃນຂະນະທີ່ມີການເກັບກໍາຂໍ້ມູນທີ່ແຈກຢາຍ, ຄວາມຄິດຂອງການປະກອບສ່ວນທີ່ດີແລະບໍ່ດີແມ່ນບໍ່ຊັດເຈນ. For more on Peer-to-Patent, see Noveck (2006) , Ledford (2007) , Noveck (2009) , and Bestor and Hamp (2010) .

ໃນແງ່ຂອງການນໍາໃຊ້ການໂທທີ່ເປີດໃນການຄົ້ນຄວ້າທາງສັງຄົມ, ຜົນໄດ້ຮັບຄືກັນກັບຂອງ Glaeser et al. (2016) ໄດ້ຖືກລາຍງານຢູ່ໃນບົດທີ 10 ຂອງ Mayer-Schönberger and Cukier (2013) ທີ່ເມືອງນິວຢອກສາມາດນໍາໃຊ້ແບບຈໍາລອງທີ່ຄາດເດົາເພື່ອຜະລິດຜົນຜະລິດທີ່ເພີ່ມຂຶ້ນໃນຜະລິດຕະພັນຂອງຜູ້ກວດສອບທີ່ຢູ່ອາໄສ. ໃນນະຄອນນິວຢອກ, ຮູບແບບການຄາດຄະເນເຫຼົ່ານີ້ໄດ້ຖືກສ້າງຂຶ້ນໂດຍພະນັກງານຂອງເມືອງ, ແຕ່ໃນກໍລະນີອື່ນໆ, ຫນຶ່ງກໍ່ສາມາດຄິດວ່າພວກເຂົາສາມາດສ້າງຫຼືປັບປຸງດ້ວຍການເປີດສາຍ (ເຊັ່ນ: Glaeser et al. (2016) ). ຢ່າງໃດກໍຕາມ, ຫນຶ່ງໃນຄວາມກັງວົນທີ່ສໍາຄັນກັບຮູບແບບການຄາດຄະເນທີ່ຖືກນໍາໃຊ້ເພື່ອຈັດສັນຊັບພະຍາກອນແມ່ນວ່າແບບເຫຼົ່ານີ້ມີທ່າແຮງທີ່ຈະເສີມຂະຫຍາຍຄວາມເປັນເບື້ອງຕົ້ນທີ່ມີຢູ່ແລ້ວ. ນັກຄົ້ນຄວ້າຈໍານວນຫຼາຍຮູ້ແລ້ວວ່າ "ຂີ້ເຫຍື້ອເຂົ້າໄປໃນຂີ້ເຫຍື້ອ," ແລະມີຮູບແບບທີ່ຄາດຄະເນມັນສາມາດ "ເບົາ, ເບົາອອກ". ເບິ່ງ Barocas and Selbst (2016) ແລະ O'Neil (2016) ເພີ່ມເຕີມກ່ຽວກັບອັນຕະລາຍຂອງຮູບແບບການຄາດຄະເນ ມີຂໍ້ມູນການຝຶກອົບຮົມທີ່ບໍ່ສະເຫມີພາບ.

ບັນຫາຫນຶ່ງທີ່ອາດຈະປ້ອງກັນບໍ່ໃຫ້ລັດຖະບານນໍາໃຊ້ການແຂ່ງຂັນທີ່ເປີດເຜີຍແມ່ນວ່ານີ້ຮຽກຮ້ອງໃຫ້ມີການເຜີຍແຜ່ຂໍ້ມູນ, ເຊິ່ງອາດຈະເຮັດໃຫ້ການລະເມີດດ້ານຄວາມເປັນສ່ວນຕົວ. ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບຄວາມເປັນສ່ວນຕົວແລະຂໍ້ມູນໃນການເປີດສາຍ, ເບິ່ງ Narayanan, Huey, and Felten (2016) ແລະການສົນທະນາໃນບົດທີ 6.

ສໍາລັບຄວາມແຕກຕ່າງແລະຄວາມຄ້າຍຄືກັນລະຫວ່າງການຄາດຄະເນແລະຄໍາອະທິບາຍ, ເບິ່ງ Breiman (2001) , Shmueli (2010) , Watts (2014) , ແລະ Kleinberg et al. (2015) . Athey (2017) , Cederman and Weidmann (2017) , Cederman and Weidmann (2017) , Hofman, Sharma, and Watts (2017) , ( ??? ) , ແລະ Yarkoni and Westfall (2017) .

ສໍາລັບການທົບທວນໂຄງການການໂທເປີດໃນຊີວະວິທະຍາ, ລວມທັງຄໍາແນະນໍາດ້ານການອອກແບບ, ເບິ່ງ Saez-Rodriguez et al. (2016)

• ການເກັບກໍາຂໍ້ມູນທີ່ຖືກແຈກຢາຍ (ພາກ 5.4)

ຄໍາອະທິບາຍຂອງຂ້ອຍກ່ຽວກັບ eBird ກ່ຽວກັບຄໍາອະທິບາຍໃນ Bhattacharjee (2005) , Robbins (2013) , ແລະ Sullivan et al. (2014) . ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບວິທີທີ່ນັກຄົ້ນຄວ້າໃຊ້ຮູບແບບສະຖິຕິເພື່ອວິເຄາະຂໍ້ມູນ eBird ເບິ່ງ Fink et al. (2010) ແລະ Hurlbert and Liang (2012) . ສໍາລັບເພີ່ມເຕີມກ່ຽວກັບການຄາດຄະເນທັກສະຂອງຜູ້ເຂົ້າຮ່ວມ eBird, ເບິ່ງ Kelling, Johnston, et al. (2015) . ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບປະຫວັດສາດຂອງວິທະຍາສາດຂອງພົນລະເມືອງໃນການລ້ຽງສັດ, ເບິ່ງ Greenwood (2007) .

ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບໂຄງການວາລະສານ Malawi, ເບິ່ງ Watkins and Swidler (2009) ແລະ Kaler, Watkins, and Angotti (2015) . ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບໂຄງການທີ່ກ່ຽວຂ້ອງໃນອາຟຣິກາໃຕ້, ເບິ່ງ Angotti and Sennott (2015) . ສໍາລັບຕົວຢ່າງການຄົ້ນຄວ້າເພີ່ມເຕີມໂດຍນໍາໃຊ້ຂໍ້ມູນຈາກໂຄງການວາລະສານ Malawi ເບິ່ງ Kaler (2004) ແລະ Angotti et al. (2014) .

• ການອອກແບບຂອງທ່ານເອງ (ພາກ 5.5)

ວິທີການຂອງຂ້າພະເຈົ້າໃນການສະເຫນີຄໍາແນະນໍາດ້ານການອອກແບບແມ່ນມີປະສິດທິພາບ, ໂດຍອີງໃສ່ຕົວຢ່າງຂອງໂຄງການຮ່ວມມືທີ່ປະສົບຜົນສໍາເລັດແລະສົບຜົນສໍາເລັດທີ່ຂ້າພະເຈົ້າໄດ້ຍິນກ່ຽວກັບ. ຍັງມີແນວໂນ້ມການຄົ້ນຄວ້າເພື່ອນໍາໃຊ້ທິດສະດີທາງຈິດວິທະຍາທາງສັງຄົມຫຼາຍກວ່າເກົ່າໃນການອອກແບບຊຸມຊົນອອນໄລນ໌ທີ່ມີຄວາມກ່ຽວຂ້ອງກັບການອອກແບບໂຄງການຮ່ວມມືຢ່າງຫຼວງຫຼາຍ, ເຊັ່ນ Kraut et al. (2012)

ກ່ຽວກັບແຮງຈູງໃຈຜູ້ເຂົ້າຮ່ວມ, ມັນເປັນເລື່ອງທີ່ຂ້ອນຂ້າງຂ້ອນຂ້າງງ່າຍທີ່ຈະຄິດວ່າປະຊາຊົນມີສ່ວນຮ່ວມໃນໂຄງການຮ່ວມມືຢ່າງຫຼວງຫຼາຍ (Cooper et al. 2010; Nov, Arazy, and Anderson 2011; Tuite et al. 2011; Raddick et al. 2013; Preist, Massung, and Coyle 2014) . ຖ້າທ່ານມີແຜນທີ່ຈະຊຸກຍູ້ໃຫ້ຜູ້ເຂົ້າຮ່ວມມີການຈ່າຍເງິນໃນຕະຫລາດແຮງງານຂອງ microtask (ເຊັ່ນ Amazon Mechanical Turk), Kittur et al. (2013) ມີຄໍາແນະນໍາບາງຢ່າງ.

ກ່ຽວກັບຄວາມແປກໃຈທີ່ເຮັດໃຫ້ຕົວຢ່າງຂອງການຄົ້ນພົບທີ່ບໍ່ຄາດຄິດອອກມາຈາກໂຄງການ Zooiverse, ເບິ່ງ Marshall, Lintott, and Fletcher (2015) .

ກ່ຽວກັບການເປັນຫລັກຈັນຍາບັນ, ບາງຄໍາແນະນໍາທົ່ວໄປທີ່ດີກ່ຽວກັບບັນຫາທີ່ກ່ຽວຂ້ອງແມ່ນ Gilbert (2015) , Salehi et al. (2015) , Schmidt (2013) , Williamson (2016) , Resnik, Elliott, and Miller (2015) , ແລະ Zittrain (2008) . ສໍາລັບບັນຫາທີ່ກ່ຽວຂ້ອງກັບບັນຫາທາງດ້ານກົດຫມາຍທີ່ມີພະນັກງານທີ່ແອອັດ, ເບິ່ງ Felstiner (2011) . O'Connor (2013) ຄໍາຖາມກ່ຽວກັບການເບິ່ງແຍງດ້ານຈັນຍາບັນຂອງການຄົ້ນຄ້ວາໃນເວລາທີ່ພາລະບົດບາດຂອງນັກຄົ້ນຄວ້າແລະຜູ້ເຂົ້າຮ່ວມປະກົດວ່າ. ສໍາລັບບັນຫາທີ່ກ່ຽວຂ້ອງກັບການແບ່ງປັນຂໍ້ມູນໃນຂະນະທີ່ການປົກປ້ອງຜູ້ເຂົ້າຮ່ວມໃນໂຄງການວິທະຍາສາດຂອງພົນລະເມືອງ, ເບິ່ງ Bowser et al. (2014) . Both Purdam (2014) ແລະ Windt and Humphreys (2016) ມີການສົນທະນາກ່ຽວກັບບັນຫາດ້ານຈັນຍາບັນໃນການເກັບກໍາຂໍ້ມູນທີ່ແຈກຢາຍ. ສຸດທ້າຍ, ໂຄງການສ່ວນໃຫຍ່ໄດ້ຮັບຮູ້ການປະກອບສ່ວນແຕ່ບໍ່ໃຫ້ການປ່ອຍສິນເຊື່ອຂອງນັກຂຽນແກ່ບັນດາຜູ້ເຂົ້າຮ່ວມ. ໃນ Foldit, ຜູ້ນມັກຈະເປັນຜູ້ຂຽນ (Cooper et al. 2010; Khatib et al. 2011) . ໃນບັນດາໂຄງການໂທເປີດອື່ນໆ, ຜູ້ປະກອບສ່ວນທີ່ຊະນະມັກຈະຂຽນເອກະສານທີ່ອະທິບາຍເຖິງວິທີແກ້ໄຂຂອງພວກເຂົາ (ເຊັ່ນ Bell, Koren, and Volinsky (2010) ແລະ Dieleman, Willett, and Dambre (2015) ).