5.5.2 Sverto heterogeniškumas

Kai tik motyvuojate daugybę žmonių dirbti realia moksline problema, pamatysite, kad jūsų dalyviai bus nevienalytė dviem pagrindiniais būdais: jie skirsis tiek savo įgūdžių, tiek jų pastangų lygiu. Pirmoji daugelio socialinių mokslininkų reakcija yra kovoti su šia heterogeniškumu, bandant pašalinti žemos kokybės dalyvius ir bandant surinkti fiksuotą informacijos kiekį iš visų likusių. Tai yra neteisingas būdas sukurti masinio bendradarbiavimo projektą. Užuot kovoję su nevienalytiškumu, turėtumėte jį panaudoti.

Pirma, nėra jokios priežasties pašalinti žemos kvalifikacijos dalyvius. Atviruose kvietimais žemos kvalifikacijos darbuotojai nesukelia problemų; jų indėlis niekam nepakenks ir jiems nereikia laiko įvertinti. Be žmonių skaičiavimo ir paskirstytų duomenų rinkimo projektų, geriausia kokybės kontrolės forma yra dėl atleidimo iš darbo, o ne per aukštą dalyvavimo ribą. Tiesą sakant, geriau, nei išskirti žemos kvalifikacijos dalyvius, yra padėti jiems geriau prisidėti, kaip tai padarė "eBird" tyrėjai.

Antra, nėra pagrindo rinkti fiksuotą informacijos kiekį iš kiekvieno dalyvio. Dalyvavimas daugelyje masinio bendradarbiavimo projektų yra nepaprastai nevienodas (Sauermann and Franzoni 2015) , kai nedaugelis žmonių prisideda daug, kartais vadinami " riebalais" ir daug žmonių prisideda šiek tiek, kartais vadinami ilgu uodega . Jei nerinksite informacijos iš riebalų galvutės ir ilgosios uodegos, jūs paliekate daugybę informacijos, kuri nėra surinkta. Pavyzdžiui, jei "Wikipedia" priimtų 10 ir tik 10 redagavimo per redaktorių, jis praranda apie 95% pakeitimų (Salganik and Levy 2015) . Taigi, vykdant masinio bendradarbiavimo projektus, geriausia išnaudoti heterogeniškumą, o ne bandyti ją pašalinti.