5.5.2 Leverage kepelbagaian

Sebaik sahaja anda telah bermotivasi ramai orang untuk mengusahakan masalah saintifik yang sebenar, anda akan mendapati bahawa peserta anda akan menjadi heterogen dalam dua cara utama: mereka akan berbeza-beza dalam kemahiran dan tahap usaha mereka. Reaksi pertama banyak penyelidik sosial adalah untuk melawan heterogeniti ini dengan cuba untuk mengecualikan peserta berkualiti rendah dan kemudian cuba untuk mengumpulkan maklumat tetap dari semua orang yang tersisa. Inilah cara yang salah untuk merancang projek kolaborasi massa. Daripada memerangi heterogen, anda harus memanfaatkannya.

Pertama, tidak ada sebab untuk tidak memasukkan peserta berkemahiran rendah. Dalam panggilan terbuka, peserta berkemahiran rendah tidak menimbulkan masalah; Sumbangan mereka tidak menyakitkan sesiapa pun dan mereka tidak memerlukan masa untuk menilai. Di dalam pengiraan manusia dan mengagihkan projek pengumpulan data, lebih-lebih lagi, bentuk kawalan kualiti yang terbaik datang melalui redundansi, bukan melalui bar yang tinggi untuk penyertaan. Malah, daripada mengecualikan peserta berkepentingan rendah, pendekatan yang lebih baik adalah untuk membantu mereka membuat sumbangan yang lebih baik, seperti yang dilakukan oleh para penyelidik di eBird.

Kedua, tidak ada alasan untuk mengumpul maklumat tetap dari setiap peserta. Penyertaan dalam banyak projek kolaborasi massa adalah sangat tidak sama rata (Sauermann and Franzoni 2015) , dengan sejumlah kecil orang yang menyumbang banyak-kadang-kadang dipanggil kepala lemak -dan banyak orang yang menyumbang sedikit-kadang-kadang dipanggil ekor panjang . Jika anda tidak mengumpul maklumat dari kepala lemak dan ekor panjang, anda akan meninggalkan maklumat yang tidak diketahui. Contohnya, jika Wikipedia menerima 10 dan hanya 10 edit setiap editor, ia akan kehilangan kira-kira 95% daripada suntingan (Salganik and Levy 2015) . Oleh itu, dengan projek kerjasama besar-besaran, lebih baik memanfaatkan heterogenitas daripada cuba menghilangkannya.