5.5.2 Leverage heterogeniteit
Als je eenmaal veel mensen gemotiveerd hebt om aan een echt wetenschappelijk probleem te werken, zul je ontdekken dat je deelnemers op twee manieren heterogeen zullen zijn: ze zullen variëren in hun vaardigheden en hun niveau van inspanning. De eerste reactie van veel sociale onderzoekers is om tegen deze heterogeniteit te vechten door te proberen deelnemers van lage kwaliteit uit te sluiten en dan proberen een vaste hoeveelheid informatie te verzamelen van iedereen die nog over is. Dit is de verkeerde manier om een massasamenwerkingsproject te ontwerpen. In plaats van de heterogeniteit te bestrijden, zou je het moeten gebruiken.
Ten eerste is er geen reden om laaggeschoolde deelnemers uit te sluiten. In open gesprekken veroorzaken laaggeschoolde deelnemers geen problemen; hun bijdragen doen niemand pijn en ze hebben geen tijd nodig om te evalueren. In menselijke berekening en gedistribueerde projecten voor gegevensverzameling komt bovendien de beste vorm van kwaliteitscontrole door redundantie, niet door een hoge bar voor deelname. In feite, in plaats van laaggeschoolde deelnemers uit te sluiten, is het een betere manier om hen te helpen betere bijdragen te leveren, net zoals de onderzoekers van eBird dat hebben gedaan.
Ten tweede is er geen reden om een vaste hoeveelheid informatie van elke deelnemer te verzamelen. Deelname aan veel projecten voor (Sauermann and Franzoni 2015) is ongelooflijk ongelijk (Sauermann and Franzoni 2015) , waarbij een klein aantal mensen veel bijdraagt, soms de dikke kop genoemd, en veel mensen die een beetje bijdragen, soms de lange staart genoemd . Als je geen informatie van de dikke kop en de lange staart verzamelt, laat je massa's informatie niet verzameld. Als Wikipedia bijvoorbeeld 10 en slechts 10 bewerkingen per editor zou accepteren, zou het ongeveer 95% van de bewerkingen verliezen (Salganik and Levy 2015) . Dus, met massale samenwerkingsprojecten, is het het beste om heterogeniteit te gebruiken in plaats van te proberen het te elimineren.
