5.5.2 Leverage heterogeniteit
Zodra u een heleboel mensen om te werken aan een echt wetenschappelijk probleem hebben gemotiveerd, zul je ontdekken dat je deelnemers heterogeen zal zijn op twee manieren: ze in hun vaardigheden zullen variëren en zij zullen variëren in hun mate van inspanning. De eerste reactie van veel sociale wetenschappers is om de deelnemers van lage kwaliteit uit te sluiten en vervolgens probeert een vaste hoeveelheid informatie te verzamelen van iedereen verlaten. Dit is de verkeerde manier om een massa samenwerkingsproject te ontwerpen.
Ten eerste is er geen reden om laaggeschoolde deelnemers uit te sluiten. In open oproepen, laaggeschoolde deelnemers veroorzaken geen problemen; hun bijdragen niet niemand kwaad en ze hebben geen tijd om te evalueren eisen. In de menselijke berekening en gedistribueerde het verzamelen van gegevens projecten, aan de andere kant, de beste vorm van kwaliteitscontrole komt door redundantie, niet een hoge bar voor deelname. In feite, in plaats van met uitzondering van lage deelnemers vaardigheid, een betere aanpak is om hen te helpen beter bijdragen, zoveel als de onderzoekers van eBird hebben gedaan.
Ten tweede is er geen reden om een vaste hoeveelheid informatie te verzamelen van elke deelnemer. Deelname aan vele massa samenwerkingsprojecten is ongelooflijk ongelijk (Sauermann and Franzoni 2015) met een klein aantal mensen dragen veel-ook wel de dikke kop -en veel mensen dragen een weinig soms de lange staart. Als u geen informatie van de dikke kop en de lange staart te verzamelen, vertrek je veel informatie geïnde. Bijvoorbeeld, als Wikipedia geaccepteerd 10 en slechts 10 bewerkingen per editor, zou het ongeveer 95% van de bewerkingen te verliezen (Salganik and Levy 2015) . Dus, met massa-samenwerkingsprojecten, is het het beste om heterogeniteit te benutten in plaats van proberen te elimineren.
