5.5.2 Leverage heterogenitet

Når du har motivert mange mennesker til å jobbe med et reelt vitenskapelig problem, vil du oppdage at deltakerne vil være heterogene på to hovedveier: de vil variere både i deres ferdigheter og deres innsatsnivå. Den første reaksjonen fra mange sosiale forskere er å bekjempe denne heterogeniteten ved å forsøke å ekskludere lavkvalitetsdeltakere og deretter forsøke å samle inn en fast mengde informasjon fra alle til venstre. Dette er feil måte å designe et samarbeidsprosjekt på. I stedet for å bekjempe heterogenitet, bør du utnytte den.

For det første er det ingen grunn til å utelukke lavt kvalifiserte deltakere. I åpne samtaler forårsaker lavtutdannede deltakere ingen problemer; deres bidrag gjør ikke vondt for noen, og de krever ikke noen tid til å evaluere. I menneskelig beregning og distribuert datainnsamlingsprosjekter kommer den beste form for kvalitetskontroll også gjennom redundans, ikke gjennom en høy bar for deltakelse. Faktisk, i stedet for å ekskludere lavkvalitetsdeltakere, er en bedre tilnærming å hjelpe dem til å gi bedre bidrag, mye som forskerne på eBird har gjort.

For det andre er det ingen grunn til å samle inn en fast mengde informasjon fra hver deltaker. Deltakelse i mange masse samarbeidsprosjekter er utrolig ulik (Sauermann and Franzoni 2015) , med et lite antall mennesker som bidrar mye - noen ganger kalt det fete hodet - og mange bidrar litt - noen ganger kalt lang hale . Hvis du ikke samler informasjon fra det fete hodet og den lange halen, forlater du masser av informasjon som ikke er innhentet. For eksempel, hvis Wikipedia godkjente 10 og bare 10 redigeringer per editor, ville det miste omtrent 95% av endringene (Salganik and Levy 2015) . Derfor er det med masse samarbeidsprosjekter best å utnytte heterogenitet i stedet for å prøve å eliminere det.