5.5.2 Dźwignia heterogeniczność

Gdy zmotywujesz wielu ludzi do pracy nad prawdziwym problemem naukowym, odkryjesz, że twoi uczestnicy będą heterogeniczni na dwa główne sposoby: będą różnić się zarówno pod względem umiejętności, jak i poziomu wysiłku. Pierwszą reakcją wielu badaczy społecznych jest walka z tą heterogenicznością poprzez próbę wykluczenia niskiej jakości uczestników, a następnie próba zebrania ustalonej ilości informacji od wszystkich pozostałych. Jest to zły sposób na zaprojektowanie projektu masowej współpracy. Zamiast walczyć z heterogenicznością, należy ją wykorzystać.

Po pierwsze, nie ma powodu, aby wykluczać uczestników o niskich kwalifikacjach. W przypadku połączeń otwartych uczestnicy o niskich kwalifikacjach nie powodują problemów; ich składki nikomu nie szkodzą i nie wymagają czasu na ocenę. W projektach obliczeniowych dla ludzi i rozproszonych gromadzeniu danych najlepsza forma kontroli jakości wynika z nadmiarowości, a nie z wysokiego wskaźnika udziału. W rzeczywistości, zamiast wykluczać uczestników o niskich kwalifikacjach, lepszym podejściem jest pomóc im w lepszym wkładzie, podobnie jak zrobili to naukowcy z eBird.

Po drugie, nie ma powodu, aby zbierać określoną ilość informacji od każdego uczestnika. Udział w wielu masowych projektach współpracy jest niesamowicie nierównomierny (Sauermann and Franzoni 2015) , z niewielką liczbą osób wnoszących wiele - czasami nazywanych grubą głową - i wiele osób przyczynia się trochę - czasami nazywane długim ogonem . Jeśli nie zbierzesz informacji z grubej głowy i długiego ogona, pozostawiasz masę niepobranych informacji. Na przykład, jeśli Wikipedia zaakceptuje 10 i tylko 10 edycji na edytora, straci około 95% edycji (Salganik and Levy 2015) . Dlatego przy projektach masowej współpracy najlepiej jest wykorzystywać heterogeniczność zamiast ją eliminować.