5.5.2 Рычаги гетерогенность

После того как вы мотивированы много людей, чтобы работать на реальной научной проблемы, вы обнаружите, что ваши участники будут неоднородными по двум основным направлениям: они различаются по своим мастерством, и они будут различаться по уровню усилий. Первая реакция многих социальных исследователей, чтобы исключить низкие качества участников, а затем пытаться собрать фиксированное количество информации, полученной от каждого осталось. Это неправильный способ для разработки проекта массового сотрудничества.

Во-первых, нет никаких оснований исключать низкоквалифицированные участников. В открытых вызовов, низкоквалифицированные участников не вызывают никаких проблем; их вклады не причинять никому вреда, и они не требуют времени для оценки. В человеческом вычислений и распределенных проектов по сбору данных, с другой стороны, лучшая форма контроля качества приходит через избыточность, а не высокую планку для участия. На самом деле, а не за исключением низких участников навыков, лучше подход, чтобы помочь им сделать лучший вклад, так же как исследователи в eBird сделали.

Во-вторых, нет никаких причин, чтобы собрать фиксированное количество информации от каждого участника. Участие во многих проектах массового сотрудничества невероятно неравны (Sauermann and Franzoni 2015) с небольшим количеством людей , вносящих вклад много-иногда называют жирную голову -and много людей , вносящих вклад мало-иногда называют длинный хвост. Если вы не собирать информацию из головы жира и длинный хвост, вы уезжаете тонны информации несобранные. Например, если Wikipedia принято 10 и только 10 правок в редакторе, он потеряет около 95% правок (Salganik and Levy 2015) . Таким образом, с проектами массового сотрудничества, то лучше использовать гетерогенность, а не пытаться устранить ее.