5.5.2 Leverage heterogenost

Ko boste veliko ljudi motivirali, da bodo delali na resničnem znanstvenem problemu, boste ugotovili, da bodo vaši udeleženci heterogeni na dva glavna načina: različno se bodo razlikovali glede na njihovo sposobnost in njihovo raven prizadevanj. Prva reakcija mnogih socialnih raziskovalcev je boj proti tej heterogenosti, ker skuša izločiti udeležence z nizko kakovostjo in nato poskušati zbrati določeno količino informacij od vseh, ki so ostali. To je napačen način za oblikovanje projekta množičnega sodelovanja. Namesto da bi se borili proti heterogenosti, bi ga morali izkoristiti.

Prvič, ni razloga za izključitev nizkokvalificiranih udeležencev. V odprtih klicih nizkokvalificirani udeleženci ne povzročajo težav; njihovi prispevki nikomur ne prizadenejo in ne zahtevajo nobenega časa za ocenjevanje. Poleg tega pri človeških izračunih in porazdeljenih projektih zbiranja podatkov najboljša oblika nadzora nad kakovostjo poteka prek redundance, ne preko visoke vrstice za udeležbo. Namesto, da bi izključili udeležence z nizkimi kvalifikacijami, je boljši pristop boljši prispevek, kot so to storili raziskovalci v podjetju eBird.

Drugič, ni nobenega razloga za zbiranje fiksne količine podatkov od vsakega udeleženca. Sodelovanje v številnih projektih množičnega sodelovanja je neverjetno neenakomerno (Sauermann and Franzoni 2015) , pri čemer veliko ljudi veliko prispeva - včasih se imenuje maščobna glava - in veliko ljudi prispeva malo - včasih se imenuje tudi dolg rep . Če ne zberete podatkov iz glave maščobe in dolgega repa, zapuščate množico informacij, ki niso bile izbrane. Na primer, če je Wikipedija sprejela 10 in samo 10 urejanj na urednika, bi izgubila približno 95% urejanj (Salganik and Levy 2015) . Tako je pri projektih množičnega sodelovanja najbolje izkoristiti heterogenost, ne pa ga poskušati odpraviti.