5.1 Inledning

Wikipedia är fantastiskt. Ett masssamarbete av volontärer skapade en fantastisk encyklopedi som är tillgänglig för alla. Nyckeln till Wikipedia: s framgång var inte ny kunskap; Det var snarare en ny form av samarbete. Den digitala tiden möjliggör lyckligtvis många nya former av samarbete. Således borde vi nu fråga: Vilka enorma vetenskapliga problem - problem som vi inte kunde lösa individuellt - kan vi nu ta itu med varandra?

Samarbete inom forskning är inget nytt, naturligtvis. Vad är nytt är dock att den digitala tidsåldern möjliggör samarbete med en mycket större och mer varierande uppsättning av människor: de miljarder människor runt om i världen med tillgång till Internet. Jag räknar med att dessa nya mass samarbeten kommer att ge fantastiska resultat inte bara på grund av antalet människor som är inblandade, men också på grund av sina olika kunskaper och perspektiv. Hur kan vi införliva alla med en Internet-anslutning i vår forskningsprocess? Vad kan du göra med 100 forskarassistenter? Vad sägs om 100.000 kompetenta medarbetare?

Det finns många former av masssamarbete, och datavetenskapare organiserar dem vanligtvis i ett stort antal kategorier baserat på deras tekniska egenskaper (Quinn and Bederson 2011) . I det här kapitlet ska jag emellertid kategorisera masssamarbetsprojekt utifrån hur de kan användas för social forskning. I synnerhet anser jag att det är till hjälp att grovt skilja mellan tre typer av projekt: mänsklig beräkning , öppet samtal och distribuerad datainsamling (figur 5.1).

Jag ska beskriva var och en av dessa typer mer i detalj senare i kapitlet, men för nu låt mig beskriva var och en kortfattat. Mänskliga beräkningsprojekt är idealiska för problem med enkel uppgift - storskaliga problem som att märka en miljon bilder. Det här är projekt som tidigare kunde ha utförts av forskarassistenter. Bidrag kräver inte uppgiftsrelaterade färdigheter, och den slutliga produktionen är normalt ett medelvärde av alla bidrag. Ett klassiskt exempel på ett mänskligt beräkningsprojekt är Galaxy Zoo, där hundra tusen volontärer hjälpte astronomer att klassificera en miljon galaxer. Öppna samtalsprojekt , å andra sidan, är idealiska för problem där du letar efter nya och oväntade svar på tydligt formulerade frågor. Det här är projekt som tidigare har kunnat involvera kollegor. Bidrag kommer från personer som har särskilda arbetsrelaterade färdigheter, och den slutliga produktionen är vanligtvis det bästa av alla bidrag. Ett klassiskt exempel på ett öppet samtal är Netflix-priset, där tusentals forskare och hackare arbetat för att utveckla nya algoritmer för att förutsäga kundernas betyg av filmer. Slutligen är distribuerade datainsamlingsprojekt idealiska för storskalig datainsamling. Det här är projekt som tidigare kunde ha utförts av forskarassistenter eller undersökningsföretag. Bidrag kommer vanligen från personer som har tillgång till platser som forskare inte gör, och den slutliga produkten är en enkel samling av bidrag. Ett klassiskt exempel på en distribuerad datainsamling är eBird, där hundratusentals volontärer bidrar med rapporter om fåglar de ser.

Figur 5.1: Mass samarbete schema. Detta kapitel är uppbyggt kring tre huvudsakliga former av mass samarbete mänsklig beräknings, öppna samtal, och insamling distribuerade data. Mer allmänt kombinerar massa samarbete idéer från områden som medborgare vetenskap, crowdsourcing och kollektiv intelligens.

Masssamarbete har en lång rik historia på områden som astronomi (Marshall, Lintott, and Fletcher 2015) och ekologi (Dickinson, Zuckerberg, and Bonter 2010) , men det är ännu inte vanligt i social forskning. Genom att beskriva framgångsrika projekt från andra områden och ge några viktiga organisatoriska principer hoppas jag dock övertyga dig om två saker. För det första kan mass samarbete utnyttjas för social forskning. För det andra kan forskare som använder masssamarbete lösa problem som tidigare tycktes vara omöjliga. Även om masssamarbete ofta marknadsförs som ett sätt att spara pengar är det mycket mer än det. Som jag ska visa, tillåter masssamarbete inte bara att vi gör forskning billigare , det gör det möjligt för oss att göra forskning bättre .

I de föregående kapitlen har du sett vad du kan lära dig genom att engagera dig med människor på tre olika sätt: observera sitt beteende (kapitel 2), fråga dem frågor (kapitel 3) och registrera dem i experiment (kapitel 4). I det här kapitlet ska jag visa dig vad som kan lärt sig genom att engagera människor som forskningssamarbetare. För varje av de tre huvudformerna för masssamarbete ska jag beskriva ett prototypiskt exempel, illustrera viktiga ytterligare punkter med ytterligare exempel och slutligen beskriva hur denna form av masssamarbete kan användas för social forskning. Kapitlet kommer att slutas med fem principer som kan hjälpa dig att designa ditt eget masssamarbetesprojekt.