5.5.2 Leverage heterogeneity

Kapag na-motivated ka ng maraming tao na magtrabaho sa isang tunay na pang-agham na problema, matutuklasan mo na ang iyong mga kalahok ay magkakaiba sa dalawang pangunahing paraan: magkakaiba ang mga ito sa kanilang kakayahan at antas ng pagsisikap. Ang unang reaksyon ng maraming sosyal na mga mananaliksik ay upang labanan ang heterogeneity na ito sa pamamagitan ng pagsisikap na ibukod ang mga mababang kalidad na kalahok at pagkatapos ay sinusubukan upang mangolekta ng isang nakapirming halaga ng impormasyon mula sa lahat ng natitira. Ito ang maling paraan upang magdisenyo ng isang proyektong pagtutulungan ng masa. Sa halip na labanan ang heterogeneity, dapat mong gamitin ito.

Una, walang dahilan upang ibukod ang mga low-skilled participants. Sa mga bukas na tawag, ang mga mababang-kakayahang kalahok ay walang problema; ang kanilang mga kontribusyon ay hindi saktan ang sinuman at hindi sila nangangailangan ng anumang oras upang suriin. Sa pag-compute ng tao at ipinamahagi ang mga proyekto sa pagkolekta ng data, bukod dito, ang pinakamahusay na anyo ng kontrol sa kalidad ay nanggagaling sa kalabisan, hindi sa pamamagitan ng mataas na bar para sa pakikilahok. Sa katunayan, sa halip na hindi kasama ang mga kalahok sa mababang kasanayan, ang isang mas mahusay na diskarte ay upang matulungan silang gumawa ng mas mahusay na mga kontribusyon, tulad ng mga mananaliksik sa eBird na nagawa.

Pangalawa, walang dahilan upang mangolekta ng isang nakapirming halaga ng impormasyon mula sa bawat kalahok. Ang paglahok sa maraming mga proyektong pang-kolaborasyon ng masa ay hindi kapani-paniwalang hindi pantay (Sauermann and Franzoni 2015) , na may maliit na bilang ng mga tao na nag-aambag ng maraming-kung minsan ay tinatawag na taba ulo- at maraming mga tao ang nag-aambag ng kaunti-kung minsan ay tinatawag na mahabang buntot . Kung hindi ka mangolekta ng impormasyon mula sa taba ulo at ang mahabang buntot, ikaw ay nag-iiwan ng masa ng impormasyon na hindi nalalaman. Halimbawa, kung tinatanggap ng Wikipedia ang 10 at 10 lamang na pag-edit sa bawat editor, mawawala ang tungkol sa 95% ng mga pag-edit (Salganik and Levy 2015) . Kaya, sa mga proyektong masa ng pakikipagtulungan, pinakamahusay na magamit ang heterogeneity sa halip na subukang alisin ito.