5.5.2 Важелі гетерогенність

Після того як ви мотивовані багато людей, щоб працювати на реальному наукової проблеми, ви виявите, що ваші учасники будуть неоднорідними за двома основними напрямками: вони розрізняються по своєю майстерністю, і вони будуть відрізнятися за рівнем зусиль. Перша реакція багатьох соціальних дослідників, щоб виключити низькі якості учасників, а потім намагатися зібрати фіксовану кількість інформації, отриманої від кожного залишилося. Це неправильний спосіб для розробки проекту масового співробітництва.

По-перше, немає ніяких підстав виключати низькокваліфіковані учасників. У відкритих викликів, низькокваліфіковані учасників не викликають ніяких проблем; їх вклади не завдавати нікому шкоди, і вони не вимагають часу для оцінки. У людському обчислень і розподілених проектів зі збору даних, з іншого боку, найкраща форма контролю якості приходить через надмірність, а не високу планку для участі. Насправді, а не за винятком низьких учасників навичок, краще підхід, щоб допомогти їм зробити кращий внесок, так само як дослідники в eBird зробили.

По-друге, немає ніяких причин, щоб зібрати фіксовану кількість інформації від кожного учасника. Участь у багатьох проектах масового співробітництва неймовірно нерівні (Sauermann and Franzoni 2015) з невеликою кількістю людей , що вносять вклад багато-іноді називають жирну голову -and багато людей , що вносять вклад мало-іноді називають довгий хвіст. Якщо ви не збирати інформацію з голови жиру і довгий хвіст, ви їдете тонни інформації незібрані. Наприклад, якщо Wikipedia прийнято 10 і тільки 10 правок в редакторі, він втратить близько 95% правок (Salganik and Levy 2015) . Таким чином, з проектами масового співробітництва, то краще використовувати гетерогенність, а не намагатися усунути її.