5.1 Bevezetés

Wikipedia lenyűgöző. A tömeges együttműködést önkéntesek létre egy fantasztikus enciklopédia, amely mindenki számára elérhető. A legfontosabb, hogy a Wikipédia sikere nem volt új ismeretek; Sokkal inkább egy új típusú együttműködésre. A digitális korban, szerencsére lehetővé teszi számos új együttműködési formákat. Így most a kérdést: milyen hatalmas tudományos problémák-problémák, hogy nem tudtuk megoldani egyénileg lehet most kezelni együtt?

Kutatási együttműködés nem új, természetesen. Ami új, az azonban az, hogy a digitális korban lehetővé együttműködve egy sokkal nagyobb és változatos az emberek: a több milliárd ember a világon, interneten keresztül. Azt várjuk, hogy ezek az új tömeges együttműködés hozzá fog járulni lenyűgöző eredményeket nem csak azért, mert a részt vevő személyek számát, hanem azért is, mert a különböző készségek és perspektívák. Hogyan tudjuk bele mindenki egy Internet kapcsolat a mi kutatási folyamat? Mit tehet a 100 kutatási asszisztens? Mi a helyzet a 100.000 szakképzett munkatársak?

Sok formája a tömeges együttműködés, és a számítógépes szakemberek általában szervezni őket számos kategória alapján azok műszaki jellemzői (Quinn and Bederson 2011) . Ebben a fejezetben azonban fogok kategorizálni tömeg együttműködési projektek alapján, hogyan lehet használni a szociális kutatás. Különösen úgy gondolom, hogy célszerű megkülönböztetni háromféle projektek: emberi számítás, nyílt felhívás és az elosztott adatgyűjtő (5.1 ábra).

Fogom leírni minden egyes ilyen típusú nagy részletességgel későbbi fejezetben, de most hadd írják mindegyik röviden. Emberi számítás projektek számára ideális könnyű feladat-nagy léptékű problémák, mint például címkézés millió kép. Ezek olyan projektek, amelyek a múltban lehetett volna elvégezni egyetemi kutatási asszisztens. Hozzájárulások nem igényelnek feladathoz kapcsolódó készségek, és a végső kimenet jellemzően átlagosan az összes hozzájárulást. A klasszikus példa egy emberi számítás projekt Galaxy Zoo, ahol százezer önkéntes segített a csillagászok minősítheti millió galaxis. Kiírás projektek számára ideális problémák, ahol keres új és váratlan választ világosan megfogalmazott kérdésekre. Ezek olyan projektek, amelyek a múltban volna részt kér a kollégák. Hozzájárulások jönnek az emberek, akik különleges feladattal kapcsolatos ismeretek, és a végső kimenet általában a legjobb az összes járulék. A klasszikus példa a nyílt felhívás a Netflix, ahol több ezer tudós és a hackerek dolgozott, hogy új algoritmusok megjósolni a fogyasztói értékelés filmeket. Végül elosztott adatgyűjtő projektek számára ideális széles körű adatgyűjtést. Ezek olyan projektek, amelyek a múltban lehetett volna elvégezni egyetemi kutatási asszisztens, vagy felmérés kutatási cégek. Hozzájárulások általában jönnek az emberek, akik hozzáférhetnek a helyszínen, hogy a kutatók nem, és a végtermék egy egyszerű gyűjteménye a hozzájárulást. A klasszikus példa egy elosztott adatgyűjtés eBird, ahol több százezer önkéntesek hozzájárulnak tudósít madarak látják.

5.1 ábra: Mass együttműködés sematikus. Ez a fejezet köré szerveződik három fő formája a tömeges együttműködés: az emberi számítás, nyílt felhívás, és az elosztott adatgyűjtő. Általánosabban, tömeges együttműködést egyesíti ötletek területeken, mint a polgár a tudomány, a crowdsourcing, és a kollektív intelligencia.

5.1 ábra: Mass együttműködés sematikus. Ez a fejezet köré szerveződik három fő formája a tömeges együttműködés: az emberi számítás, nyílt felhívás, és az elosztott adatgyűjtő. Általánosabban, tömeges együttműködést egyesíti ötletek területeken, mint a polgár a tudomány, a crowdsourcing, és a kollektív intelligencia.

Mass együttműködés hosszú, gazdag történelem olyan területeken, mint a csillagászat (Marshall, Lintott, and Fletcher 2015) és az ökológia (Dickinson, Zuckerberg, and Bonter 2010) , de ez még nem általános a társadalmi kutatások. Azonban sikeres projektekről más területeken, és amely néhány fontos rendező elvei, remélem, hogy meggyőzzem a két dolgot. Először is, tömeges együttműködést lehet hasznosítani a társadalomkutatás. És másodszor, a kutatók, akik a tömeges együttműködés lesz képes megoldani a problémákat, amelyeket korábban lehetetlennek tűnt. Bár tömeges együttműködést gyakran támogatni, mert így pénzt takarít meg, ez sokkal több annál. Mint azt fogja mutatni, tömeges együttműködés nem csak lehetővé teszi számunkra, hogy kutatni olcsóbb, lehetővé teszi számunkra, hogy kutatások jobb.

Az alábbi fejezet, mind a három fő formája a tömeges együttműködés, fogom leírni prototipikus példái; illusztrálják további fontos pontokat további példákat; és végül leírja, hogy ez a forma tömeges együttműködést lehet használni a szociális kutatás. A fejezetet záró öt alapelv, amely segít design saját tömege együttműködési projektben.