5.1 Introduktion

Wikipedia er forbløffende. En masse samarbejde med frivillige skabte en fantastisk leksikon, der er tilgængelig for alle. Nøglen til Wikipedias succes var ikke ny viden; snarere, det var en ny form for samarbejde. Den digitale tidsalder, heldigvis giver mange nye samarbejdsformer. Således bør vi nu spørge: hvilke massive videnskabelige problemer-problemer, som vi ikke kunne løse individuelt kan vi nu tage fat sammen?

Samarbejde i forskning er ikke noget nyt, selvfølgelig. Hvad er nyt, er imidlertid, at den digitale tidsalder giver samarbejde med en meget større og mere forskelligartet sæt af mennesker: de milliarder af mennesker over hele verden med internetadgang. Jeg forventer, at disse nye masse samarbejder vil give fantastiske resultater ikke kun på grund af antallet af mennesker, der er involveret, men også på grund af deres forskellige kompetencer og perspektiver. Hvordan kan vi integrere alle med en internetforbindelse i vores forskning proces? Hvad kunne du gøre med 100 forskningsassistenter? Hvad med 100.000 dygtige samarbejdspartnere?

Der er mange former for masse samarbejde, og dataloger typisk organisere dem i en lang række kategorier baseret på deres tekniske karakteristika (Quinn and Bederson 2011) . I dette kapitel dog vil jeg kategorisere masse samarbejdsprojekter baseret på, hvordan de kan bruges til social forskning. Især tror jeg, det er nyttigt at skelne mellem tre typer af projekter: menneskelig beregning, åben opkald, og distribueret dataindsamling (Figur 5.1).

Jeg vil beskrive hver af disse typer i detaljer senere i kapitlet, men for nu lad mig beskrive hver enkelt kort. Humane beregnings-projekter er velegnet til let-opgave-big-skala problemer såsom mærkning en million billeder. Det er projekter, der tidligere kunne have været udført af bachelor forskningsassistenter. Bidrag kræver ikke opgave-relaterede færdigheder, og det endelige resultat er typisk et gennemsnit af alle bidragene. Et klassisk eksempel på en menneskelig beregning projekt er Galaxy Zoo, hvor hundrede tusinde frivillige hjulpet astronomer klassificerer en million galakser. Åben indkaldelse projekter er velegnet til problemer, hvor du er på udkig efter nye og uventede svar på klart formulerede spørgsmål. Det er projekter, der tidligere kunne have involveret spørge kolleger. Bidrag kommer fra folk, der har særlige task-relaterede færdigheder, og det endelige resultat er normalt den bedste af alle bidragene. Et klassisk eksempel på en åben indkaldelse er Netflix-prisen, hvor tusinder af forskere og hackere har arbejdet på at udvikle nye algoritmer til at forudsige kundernes ratings af film. Endelig er fordelt dataindsamling projekter velegnet til opsamling storstilet data. Det er projekter, der tidligere kunne have været udført af bachelor forskning assistenter eller undersøgelse forskning selskaber. Bidrag kommer typisk fra folk, der har adgang til steder, at forskere ikke gør, og det endelige produkt er en simpel samling af bidragene. Et klassisk eksempel på en distribueret dataopsamling er eBird, hvor hundreder af tusinder af frivillige bidrager rapporter om fugle, de ser.

Figur 5.1: Mass samarbejde skematisk. Dette kapitel er organiseret omkring tre vigtigste former for masse samarbejde: menneskelig beregning, åben opkald, og distribueret dataindsamling. Mere generelt, masse samarbejde kombinerer ideer fra områder som borger videnskab, crowdsourcing, og kollektiv intelligens.

Figur 5.1: Mass samarbejde skematisk. Dette kapitel er organiseret omkring tre vigtigste former for masse samarbejde: menneskelig beregning, åben opkald, og distribueret dataindsamling. Mere generelt, masse samarbejde kombinerer ideer fra områder som borger videnskab, crowdsourcing, og kollektiv intelligens.

Masse samarbejde har en lang, rig historie på områder såsom astronomi (Marshall, Lintott, and Fletcher 2015) og økologi (Dickinson, Zuckerberg, and Bonter 2010) , men det er endnu ikke almindelig i social forskning. ved at beskrive vellykkede projekter fra andre områder og give et par vigtige organisering principper, jeg håber dog, at overbevise dig om to ting. Først kan masse samarbejde udnyttes til social forskning. Og for det andet, forskere, der bruger masse samarbejde vil være i stand til at løse problemer, der tidligere havde syntes umuligt. Selvom masse samarbejde ofte fremmes som en måde at spare penge, det er meget mere end det. Som jeg vil vise, er masse samarbejde ikke bare tillade os at gøre forskning billigere, det giver os mulighed for at gøre forskning bedre.

I nedenstående kapitel, for hver af de tre vigtigste former for masse samarbejde, vil jeg beskrive et prototypisk eksempel; illustrere vigtige yderligere punkter med yderligere eksempler; og endelig beskrive, hvordan denne form for masse samarbejde kan anvendes til social forskning. Kapitlet afsluttes med fem principper, der kan hjælpe dig med at designe din egen masse samarbejdsprojekt.