5.5.2 Leverage heterogeenisyys

Kun olet motivoinut paljon ihmisiä työskentelemään todellisen tieteellisen ongelman suhteen, huomaat, että osallistujasi ovat heterogeenisiä kahdella päätavalla: ne vaihtelevat sekä taitojensa että ponnistustensa mukaan. Monien sosiaalisten tutkijoiden ensimmäinen reaktio on taistella tätä heterogeenisyyttä vastaan ​​yrittäen sulkea pois heikkolaatuiset osallistujat ja yrittää sitten kerätä kiinteää tietoa kaikilta jäljiltä. Tämä on väärä tapa suunnitella massayhteistyöprojekti. Sen sijaan, että taistelisit heterogeenisyyttä, sinun pitäisi hyödyntää sitä.

Ensinnäkin ei ole syytä sulkea pois heikosti koulutettuja osallistujia. Avoimissa puheluissa heikosti koulutetut osallistujat eivät aiheuta ongelmia; heidän panoksensa ei vahingoittaisi ketään eikä heillä ole aikaa arvioida. Ihmisen laskennassa ja hajautetussa tiedonkeruuhankkeissa lisäksi laadunvalvonnan paras muoto syntyy irtisanomisen kautta, ei korkean palkin kautta. Itse asiassa, sen sijaan, että sulkematta pois vähäosaiset osallistujat, parempi lähestymistapa on auttaa heitä tekemään parempia maksuja, aivan kuten eBirdin tutkijat ovat tehneet.

Toiseksi, ei ole syytä kerätä kiinteää tietomäärää kustakin osallistujalta. Osallistuminen moniin massayhteistyöhankkeisiin on uskomattoman epätasa-arvoinen (Sauermann and Franzoni 2015) . Pieni joukko ihmisiä osallistuu paljon - joskus kutsutaan rasvapääksi - ja paljon ihmisiä, jotka osallistuvat vähän - joskus kutsutaan pitkäksi hänneksi . Jos et kerää tietoja rasvan päästä ja pitkästä hännästä, jätät massamäärät, joita ei ole kerätty. Esimerkiksi jos Wikipedia hyväksyi 10 ja vain 10 muokkausta editoriin kohden, se menettäisi noin 95% muokkauksista (Salganik and Levy 2015) . Jotta massayhteistyöhankkeilla olisi parasta hyödyntää heterogeenisyyttä sen sijaan, että yritettäisiin poistaa se.