5.1 Inleiding

Wikipedia is geweldig. Een massale samenwerking van vrijwilligers creëerde een fantastische encyclopedie die voor iedereen beschikbaar is. De sleutel tot het succes van Wikipedia was geen nieuwe kennis; het was eerder een nieuwe vorm van samenwerking. Het digitale tijdperk maakt gelukkig veel nieuwe vormen van samenwerking mogelijk. Daarom moeten we ons nu afvragen: welke massale wetenschappelijke problemen - problemen die we niet individueel kunnen oplossen - kunnen we nu samen aanpakken?

Samenwerking in onderzoek is niets nieuws, natuurlijk. Wat nieuw is, is echter dat het digitale tijdperk maakt samenwerking met een veel grotere en meer gevarieerde set van mensen: de miljarden mensen over de hele wereld met Internet toegang. Ik verwacht dat deze nieuwe massa-samenwerkingen verbluffende resultaten niet alleen vanwege het aantal betrokken personen, maar ook omwille van hun uiteenlopende vaardigheden en perspectieven zal opleveren. Hoe kunnen we nemen iedereen met een internetverbinding in ons onderzoeksproces? Wat zou je doen met 100 assistenten? Hoe zit het met 100.000 geschoolde medewerkers?

Er zijn veel vormen van massasamenwerking en computerwetenschappers organiseren deze meestal in een groot aantal categorieën op basis van hun technische kenmerken (Quinn and Bederson 2011) . In dit hoofdstuk ga ik echter massasamenwerkingsprojecten categoriseren op basis van hoe ze kunnen worden gebruikt voor sociaal onderzoek. In het bijzonder denk ik dat het nuttig is om grofweg onderscheid te maken tussen drie soorten projecten: menselijke berekening , open call en gedistribueerde gegevensverzameling (figuur 5.1).

Ik zal elk van deze typen later in het hoofdstuk in meer detail beschrijven, maar laat het me nu even kort beschrijven. Menselijke rekenprojecten zijn bij uitstek geschikt voor eenvoudige grootschalige problemen, zoals het labelen van een miljoen afbeeldingen. Dit zijn projecten die in het verleden mogelijk zijn uitgevoerd door niet-gegradueerde onderzoeksassistenten. Bijdragen vereisen geen taakgerelateerde vaardigheden en de uiteindelijke output is meestal een gemiddelde van alle bijdragen. Een klassiek voorbeeld van een menselijk rekenproject is Galaxy Zoo, waar honderdduizenden vrijwilligers astronomen hebben geholpen bij het classificeren van een miljoen sterrenstelsels. Open call- projecten daarentegen zijn uitermate geschikt voor problemen waarbij u op zoek bent naar nieuwe en onverwachte antwoorden op helder geformuleerde vragen. Dit zijn projecten die in het verleden betrekking hadden op het stellen van vragen aan collega's. Bijdragen komen van mensen met speciale taakgerelateerde vaardigheden, en de uiteindelijke output is meestal de beste van alle bijdragen. Een klassiek voorbeeld van een open call is de Netflix-prijs, waar duizenden wetenschappers en hackers werkten om nieuwe algoritmen te ontwikkelen om de beoordelingen van films door klanten te voorspellen. Ten slotte zijn gedistribueerde projecten voor gegevensverzameling uitermate geschikt voor grootschalige gegevensverzameling. Dit zijn projecten die in het verleden mogelijk zijn uitgevoerd door niet-gegradueerde onderzoeksassistenten of onderzoeksonderzoeksbureaus. Bijdragen komen meestal van mensen die toegang hebben tot locaties die onderzoekers niet hebben, en het eindproduct is een eenvoudige verzameling van de bijdragen. Een klassiek voorbeeld van een gedistribueerde gegevensverzameling is eBird, waarin honderdduizenden vrijwilligers rapporten over vogels die zij zien bijdragen.

Figuur 5.1: schema voor massale samenwerking. Dit hoofdstuk is georganiseerd rond drie belangrijke vormen van massasamenwerking: menselijke berekening, open call en gedistribueerde gegevensverzameling. Meer in het algemeen combineert massale samenwerking ideeën uit gebieden zoals burgerwetenschap, crowdsourcing en collectieve intelligentie.

Figuur 5.1: Mass samenwerking schema. Dit hoofdstuk is georganiseerd rond drie hoofdvormen van massasamenwerking: menselijke berekening, open oproep, en gedistribueerde het verzamelen van gegevens. Meer in het algemeen, massasamenwerking combineert ideeën uit de gebieden als burger wetenschap, crowdsourcing en collectieve intelligentie.

Massale samenwerking heeft een lange, rijke geschiedenis op het gebied van astronomie (Marshall, Lintott, and Fletcher 2015) en ecologie (Dickinson, Zuckerberg, and Bonter 2010) , maar het is nog niet gebruikelijk in sociaal onderzoek. Echter, door succesvolle projecten uit andere vakgebieden te beschrijven en enkele basisprincipes voor organiseren te geven, hoop ik u te overtuigen van twee dingen. Ten eerste kan massasamenwerking worden benut ten behoeve van sociaal-wetenschappelijk onderzoek. En ten tweede kunnen onderzoekers die massale samenwerking gebruiken problemen oplossen die voorheen onmogelijk leken. Hoewel massale samenwerking vaak wordt gepromoot als een manier om geld te besparen, is het veel meer dan dat. Zoals ik zal laten zien, stelt massale samenwerking ons niet alleen in staat om onderzoek goedkoper te doen, het stelt ons ook in staat om onderzoek beter te doen.

In de voorgaande hoofdstukken heb je gezien wat je kunt leren door op drie verschillende manieren met mensen om te gaan: hun gedrag observeren (hoofdstuk 2), hen vragen stellen (hoofdstuk 3) en ze inschrijven in experimenten (hoofdstuk 4). In dit hoofdstuk laat ik je zien wat je kunt leren door mensen aan te spreken als onderzoeksmedewerkers. Voor elk van de drie belangrijkste vormen van massasamenwerking, zal ik een voorbeeld beschrijven, belangrijke aanvullende punten illustreren met verdere voorbeelden, en tenslotte beschrijven hoe deze vorm van massale samenwerking kan worden gebruikt voor sociaal onderzoek. Het hoofdstuk wordt afgesloten met vijf principes die u kunnen helpen bij het ontwerpen van uw eigen massasamenwerkingsproject.