众包是一种组织工作、知识或资源的方法,通过邀请分散各处的人群作出贡献来开展活动,通常采用在互联网上公开招募的方式。企业、公共机构、非营利组织或社区确定一项活动,并为参与者提供贡献渠道。参与者的贡献可以是有偿的,也可以是自愿无偿的;可以独立完成,也可以协作完成;参与资格可以向所有人开放,也可以设有限制。众包的关键不在于参与人数有多大,而在于从预先确定的团队之外征集贡献,并利用这些贡献产生成果。
定义与边界
众包将组织者的目标与分散人群的能力、知识或付出联系起来。它通常包括以下要素:
- 任务或问题,例如识别图像中的物体、提出设计方案或记录当地状况。
- 参与邀请,面向公众或符合条件的群体发布。
- 贡献机制,例如网站、应用程序、竞赛或共享工作空间。
- 筛选或整合流程,将提交的内容转化为可用成果。
参与群体不一定是匿名的、缺乏专业技能的,也不一定规模庞大。有些项目招募专业人士群体,另一些则将工作拆分成无需太多事先培训即可完成的任务。
众包与外包有所重叠,但两个术语不能互换。传统外包是在既定安排下,将工作交给明确的外部供应商。众包则向一群潜在贡献者发出邀请,组织者往往事先并不知道谁能提供有用的成果。一些商业平台结合了这两种方式。
众包也不同于一般的市场调研。调查主要收集回答以供分析;众包活动则通常要求参与者协助创造、分类、发现或解决某些事物或问题。两者之间并没有绝对界限:公众报告和参与式数据收集可以同时服务于这两种目的。
并非所有涉及大量互联网用户的活动都属于众包。例如,被动收集浏览数据就缺少多数定义所强调的主动贡献特征。对于参与者是否必须明确知情、是否必须获得报酬,以及是否必须存在可明确识别的组织者,学者之间仍有不同看法。
历史发展
有组织的公众贡献早于数字网络出现。科学悬赏竞赛、志愿者气象观测以及读者为词典提供资料,都是早期利用分散知识的方式。人们在回顾历史时,往往将这些活动视为众包的先驱,而非成熟数字众包模式的实例。
现代英文术语“crowdsourcing”由“crowd”(人群)和“outsourcing”(外包)组合而成。作家杰夫·豪于2006年在《连线》杂志发表《众包的兴起》一文,将这一术语介绍给广泛受众。它的出现反映出,网站以低成本招募参与者、分发任务和收集成果的能力日益增强。
此后,宽带接入、在线支付系统、智能手机和数字协作工具扩大了众包活动的范围。众包逐渐在商业服务、科学研究、公共行政和文化项目中得到广泛应用。其发展也与开源软件和在线协作生产相互交汇,不过,这些活动有各自的治理传统,也不一定由某个中心组织委托开展工作。
主要形式
微任务与分布式工作
在微任务模式中,一项较大的活动被拆分成相对较小的单元,贡献者可以分别完成。例如,转录短文、核对产品记录以及为图像添加标签。
亚马逊的Mechanical Turk是一个知名的商业实例。这类平台支持一种劳动分工:组织者规定任务,参与者提供判断或付出劳动,软件则将产出汇总起来。高度依赖共同背景知识或持续协作的任务,较难以这种方式拆分。
竞赛与问题求解
悬赏式众包要求参与者提出解决方案,并向入选方案提供奖励。它被用于设计、技术挑战、预测以及研究与开发。
竞赛可以让组织者日常专业网络之外、具备相关知识的人接触到问题。不过,许多参与者可能投入了精力却得不到报酬,而组织者也必须能够公正评估提交的方案。有些问题还需要参与者接触不便公开的机密信息。
协作生产
参与者可以通过编辑、审阅和扩展彼此的工作,共同建设一项共享资源。维基百科和OpenStreetMap是广受讨论的大规模协作贡献实例。
这些项目与基于共享资源的同侪生产有所重叠,后者强调共享资源和分布式参与,而不只是获取外部劳动力。是否将它们归入众包,取决于所采用的定义:由中心组织委托完成的任务与自主管理的志愿者社区,是两种不同的组织安排。
数据收集与公民参与
众包可以收集分布在不同地点或时间的观察记录,包括基础设施损坏报告、野生动物目击记录以及历史文献转录。
当公众成员为研究作出贡献时,公民科学便与这一模式产生交集。例如,Zooniverse平台承载了一些由志愿者对研究材料进行分类或解读的项目。公民科学的范围比众包更广,因为参与者还可以协助提出问题、设计研究以及解释研究结果。
创意征集与评估
组织可以征集有关产品、服务或公共政策的建议,再通过专家评审、参与者投票或测试来筛选方案。这是实现创新的一种途径,但受欢迎并不一定意味着技术上可行或具有社会价值。
众筹与众包相关,但又有所不同:其主要贡献是资金,而非劳动或知识。一些较宽泛的分类将众筹视为众包的一个子类型;另一些则将其单独分析,因为融资涉及不同的合同和监管问题。
经济与组织机制
分散知识与搜寻
一个组织很少能够知道所有相关专长分布在哪里。公开招募将其搜寻范围扩展到员工和既有供应商之外。参与者可能拥有专业经验、地方信息或独特的技能组合,而这些是组织者难以事先识别的。
当问题能够清楚传达、有用贡献能够得到识别时,这种优势最为明显。仅仅扩大招募范围,并不能保证参与者具有多样性或专业能力。
协调成本与规模
数字平台可以降低寻找贡献者、分配工作、记录产出和支付报酬的交易成本。可重复使用的软件和任务模板能够带来规模经济。
不过,组织参与群体本身也会产生成本,包括任务设计、参与者支持、质量检查、争议解决和成果整合。大量提交内容可能增加而非减轻评估负担。
商业中介平台往往以双边市场的形式运作,将任务发布者与贡献者连接起来。任何一方参与人数的增加都可能吸引另一方,从而产生网络效应。参与人数多,本身并不代表质量高或报酬公平。
激励与参与
贡献者可能追求收入、奖金、声誉、乐趣、学习机会、社交互动,或希望支持共同目标。这些动机可以并存,其重要性因项目而异。
设计有效的激励措施是一个机制设计问题:报酬规则、排名、资格要求和反馈,都会影响谁来参与以及他们提交什么内容。只奖励数量可能鼓励参与者草率完成工作;只奖励某项狭窄的绩效指标,则可能使参与者不愿作出该指标未能涵盖的有价值贡献。
当组织者无法直接观察参与者的努力程度或能力时,也会面临委托—代理问题。反过来,贡献者也可能缺乏相关信息,不知道自己的工作是否会被接受、将如何使用,或能否对报酬决定提出异议。
质量控制与集体判断
众包不会自动产生准确的结果。常见的质量控制方法包括资格测试、答案已知的参照任务、相互独立的重复判断、专家审查、声誉系统以及分歧处理程序。
采用何种方法取决于具体活动。多数表决可能适用于简单明确的分类任务,但在含义模糊的问题或需要稀缺专业知识的问题上,效果可能不佳。分歧本身也可能包含有用信息,而不只是意味着出错。
群体智慧指的是汇总判断在某些条件下能够优于个人判断的现象,并不意味着群体越大,判断就必然越准确。相关信息的多样性、各项判断之间一定程度的独立性,以及恰当的汇总方法,都很重要。共同的误解、抄袭的答案或公开可见的早期评分,都可能造成相关性错误。
此外,参与者通常是自愿加入的。他们与组织者希望了解的总体人群之间,可能存在系统性差异。因此,大量提交内容并不能证明样本具有代表性,尤其是在互联网接入、语言、时间或技术技能限制了参与的情况下。
在人工智能中的应用
众包被用于创建和评估机器学习所用的训练数据。贡献者可以标注物体、转录语音、比较模型输出,或评估回答是否遵循指令。
人类判断可以捕捉自动化方法难以处理的差别,但标注结果未必就是客观真值。任务说明、贡献者背景、可获取的上下文以及报酬安排,都可能影响最终数据。
人工智能生成的提交内容带来了额外的核验难题。自动化辅助可能提高某些任务的生产效率,但未披露的合成回答可能损害旨在收集独立人类判断的项目。关键区别在于贡献是否符合任务的目的和规则,而不只是是否使用了软件。
治理、劳动与局限
有偿众包引出了实际收入、无偿的任务搜寻与资格认定时间、被拒收的提交成果、救济渠道以及风险分配等问题。平台宣传的单项任务报酬,可能与将寻找和完成工作所花全部时间计入后测得的收入水平相差甚远。参与者的用工身份认定以及能否获得劳动保护,取决于所在司法辖区和实际工作安排。
志愿者项目面临不同的挑战,包括如何留住贡献者、影响力分配不均、内容管理负担,以及日常维护工作集中在少数核心成员手中。
无论哪种情形,明确的知识产权条款都很重要。贡献者和组织者需要知道,谁可以使用、修改、发布提交的内容,或将其商业化。接触机密材料或个人信息也会带来数据隐私风险,尤其是在任务被广泛分发的情况下。
当工作需要紧密结合的隐性知识、严格保密、持续问责,或其协调过程无法简化为易于管理的对接环节时,众包就不太适用。因此,评估众包的成效,不能仅看参与人数或提交数量,还应考察可用产出、组织总成本、错误率、参与者处境以及收益分配。