Como mencionado na seção anterior, temos dois pontos relevantes a serem observados em comunidades on-line: o sucesso quando de seu surgimento e muitas vezes sua extinção por falta de usuários ativos. Em ambiente Wiki, essas observações também podem ser consideradas, mas diferente de um ambiente com escopo fechado como é o caso do Comtella, em ambiente Wiki temos uma diversificação de conteúdos e pessoas que esperam algo a mais ao contribuírem com conteúdos. Como dinheiro não é usado como fator motivador nesse tipo de ambiente, é necessário utilizar outros fatores, como status ou glória.
Além do trabalho de Cheng e Vassileva (2006), outros trabalhos como o de Hoisl, Aigner e Miksch (2007) baseiam suas técnicas de incentivo em investigações quantitativas e qualitativas em relação aos conteúdos publicados em comunidades (Wiki, neste último caso). Em seu trabalho, os autores realizaram uma prova de conceito implementando o mecanismo social junto o software MediaWiki. Para realizar a promoção dos usuários da comunidade foram aplicados métodos para recompensa social, como:
• Valores de Referências: Este método, que usa o processo de recompensa do
Google, busca utilizar API para construir um número de índice de qualidade
baseado nos seguintes critérios: o tamanho de uma referência, o número de links que apontam para a referência e o número de links que apontam para a especificidade do artigo.
• Nota de artigos: método de avaliação de artigos publicados que são inéditos dentro do Software MediaWiki, por meio da utilização de uma escala apontando as necessidades.
• Artigos mais vistos: utiliza-se de um critério que conta quantas visitas um conteúdo sofreu.
Hoisl, Aigner e Miksch (2007) acreditam que a utilização de novos e diferentes mecanismos sociais de recompensa irá apresentar melhores resultados, ou seja, os dados serão recuperados a partir de diferentes fontes. A combinação desses dados deverá surtir resultados mais plausíveis do que qualquer outra técnica sozinha. Outro motivo: ficaria mais difícil um
58 usuário tentar enganar todos os processos de avaliação.
Vejamos o caso de cada método de avaliação utilizado. O primeiro seria Quantidade de Referência, tal como no caso da enciclopédia Wikipedia. O valor de um artigo cresce com a quantidade e a qualidade de referências utilizadas. O cálculo utilizado para esse método é diretamente influenciado por três critérios: o número de links que apontam para uma referência, a dimensão desta referência, bem como o número de links que apontam para um conteúdo Wiki específico. Levando em consideração esses critérios, um índice de qualidade do número de artigos pode ser gerado, pode ser usado para uma classificação básica de como se creditar pontuação às referências e pode indicar a publicidade do conteúdo. Portanto, uma primeira avaliação da qualidade dos recursos pode ser realizada por meio da Técnica de
PageRank da Google. Esse método tenta classificar artigos não só por meio de características
quantitativas, mas também qualitativa.
O segundo método utilizado em (Hoisl, Aigner e Miksch, 2007) para se distinguir entre artigos os bons e ruins, o usuário tem a possibilidade de votar a favor ou contra os conteúdos lidos. Essa avaliação é feita através de uma simples pergunta com resposta padronizada, que pode ser "Você gostou do conteúdo?" ou "Como a informação relevante foi demonstrada no presente conteúdo para você?", podendo as respostas dessas perguntas variarem entre -5 e +5. Além dessa forma de avaliação, é possível escrever em um campo texto disponibilizado uma nota ao escritor. Assim, as classificações através dos pontos são quantitativamente calculadas enquanto o autor também recebe um feedback pessoal qualitativo.
O terceiro e último método de avaliação é “Artigos mais vistos”. Quando um artigo é visto por muitas pessoas quer seja por ser muito informativo e bem escrito ou que tenha um tema atrativo para uma gama de pessoas, de acordo com Hoisl, Aigner e Miksch (2007), pode-se dizer que os artigos que têm uma taxa elevada de acessos ou visitas ajudam a alcançar uma boa reputação para seus autores. Uma lista de artigos cada vez mais vistos pode ser uma boa idéia, apesar de existir certamente não será grande mais terá uma flutuação entre os primeiros artigos da lista. Para evitar essa troca constante entre os mais vistos, essa lista possui sua periodicidade dentro do mês ou de semana a semana.
Após a coleta das informações mencionadas acima, passamos para o mais interessante, ou seja, o cálculo para destacar os mais produtivos autores em um ranking. O processo é composto por duas fases de cálculo. Cada um dos três mecanismos de recompensa social calcula pontos para uma única revisão de artigo. Isto é feito através da comparação do valor
59 da revisão específica com o valor médio de todas as revisões do Wiki, como mostrado na Fórmula 2.8:
Fórmula 2.8 - Cálculo de avg (Hoisl, Aigner e Miksch, 2007).
R é o conjunto de todas as revisões onde Rij é o valor de mecanismo j de recompensa
social e revisão i (Fórmula 2.9):
Fórmula 2.9 - Demonstração de Ri (Hoisl, Aigner e Miksch, 2007).
Vejamos um exemplo: supomos que um artigo “A” que em 7 revisões tem 20 pontos de avaliação. O valor médio de pontos de avaliação de todas as revisões é de 30. Portanto a revisão do artigo A que é igual a 7 tem apenas 66,67% da média global de pontos de visitas. Mas para que cada revisão tenha certa quantia de pontos de acordo com suas visitas, uma escala deve ser previamente definida. No caso apresentado a escala de classificação para o valor 66,67% seria de 2 a 5 pontos. Esse exemplo de atribuição de pontuação é feito para todas as revisões e gratificação social para cada método. Para o mecanismo de classificação dos artigos, os usuários teriam um valor de atribuição entre 0 e 5 pontos.
Para o Valor de referência de número de links que aponta para uma referência, as dimensões dessa referência bem como o número de links que apontam para o artigo específico são utilizadas como variáveis.
Esses três critérios são ponderados em função dos usuários e são comparados a um valor médio calculado sobre todas as revisões. No final da primeira etapa de cálculo de recompensa social, para cada método e para cada revisão, são atribuídos pontos de acordo com escalas pré-definidas. Esses valores são ponderados e resumidos a um valor global por revisão. Observe-se, na Fórmula 2.10, que é possível constatar que Pri resumisse a pontos de
revisão i para cada método de recompensa social j sendo ponderado sob Wj (que deve ser
60
Fórmula 2.10 - Cálculo de Pri (Hoisl, Aigner e Miksch, 2007).
Como uma revisão está relacionada a um autor, após demonstração das fórmulas acima é possível a soma de todos os pontos de cada autor. Isto é feito através de dois pesos para o resultado: a duração de tempo da criação e edição de uma revisão. Uma modificação para R é criada quando são revistos k para artigos i, como mostra a Fórmula 2.11:
Fórmula 2.11- Demonstranção de R´i (Hoisl, Aigner e Miksch, 2007).
A diferença a partir de uma revisão em relação a sua versão anterior é contada em bytes. Através da Fórmula 2.12, obtemos um valor global para o tamanho da mudança em toda a revisão K para o artigo i (onde Sr`ik é o tamanho específico de mudança para revisão anterior).
Fórmula 2.12 – Cálculo de Sr`i (Hoisl, Aigner e Miksch, 2007).
A segunda visão é que novas versões contam mais do que as mais antigas. Hoisl, Aigner e Miksch (2007) estão convencidos que deva existir uma ponderação mais elevada para aquelas que foram escritas há mais tempo. A Fórmula 2.12 resume a quantia relativa de tempo para todas as revisões K para um artigo i (Tr`ik é a relativa quantidade de tempo para uma
revisão).
Fórmula 2.13 - Cálculo de Tr´i (Hoisl, Aigner e Miksch, 2007).
A Fórmula 2.14 apresentada abaixo define um subconjunto A das revisões que pertencem a um autor. Isto significa que apenas as revisões específicas para o autor são consideradas para cálculo.
61
Fórmula 2.14 - Equação demonstrando que apenas as revisões do autor são consideradas (Hoisl, Aigner e Miksch, 2007).
Assim, por exemplo, na equação abaixo, Saik, é o tamanho de mudança para uma revisão
de um autor que é dividido pelo tamanho total de mudança de todas as revisões para o artigo obter um valor percentual.
Fórmula 2.15 - Cálculo de PA (Hoisl, Aigner e Miksch, 2007).
Na Fórmula 2.15 mostrada acima, para cada revisão que pertence a um autor e cada critério (tamanho e tempo), são gerados os valores percentuais que são ponderados usando escalas pré-definidas (Ws e Wt). Os dois valores são multiplicados com os pontos específicos
calculados no primeiro passo para essa revisão (Prk), ambos os valores são somados. O
resultado é um novo valor ponderado de todas as revisões (Paik), que tem de ser somado a
todos os artigos que pertencem a um autor (PA).
Este procedimento tem que ser feito para todos os autores, de modo que no final cada autor tenha um valor que é atribuído à base para exibição do ranking. Veja na figura 2.16 a representação das duas etapas para o processo de cálculo descrito acima e o ambiente que demonstra o ranking de classificação dos autores.
62 Apresentação das duas fases do processo de cálculo. Os primeiros pontos são computados baseados em uma revisão utilizando os três métodos descritos para gratificação social. Em uma segunda etapa os pontos são ponderados de acordo com os fatores (tempo e tamanho) somando o valor para o autor.
De acordo com (Hoisl, Aigner e Miksch, 2007), eles utilizam estrelas para gerar um
ranking, estabelecendo uma forma de dar uma breve indicação sobre um conteúdo que seja
bom ou ruim. Os autores recomendam utilizar de uma a cinco estrelas para dimensionar a taxa de participação de um usuário. Grandes sites como, eBay ou Amazom utilizam a mesma representação gráfica.
O resultado é exibido usando uma página especial oferecendo ao usuário a possibilidade de ajustar alguns cálculos e as configurações de exibição. Na Figura 2.17, é possível verificar o ranking de autores, onde os números à direita representam a pontuação alcançada de acordo com resultado dos cálculos do mecanismo de gratificação social. Nesta mesma figura, estão presentes as estrelas e os Sparklines. Os Sparklines segundo (Hoisl, Aigner e Miksch, 2007) são “pequenos gráficos de alta resolução incorporados em um contexto de palavras, números e imagens, os Sparklines são utilizados para indicar valores e tendências, no trabalho do autor, ou seja, são usados para mostrar a taxa de participação de um usuário durante um certo período de tempo dividido por intervalos predefinidos. A taxa de contribuição é calculada usando as formulas do mecanismo descrita anteriormente. O Sparkline mais escuro indica um valor que é superior a média, o mais claro indica um valor inferior a média. É possível, através de configuração, alterar a altura, intervalos, largura, espaços e cores do Sparklines.
63
Figura 2.17 - Screenshot do Ranking de Autores (Hoisl, Aigner e Miksch, 2007).
É possível observar na Figura 2.17 as seguintes informações:
• A usuária Christina é a terceira mais produtiva dentro do ranking de autores de acordo com o cálculo;
• A produtividade da Christina equivale a cerca de 60% do autor mais produtivo, ou seja, Wolfgang;
• Silvia tem uma taxa de participação mais constante do que Wolfgang que contribuiu só no último período de tempo de forma extremamente ativa;
• Apesar de Markus possuir uma estrela e meia, a sua taxa de contribuição não é muito elevada, embora aumente regularmente, mas com algumas pausas.
Uma das funcionalidades é utilizar uma base de dados no sistema para armazenar um histórico de classificação dos autores, isto significa dizer que a qualquer momento é possível obter o ranking de autores em um determinado período, Figura 2.18.
64
Figura 2.18 – Histórico do ranking dos autores (Hoisl, Aigner e Miksch, 2007).
De acordo com as explicações acima, nota-se que, como em outras comunidades on-
line, a taxa de participação dos usuários é muito importante, pois os produtores e os
consumidores de um bom conteúdo (ou seja, informação) são os mesmos. Se os usuários produzirem menos e apenas realizarem um passeio no Wiki, a comunidade poderá ser extinta.
Os autores Hoisl, Aigner e Miksch (2007) citam que a implementação por eles realizada em técnicas de gratificação social com uma mistura de vários métodos é uma boa maneira de criar elevados resultados qualitativos que são necessários para gerar os incentivos não monetários para os usuários. No entanto, é um erro pensar que os mecanismos descritos acima são suficientes para motivar pessoas para formar uma comunidade ativa em cada Wiki.
65