Dunning-Kruger je (väčšinou) štatistický artefakt: nulový model bez deficitu reprodukuje slávny graf
Slávny Dunning-Krugerov graf je (väčšinou) štatistický artefakt: model bez deficitu ho reprodukuje (spodný kvartil +45,8 pb) cez regresiu k priemeru plus uniformný optimistický bias.
Tvrdenie. Kruger a Dunning (1999) uviedli, že najmenej kompetentní sa najviac preceňujú — metakognitívny deficit nešikovných. Dôkazom je slávny graf: rozdeľ ľudí do kvartilov podľa skutočného výkonu, vynes ich sebahodnotenie, a spodný kvartil sa hodnotí hlboko nad priemer, kým horný sa mierne podceňuje. Dvadsaťpäť rokov sa to číta ako „nekompetentní sú príliš nekompetentní na to, aby si to uvedomili".
Čo sme odmerali. Postavili sme nulový model bez deficitu špecifického pre schopnosť. Každý má rovnakú kvalitu sebapoznania — rovnaký šum okolo svojho odhadu — plus uniformný „lepší ako priemer" optimizmus, ktorý zdvihne všetkých rovnako. Sebaodhady stále čiastočne kopírujú skutočnú schopnosť: regredujú smerom k priemeru, namiesto toho, aby ju ignorovali. Chýba akýkoľvek člen, ktorým by boli práve nešikovní špeciálne slepí voči svojej nekompetentnosti. Potom sme z neho reprodukovali presne tie Dunning–Krugerove kvartilové čísla.
| kvartil výkonu | skutočný %ile | odhad seba %ile | rozdiel |
|---|---|---|---|
| spodný | 12,5 | 58,3 | +45,8 (DK uvádza ~+46) |
| 2. | 37,5 | 63,7 | +26,2 |
| 3. | 62,5 | ~68 | malý |
| horný | 87,5 | ~73 | záporný |
Charakteristická asymetria — veľké preceňovanie dole, podceňovanie hore — sa objaví naplno, z modelu, kde nikto nie je špeciálne slepý.
Prečo sa to deje. Dva dobre známe efekty, ani jeden z nich nie je deficit závislý od schopnosti. (1) Regresia k priemeru: sebahodnotenia sú zašumené, takže keď vyberieš ľudí podľa skutočného výkonu, najnižšia skupina regreduje nahor a najvyššia nadol na osi sebahodnotenia. (2) Uniformný „lepší ako priemer" bias — skutočný, ale celopopulačný optimizmus — posunie všetkých hore. Podmienenie zašumeným-oproti-skutočnému rozdeleniu a vynesenie rozdielu je presne tá operácia, ktorá tú krivku vyrobí. (Asymetria, ktorá graf preslávila, je ten uniformný posun, nie slepota špecifická pre schopnosť.)
Aký veľký a kedy. Medzera spodného kvartilu je robustná, ale závislá od reliability: naprieč hodnovernými reliabilitami testu sa pohybuje zhruba +42 až +48, o niečo väčšia pri menej spoľahlivých rýchlych kvízoch, na ktorých sa efekt zvyčajne demonštruje, pričom horný kvartil zostáva záporný celý čas — takže to málo, čo reliabilita mení, sa nakláňa väčšie presne tam, kde sa efekt najčastejšie ukazuje. Jedna poctivá výhrada: predpokladáme celopopulačne uniformný optimizmus; ak je „lepší ako priemer" bias sám závislý od schopnosti (efekt ťažké–ľahké), časť krivky by mohla odrážať túto štruktúru, a nie čistú regresiu.
Čo to znamená. Kanonický Dunning–Krugerov graf je to, čo zašumené sebahodnotenie plus konštantný optimizmus vyprodukujú samé. Čo sme vynulovali, je akýkoľvek člen chyby špecifický pre kompetenciu — šum sebapoznania je identický na každej úrovni schopnosti — takže na nakreslenie slávneho obrázku netreba žiadnu špeciálnu slepotu nekompetentných.
FalzifikátorKeby nulový model bez deficitu nedokázal reprodukovať tú dole-ťažkú asymetriu, efekt by vyžadoval skutočný deficit závislý od schopnosti. Dokáže ju reprodukovať. Poctivý test sa vyhne podmieneniu zašumenou premennou (napr. priamo meria, ako chyba sebahodnotenia závisí od schopnosti); analýzy, ktoré to robia, nachádzajú signál metakognitívneho deficitu oveľa menší, než graf naznačuje.
Kde to stojí v literatúre. Štatisticko-artefaktové vysvetlenie nie je nové. Krueger & Mueller (2002, JPSP) ako prví ukázali, že vzor preceňovania dole / podceňovania hore sa do veľkej miery rozplynie, keď opravíš na nereliabilitu merania (regresia k priemeru) plus „lepší ako priemer" bias — Dunning & Kruger odpovedali v tom istom čísle. Nuhfer a kol. (2016/2017, Numeracy) reprodukovali graf priamo zo simulácií náhodných čísel. Gignac & Zajenkowski (2020, Intelligence) ho formalizovali — ich článok sa volá „The Dunning-Kruger effect is (mostly) a statistical artefact" — a ich test spojitej moderácie nachádza skutočný signál závislý od schopnosti oveľa menší, než graf naznačuje; otázka zostáva sporná (Hiller 2023, s odpoveďou od Gignaca & Zajenkowského). Samostatná kritika to rámcuje ako autokoreláciu: vynesenie seba-mínus-skóre oproti skóre vynúti zápornú smernicu (Jarry 2020; Fix 2022) — náš null je komplementárny v tom, že generuje skutočné čísla, namiesto toho, aby argumentoval, že smernica je vynútená. Náš prínos je úzky a explicitný: čistá, znovu-spustiteľná replikácia, ktorej optimistický posun je kalibrovaný z vlastného reportovaného celkového priemeru sebaodhadu Dunninga & Krugera, takže kvartilové medzery sú predikcie, nie fity, plus závislosť od reliability vyššie.
Prečo to zverejňujeme. Graf, ktorému takmer každý verí, reprodukovaný od základu transparentným nulovým modelom, ktorý si môže ktokoľvek spustiť — presne na toto slúži replikačný register, ako ďalší slávny null, ktorý sme reprodukovali. Model je na GitHube, aby si ho každý mohol spustiť.
FAQ
Je Dunning-Krugerov efekt skutočný? Slávny graf ho nedokazuje. Null model bez deficitu špecifického pre schopnosť reprodukuje vzor — dolný kvartil (skutočný ~12,5 percentil) sa hodnotí na 58,3, medzera +45,8, čo sedí s ~+46 reportovaným Krugerom & Dunningom — takže graf nedokáže odlíšiť skutočný deficit od žiadneho. Priame testy (Gignac & Zajenkowski 2020) nachádzajú akýkoľvek skutočný signál závislý od schopnosti oveľa menší, než graf naznačuje.
Čo vytvára vzor bez skutočného deficitu? Dve štatistické sily: regresia k priemeru (zašumené sebaodhady ťahajú k priemeru) plus tendencia lepší-než-priemer. Spolu spravia, že dno vyzerá prehnane isté a vrchol nedostatočne isté, bez akéhokoľvek metakognitívneho príbehu.
Vypadne celá krivka z artefaktu? Áno, gradient áno: dno +45,8, 2. kvartil +26,2, 3. malý, horný kvartil negatívny — ten istý monotónny tvar, generovaný šumom plus regresiou, nie slepotou voči kompetencii špecifickou pre schopnosť.
Takže tu nie je nič skutočné? Hlavné kauzálne tvrdenie — že nezruční sú jedinečne slepí voči svojej nekompetentnosti — klasický graf nepodporuje. Akýkoľvek skutočný efekt sa musí ukázať voči tomuto nullu, nie voči naivnému baseline s nulovou medzerou.