اثر دانینگ–کروگر

قطعا شده که کسی را ببینید که در یک موضوع تقریباً چیزی نمی‌داند، ولی با اعتمادبه‌نفس خیلی زیادی درباره‌اش صحبت می‌کند
نام این اتفاق «اثر دانینگ–کروگر» است.
اما ماجرا کمی پیچیده‌تر از این جمله‌ی معروف است.

🔹 شروع ماجرا
در سال ۱۹۹۹، دو روان‌شناس به نام‌های دیوید دانینگ و جاستین کروگر در دانشگاه کرنل روی یک سؤال ساده کار کردند:
آیا آدم‌ها می‌توانند بفهمند که در یک کار چقدر خوب یا بد عمل کرده‌اند؟
آن‌ها در چند آزمایش از دانشجویان خواستند در زمینه‌هایی مثل شوخ‌طبعی، استدلال منطقی و دستور زبان انگلیسی آزمون بدهند.
بعد از آزمون، از آن‌ها خواسته شد عملکرد خودشان را هم ارزیابی کنند.
نتیجه جالب بود:
افرادی که عملکرد ضعیف‌تری داشتند، معمولاً عملکرد خودشان را بیشتر از واقعیت برآورد می‌کردند.
از طرف دیگر، افراد قوی‌تر معمولاً ارزیابی دقیق‌تری از عملکردشان داشتند.
این همان چیزی بود که بعدها با نام اثر دانینگ–کروگر (Dunning–Kruger Effect) معروف شد.

🔹 دلیل اینکه همچین اتفاقی میوفته چیه دقیقا؟
ایده‌ی اصلی دانینگ و کروگر این بود که برای اینکه بفهمیم یک کار را درست انجام داده‌ایم یا نه، باید تا حدی دانش و مهارتی درباره‌ی همان کار داشته باشیم.
مثلاً فرض کنید کسی تازه با آمار آشنا شده و فکر می‌کند اگر یک همبستگی بین دو متغیر پیدا کرد، پس حتماً یکی علت دیگری است.
مشکل فقط این نیست که این فرد اشتباه می‌کند.
ممکن است ابزار لازم برای تشخیص اشتباه خودش را هم نداشته باشد.
به این ایده اصطلاحاً «بار مضاعف» یا Double Burden گفته می‌شود:
فرد هم دانش کافی برای انجام درست کار را ندارد، و هم ممکن است دانش کافی برای تشخیص اشتباه خودش نداشته باشد.
این بخش از نظریه به مفهوم فراشناخت (Metacognition) مربوط می‌شود؛ یعنی توانایی فکر کردن درباره‌ی عملکرد و فرایندهای ذهنی خودمان.

📈 بررسی نمودارها
اگر نمودارهای معروف اثر دانینگ–کروگر را دیده باشید، معمولاً چیزی شبیه این می‌بینید:
افراد با عملکرد پایین → بیش‌برآورد زیاد
افراد با عملکرد متوسط → اختلاف کمتر
افراد با عملکرد بالا → گاهی حتی کم‌برآورد
و همین نمودار باعث شده این برداشت خیلی معروف شود که:
«هرچه کمتر بدانی، احتمال اینکه فکر کنی خیلی خوبی بیشتر است.»
اما آیا واقعاً همین است؟
نه لزوماً.

🔬 مشکل کجاست؟
یکی از نقدهای مهم این است که بخشی از این الگو می‌تواند صرفاً از یک پدیده آماری به نام رگرسیون به میانگین (Regression to the Mean) ایجاد شود.
فرض کنید عملکرد واقعی افراد را با یک آزمون اندازه‌گیری می‌کنیم.
این اندازه‌گیری همیشه کاملاً دقیق نیست و مقداری خطای تصادفی دارد.
حالا اگر افراد را بر اساس همین نمره‌ها به گروه‌های ضعیف، متوسط و قوی تقسیم کنیم، بخشی از افرادِ گروه ضعیف به‌طور تصادفی نمره‌ی پایین‌تری از توانایی واقعی‌شان گرفته‌اند.
وقتی دوباره از آن‌ها درباره عملکردشان سؤال می‌کنیم، طبیعی است که برآوردشان لزوماً به همان اندازه پایین نباشد.
در نتیجه ممکن است ببینیم:
گروه ضعیف → بیش‌برآورد
و
گروه قوی → کم‌برآورد
حتی بدون اینکه الزاماً فرض کنیم افراد ضعیف از نظر فراشناختی «نمی‌دانند که نمی‌دانند».

حالا سوال اصلی اینه که پس بالاخره اثر دانینگ–کروگر واقعی هست یا نه؟
اینجا جواب یک «بله» یا «نه» ساده نیست.
اصل مشاهده‌ای که افراد با عملکرد پایین‌تر ممکن است عملکرد خودشان را بیش‌ازحد برآورد کنند، در مطالعات مختلف دیده شده است.
اما تفسیر علت این الگو هنوز محل بحث است.
برخی پژوهش‌ها شواهدی به نفع نقش فراشناخت پیدا کرده‌اند، در حالی که پژوهش‌های دیگری نشان داده‌اند که بخش قابل‌توجهی از الگوی کلاسیک می‌تواند با عوامل آماری مثل رگرسیون به میانگین و نحوه‌ی اندازه‌گیری خودارزیابی توضیح داده شود.
برای مثال، یک مطالعه در سال ۲۰۲۲ با استفاده از روش‌های جدیدتر اندازه‌گیری فراشناخت گزارش کرد که الگوی معروف دانینگ–کروگر تا حد زیادی می‌تواند ناشی از ویژگی‌های آماری داده‌ها باشد و شواهد کافی برای اینکه تفاوت در «مهارت فراشناختی» علت اصلی این الگو باشد پیدا نکرد.

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━