Dunning-Kruger: a görbe, amely talán sosem létezett

Mindig nagyon találónak éreztem a Dunning-Kruger-hatást. Talán azért is, mert újra és újra ráismertem szakmai helyzetekben, másokon és persze magamon is. Van valami ismerősen emberi abban, ahogy néhány gyors siker után hajlamosak vagyunk azt gondolni, hogy már értjük, mivel van dolgunk, majd a tapasztalat gyarapodásával egyre több részlet, kivétel és bizonytalanság bukkan elő. Mintha a tudás növekedésének egyik furcsa mellékhatása éppen az lenne, hogy egyre pontosabban látjuk a saját tudásunk határait.

Kevés pszichológiai ábra futott be akkora karriert az üzleti prezentációkban, tréningeken és közösségi médiában, mint a Dunning-Kruger-görbe. Én is találkoztam vele számtalanszor. Az egyik tengelyen a tudás vagy tapasztalat, a másikon az önbizalom. Az elején meredeken emelkedünk, hamar feljutunk a gyakran csak "Mount Stupidként" emlegetett csúcsra, aztán ahogy egyre többet tudunk, hirtelen rájövünk, milyen keveset tudunk valójában. Jön a mélypont, majd hosszú kapaszkodás után lassan kialakul egy józanabb, tapasztalaton alapuló magabiztosság.

Nagyon szerethető ábra. Van vele azonban egy apró probléma.

Dunning és Kruger nem rajzoltak ilyen görbét.

Mit vizsgált valójában Dunning és Kruger?

Justin Kruger és David Dunning 1999-ben publikált híres tanulmányának címe már önmagában sokat elárul: Unskilled and Unaware of It, vagyis nagyjából: képzetlenül, ennek tudata nélkül. A résztvevők többek között logikai, nyelvtani és humorral kapcsolatos feladatokat oldottak meg, majd meg kellett becsülniük saját teljesítményüket másokéhoz képest.

A kutatók ezután a tényleges teljesítmény alapján négy csoportba osztották őket. Az eredmény valóban érdekes volt. A leggyengébben teljesítők jelentősen túlbecsülték saját relatív teljesítményüket. Az egyik vizsgálatban például a legalsó negyed tényleges teljesítménye nagyjából a 12. percentilis körül volt, miközben saját magukat átlagosan a 62. percentilis környékére becsülték. A legjobban teljesítők ezzel szemben valamelyest alábecsülték saját helyzetüket.

Dunning és Kruger magyarázatának izgalmas része nem egyszerűen az volt, hogy "aki keveset tud, túl magabiztos". Ennél mélyebb problémát vetettek fel. Bizonyos területeken ugyanaz a tudás szükséges ahhoz, hogy jól teljesítsünk, mint ahhoz, hogy felismerjük, mennyire teljesítünk jól. Vagyis ha valamiben még kevés a tudásom, akkor nemcsak hibázhatok, hanem éppen annak a felismeréséhez is hiányozhat a tudásom, hogy hibázom.

Ez már sokkal érdekesebb állítás.

Akkor honnan jött a híres görbe?

Az eredeti tanulmány ábrái egyáltalán nem hasonlítanak arra a hegy-völgy-hegy rajzra, amelyet ma Dunning-Kruger-görbeként ismerünk. A kutatás nem egy ember tanulási útját követte végig az időben. Különböző teljesítményű emberek tényleges és becsült teljesítményét hasonlította össze egy adott helyzetben.

A híres "Mount Stupid", "Valley of Despair" és az azt követő lassú emelkedés későbbi popularizálás eredménye.

Ez azért fontos különbség, mert a két ábra valójában két külön kérdésről beszél. Az eredeti kutatás azt kérdezi: mennyire tudom helyesen megítélni a saját tudásomat? A népszerű görbe inkább azt: hogyan változik az önbizalmam, miközben egyre többet tanulok?

Az utóbbi ettől még lehet hasznos metafora. Csak nem ugyanaz, mint amit Dunning és Kruger 1999-ben kimutattak.

Ezért kezdett számomra érdekessé válni az AI

Az Elégedett haladásban azért kerül elő a Dunning-Kruger-hatás, mert feltűnően jól rímel arra, amit az új technológiák körül újra és újra látok.

A generatív AI különösen jó példa. Amikor 2022 végén tömegek kezdtek először beszélgetni a ChatGPT-vel, az első tapasztalatok sokszor lenyűgözőek voltak. Feltettem egy kérdést, és másodpercek alatt kaptam egy jól megfogalmazott választ. Kértem egy összefoglalót, programkódot, marketingtervet vagy elemzést, és valami használhatónak tűnő jelent meg előttem.

Nagyon kevés tapasztalatból nagyon erős következtetéseket lehetett levonni.

Itt kapcsolódik össze a könyvben két olyan modell, amely eredetileg egészen másról szól: a Dunning-Kruger-hatás és a Gartner hype cycle. A Gartner görbéje azt mutatja meg, hogyan szaladnak fel egy új technológiával kapcsolatos várakozásaink, majd hogyan követi ezt a kijózanodás, végül pedig egy jóval reálisabb, produktívabb használat. A Dunning-Kruger gondolata közben arra figyelmeztet, hogy kevés tudással még a saját tudásunk határait is nehéz felismernünk.

Az egyik tehát tekinthető a külső történetnek, a másik a belsőnek.

Miközben körülöttünk emelkedik a technológiával kapcsolatos várakozás, bennünk is könnyen emelkedik a magabiztosság. Néhány látványos siker után nemcsak azt gondolhatjuk, hogy az AI elképesztően sok mindenre képes, hanem azt is, hogy már értjük, hogyan kell használni.

Aztán elkezdenek megjelenni a hibák. Egy meggyőzően megfogalmazott, de téves válasz. Egy olyan elemzés, amely első olvasásra kiválónak tűnik, közelebbről nézve azonban fontos összefüggéseket hagy figyelmen kívül. Egy prompt, amely tegnap működött, ma pedig egészen más eredményt ad.

És lassan megszületik egy sokkal értékesebb mondat: Lehet, hogy ezt még nem értem annyira, mint gondoltam.

Én ezt nem feltétlenül kudarcnak látom. Inkább a tanulás egyik érdekes fordulópontjának. Attól a pillanattól kezdve ugyanis már nemcsak használom az eszközt, hanem elkezdem keresni a határait is. Nemcsak azt figyelem, mikor ad jó választ, hanem azt is, mikor nem. A magabiztosság helyére lassan valami kevésbé látványos, de talán használhatóbb kerül: a saját bizonytalanságom valamivel pontosabb ismerete.

Talán ezért szeretem még mindig a közismert Dunning-Kruger-görbét, annak ellenére, hogy tudom: Dunning és Kruger soha nem rajzolták meg. Nem tudományos eredményként érdekes számomra, hanem metaforaként.

Mert a tanulás egyik furcsa jele néha éppen az, hogy egyre több dologról tudom: nem tudom.