Bias de autoconhecimento

As auto-avaliações das pessoas de suas próprias habilidades, habilidades e performances de teste são razoavelmente precisas. Zell & Krizan (2014) relatam uma correlação média global de 0,3. Se este valor merece, o rótulo "razoavelmente preciso" depende de uma série de pressupostos, o contexto de medição ea distribuição de amostragem do coeficiente de correlação (veja aqui para mais). O coeficiente de correlação é um índice estatístico que capta a semelhança entre dois perfis de números: as auto-avaliações de uma amostra de indivíduos e seus correspondentes escores correspondentes (ou as melhores medidas científicas dos mesmos). Como Galton (1886) introduziu o coeficiente de correlação r (que representa a regressão ), tornou-se onipresente. As metanálises, como as resumidas por Zell & Krizan, usam rotineiramente para estimar e expressar tamanhos de efeitos empíricos (ou eles usam índices como o d de Cohen, que é a diferença entre dois meios em unidades padrão, e é facilmente traduzível em r ). Na medida, confiabilidade e validade também são expressas em termos de r .

Como medida de similaridade de perfil, r concentra-se em um tipo de semelhança entre dois conjuntos de pontuações. As auto-avaliações também podem ser mais variáveis ​​do que os escores verdadeiros, ou podem ser maiores (menores). Esses diferentes tipos de (des) semelhança podem ser facilmente separados uns dos outros (Cronbach & Gleser, 1953; Krueger, 2009). Em um comentário sobre Zell & Krizan, Dunning & Helzer (2014) argumentam que essa separação de pontuação deve ser feita quando a precisão da auto-avaliação está em jogo. Eles apontam que a auto-avaliação contém um viés constante, de modo que as estimativas são mais altas em média do que as reais pontuações. Outras avaliações, ou seja, as previsões feitas por pares ou observadores, são menos tendenciosas. Os coeficientes de correlação não capturam essa diferença.

Este é um bom ponto, mas Dunning e Helzer querem mais. Eles nos exortam a "explorar a precisão e o erro usando medidas completamente novas [e perguntar] se a previsão subjetiva ou o desempenho objetivo são mais problemáticos para a auto-precisão. Os erros de autoconhecimento variam em função da previsão? Ou o verdadeiro problema na auto-precisão está no desempenho objetivo? "(Pág. 128) Traçam (sejam estes dados empíricos, eles não dizem) erros absolutos (| estimativa – pontuação real |) contra o desempenho previsto ( que se baseia na regressão de resultados reais estimados) e, em seguida, traça erros absolutos contra o desempenho real. No primeiro caso, eles encontram uma linha horizontal plana; no último caso, eles acham uma função assimétrica em forma de U com um ramo alto à esquerda (escores reais baixos).

Dunning & Helzer acham que descobriram algo importante. "Os erros de auto-predição podem não ser uma função da própria predição, mas sim o evento subjacente que as pessoas vão encontrar posteriormente. Ou seja, se uma pessoa está predizendo alta de baixa não informará o pesquisador se esta pessoa terá mais ou menos probabilidade de erro "(págs. 128-129). Deixe-nos primeiro esclarecer o que é provavelmente uma falta de impressão. Pode-se prever as previsões das pessoas se elas estão em erro. As maiores previsões são mais prováveis ​​de serem erradas do que as baixas previsões. O viés de superestimação de nível médio, enfatizado pelo próprio Dunning & Helzer, faz isso. O que Dunning e Helzer provavelmente quis escrever é que não se pode prever erros de previsão do desempenho previsto, pois é o que eles representaram. No entanto, o gráfico mostra o que pode ser esperado a partir da lógica de regressão, em vez de uma descoberta. A linha de regressão mais adequada minimiza erros de predição (| pontuação real – pontuação prevista |). É matematicamente possível que, quando as pontuações previstas sejam baixas, os escores reais são mais variáveis ​​do que são quando as pontuações previstas são altas. Este é um estado de coisas improvável, e mesmo que fosse observado, seu significado psicológico seria opaco.

• Cinco maneiras de se sentir felizes
• Um assassinato de profissionais
• Câncer e o melhor dia
• O Time Pepsi ofereceu bilhões de dólares e ninguém se importava
• Ya Gotta Drip Some Sweat para mudar as coisas

O segundo pedido da Dunning & Helzer é que o desempenho real prevê erros de previsão. Isso também não é novidade. Sabendo que a correlação entre pontuações estimadas e reais não é perfeita (veja Zell & Krizan), e sabendo que as estimativas são em geral muito altas, também sabemos que os erros de previsão dos marcadores baixos são maiores do que os erros dos artilheiros (Krueger & Mueller, 2002). Embora este padrão de resultados possa ser recuperado a partir da lógica da regressão e da tendência geral de autoestimação, alcançou alguma notoriedade como um fenômeno presumivelmente único conhecido como efeito Dunning-Kruger. Este tratamento de um padrão derivado como fenômeno sui-generis não seria digno de nota, não fosse por suas implicações. Dunning & Helzer sugerem que a auto-precisão não pode ser melhorada, ajudando as pessoas a fazer melhores previsões, mas sim aumentando suas pontuações reais. A primeira parte desta afirmação é falsa. O próprio Dunning & Helzer enfatiza a tendência global, de nível de grupo, de superestimação. Segue-se que, se as pessoas fossem aconselhadas a baixar suas auto-avaliações por uma certa constante, seus erros absolutos diminuiriam.

A segunda parte da reivindicação também é problemática. É verdade que se as auto-previsões permanecem constantes enquanto os escores verdadeiros são aumentados, os erros absolutos diminuem. Esta é, no entanto, uma instância da falácia do Sharpshooter do Texas . Deixe as previsões ser o que elas são, trazemos o critério – que, que deve ser previsto – em consonância com a predição, após o fato. O efeito Dunning-Kruger sugere que os alunos de baixo desempenho em particular devem ser treinados para fazer melhor. Quando o fizerem, os erros absolutos irão diminuir, mas também a correlação de precisão. À medida que o alcance dos escores reais se torna mais curto, o erro aleatório restante será relativamente maior que a variabilidade sistemática nos escores verdadeiros. O que é adquirido quando um tipo de pontuação de precisão é melhorado à custa de um decremento em outro? Uma situação, na qual todos fazem bem (é rico, saudável e feliz), é socialmente desejável, mas prejudica o valor da medida. Medição (e ciência) requer variabilidade.

A idéia de que a auto-precisão pode ser melhorada fazendo com que os (baixos) artistas pontuação mais alta impliquem uma reivindicação causal. Dunning & Helzer pensam que há algo sobre baixo desempenho que faz com que as pessoas não vejam a própria lowness de seu desempenho. "Os artistas pobres não estão em condições de reconhecer as deficiências de seu desempenho" (p. 129). Fazê-los funcionar melhor "ajuda-os a evitar o tipo de resultado que parecem incapazes de antecipar" (p. 129). A partir desse modelo causal, parece que, uma vez que as pessoas melhoram, eles vão fazer previsões mais precisas. Declarado de forma diferente, se o baixo desempenho causar erros de predição, uma mudança para alto desempenho eliminará erros. Esta seria uma inferência de modus tollens logicamente válida se não fosse o fato de que o baixo desempenho é parte de como o erro é definido (erro = estimado – desempenho real). Os erros devem diminuir uma vez que o desempenho é aumentado, mesmo que não haja efeito causal.

• A Tecnologia matou o tempo de inatividade?
• As matriarcas de elefantes, os cérebros não tratados e a natureza são boas
• Shootings e violência na televisão
• Como entrar em forma em cinco etapas indoloras
• "Obrigado pelo seu serviço"

Os erros de julgamento, como o auto-aperfeiçoamento, geralmente são tratados como se fossem ilusões cognitivas em par com ilusões visuais. A maioria não é, no entanto (Krueger & Funder, 2004), e a Dunning & Helzer teria que concordar. Se eles não concordassem, eles teriam que querer corrigir ilusões visuais ao mudar a realidade. Eles teriam que procurar superar a ilusão de Müller-Lyer fazendo a linha com as setas de saída mais longas do que a linha com as setas de entrada; eles teriam que colocar um anão e um gigante no quarto de Ames; eles teriam que virar o cubo Necker sempre que as percepções passassem para uma interpretação espacial diferente. As raízes dessas ilusões reside na forma como o sistema visual interpreta uma realidade ambígua. Os pesquisadores teriam aprendido menos sobre a percepção se nunca tivessem encontrado maneiras inteligentes de enganá-lo.

Cronbach, LJ, & Gleser, GC (1953). Avaliando a semelhança entre os perfis. Boletim psicológico, 50 , 456-473.

Dunning, D., & Helzer, EG (2014). Além do coeficiente de correlação em estudos sobre precisão de auto-avaliação. Perspectivas sobre Ciências Psicológicas, 92 , 126-130.

Galton, F. (1886). Regressão para a mediocridade em estatura hereditária. The Journal of the Anthropological Institute of Great Britain e Ireland, 15 , 246-263.

Krueger, JI (2009). Um modelo componencial de efeitos de situação, efeitos de pessoa e efeitos de interação situação-a-pessoa sobre o comportamento social. Journal of Research in Personality, 43 , 127-136.

Krueger, JI, & Funder, DC (2004). Rumo a uma psicologia social equilibrada: Causas, conseqüências e curas para a abordagem de busca de problemas de comportamento social e cognição. Behavioral and Brain Sciences, 27 , 313-327.

Krueger, J., & Mueller, RA (2002). Não qualificados, desconhecidos ou ambos? O contributo das habilidades de percepção social e regressão estatística para viés de autoavaliação. Revista de Personalidade e Psicologia Social, 82 , 180-188.

Zell, E., & Krizan, Z. (2014). As pessoas têm uma visão de suas habilidades? Uma metasíntese. Perspectivas sobre Ciências Psicológicas, 9 , 111-125.