Dunning-Kruger Effect คืออะไรกันแน่: สิ่งที่มีมส์บนอินเทอร์เน็ตเข้าใจผิด และสิ่งที่งานวิจัยจริงถกเถียงกันอยู่

งานต้นฉบับ: Kruger & Dunning (1999) พบอะไร

Justin Kruger และ David Dunning ตีพิมพ์งานวิจัยชื่อ "Unskilled and Unaware of It: How Difficulties in Recognizing One's Own Incompetence Lead to Inflated Self-Assessments" ใน *Journal of Personality and Social Psychology* ปี 1999 (เล่ม 77 ฉบับ 6 หน้า 1121-1134) เป็นการทดลอง 4 การศึกษากับนักศึกษามหาวิทยาลัย Cornell ให้ทำแบบทดสอบด้านตรรกะ ไวยากรณ์ และอารมณ์ขัน แล้วให้ประเมินว่าตัวเองทำคะแนนได้อยู่ในอันดับเปอร์เซ็นไทล์เท่าไรเมื่อเทียบกับคนอื่นในกลุ่ม

ผลลัพธ์ที่โด่งดังที่สุดคือ ผู้เข้าร่วมที่ทำคะแนนจริงอยู่ในควอร์ไทล์ล่างสุด (กลุ่ม 25% ที่ทำได้แย่ที่สุด) ประเมินอันดับตัวเองไว้สูงเกินจริงอย่างมาก — คะแนนจริงอยู่ที่เปอร์เซ็นไทล์ 12 โดยเฉลี่ย แต่ประเมินตัวเองไว้ที่เปอร์เซ็นไทล์ 62 ซึ่งเป็นช่องว่างถึง 50 เปอร์เซ็นไทล์ ในทางกลับกัน กลุ่มที่ทำคะแนนได้ดีที่สุดกลับมีแนวโน้ม "ประเมินตัวเองต่ำกว่าความเป็นจริงเล็กน้อย" ไม่ใช่ประเมินสูงเกินจริงเหมือนกลุ่มแรก ผู้วิจัยสรุปว่า "คนที่ขาดทักษะมีความยากลำบากในการรับรู้ระดับความสามารถที่แท้จริงของตัวเองมากกว่าคนที่มีทักษะสูง และการขาดทักษะเชิงอภิปัญญา (metacognitive skills) อาจเป็นสาเหตุของปัญหานี้"

ความยากของงานก็หลอกทุกคนได้: Burson, Larrick & Klayman (2006)

ไม่กี่ปีหลังงานปี 1999 ตีพิมพ์ Katherine Burson, Richard Larrick และ Joshua Klayman ตีพิมพ์งานวิจัยชื่อ "Skilled or Unskilled, but Still Unaware of It: How Perceptions of Difficulty Drive Miscalibration in Relative Comparisons" ใน *Journal of Personality and Social Psychology* ปี 2006 (เล่ม 90 หน้า 60-77) ทดสอบ 12 ภารกิจใน 3 การศึกษา เพื่อดูว่า "ความยากของงานที่คนรับรู้เอง" ส่งผลต่อรูปแบบการประเมินตัวเองผิดพลาดอย่างไร

ผลลัพธ์ที่สำคัญคือรูปแบบ "คนความสามารถต่ำประเมินตัวเองสูงเกินจริง" ไม่ได้เกิดขึ้นเท่ากันในทุกสถานการณ์ งานที่คนส่วนใหญ่รับรู้ว่า "ยาก" มักทำให้ทุกคน แม้แต่คนที่ทำได้ดีที่สุด มีแนวโน้มประเมินอันดับตัวเองต่ำกว่าความเป็นจริง (below-average effect) เพราะทุกคนรู้สึกว่าตัวเองทำได้ไม่ดี แต่ไม่ได้ตระหนักว่าคนอื่นก็รู้สึกแบบเดียวกัน ในทางกลับกัน งานที่คนส่วนใหญ่รับรู้ว่า "ง่าย" มักทำให้ทุกคนมีแนวโน้มประเมินอันดับตัวเองสูงเกินจริง (above-average effect) ส่วนงานที่มีความยากระดับปานกลาง กลับพบอคติโดยรวมน้อยมาก และความแตกต่างระหว่างคนเก่งกับคนไม่เก่งในการประเมินตัวเองก็แคบลงด้วย งานนี้จึงชี้ว่าอย่างน้อยส่วนหนึ่งของรูปแบบที่ Kruger & Dunning พบ อาจเกี่ยวข้องกับความยากของแบบทดสอบที่ใช้ ไม่ใช่แค่ระดับทักษะของผู้เข้าร่วมเพียงอย่างเดียว

ทีมเดิมตอบโต้: Ehrlinger และคณะ (2008)

หลังงานปี 1999 ตีพิมพ์ ก็มีนักวิจัยกลุ่มอื่นเสนอคำอธิบายทางเลือก (เช่นงานของ Krueger & Mueller ปี 2002) ว่าผลลัพธ์ที่เห็นอาจอธิบายได้ด้วยกลไกทางสถิติมากกว่าความบกพร่องด้านอภิปัญญา Joyce Ehrlinger, Kerri Johnson, Matthew Banner ร่วมกับ Kruger และ Dunning ตอบโต้ประเด็นนี้ด้วยงานวิจัยชื่อ "Why the Unskilled Are Unaware: Further Explorations of (Absent) Self-Insight Among the Incompetent" ตีพิมพ์ใน *Organizational Behavior and Human Decision Processes* ปี 2008 (เล่ม 105 หน้า 98-121)

งานนี้ทำการทดลองซ้ำหลายรอบเพื่อตรวจสอบคำอธิบายทางเลือกต่างๆ และยังคงพบรูปแบบผลลัพธ์เดิม คือคนที่ทำคะแนนต่ำมักประเมินอันดับตัวเองสูงเกินจริงอย่างสม่ำเสมอ ทีมวิจัยยืนยันจุดยืนเดิมว่าการขาดทักษะในเรื่องหนึ่งๆ มักมาพร้อมกับการขาดความสามารถในการประเมินผลงานของตัวเองในเรื่องนั้นๆ ไปด้วย

ข้อวิจารณ์ที่ 1: เอฟเฟกต์นี้เป็นแค่สถิติหลอกตาหรือเปล่า (2020)

จุดเปลี่ยนสำคัญของข้อถกเถียงนี้มาจาก Gilles Gignac และ Marcin Zajenkowski ตีพิมพ์งานวิจัยชื่อ "The Dunning-Kruger Effect Is (Mostly) a Statistical Artefact: Valid Approaches to Testing the Hypothesis With Individual Differences Data" ใน *Intelligence* ปี 2020 (เล่ม 80 บทความเลขที่ 101449)

พวกเขาโต้แย้งว่ารูปแบบกราฟที่ดูเหมือน "คนความสามารถต่ำประเมินตัวเองเกินจริงมากกว่าคนความสามารถสูง" ส่วนใหญ่อธิบายได้ด้วยสองปรากฏการณ์ทางสถิติที่รู้จักกันดีอยู่แล้ว คือ better-than-average effect (แนวโน้มทั่วไปที่คนส่วนใหญ่มักประเมินตัวเองว่าเก่งกว่าค่าเฉลี่ย ไม่ว่าจะเก่งจริงแค่ไหน) และ regression toward the mean (แนวโน้มทางสถิติที่ค่าสุดขั้วมักเลื่อนเข้าใกล้ค่ากลางเมื่อวัดซ้ำ) พวกเขายกตัวอย่างว่า IQ เฉลี่ยของประชากรคือ 100 แต่คนทั่วไปมักประเมินว่า IQ ตัวเองอยู่ราว 115 โดยเฉลี่ย ซึ่งเป็นอคติที่เกิดขึ้นไม่ว่าคนคนนั้นจะมีความสามารถจริงระดับใดก็ตาม ไม่จำเป็นต้องอาศัยคำอธิบายเรื่อง "ขาดอภิปัญญาเฉพาะในกลุ่มความสามารถต่ำ" เลย

ข้อวิจารณ์ที่ 2: ความคลาดเคลื่อนจากการวัดล้วนๆ ก็สร้างกราฟแบบนี้ได้ (2017)

Edward Nuhfer พร้อมทีมวิจัย Steven Fleischer, Christopher Cogan, Karl Wirth และ Eric Gaze ตีพิมพ์งานวิจัยชื่อ "How Random Noise and a Graphical Convention Subverted Behavioral Scientists' Explanations of Self-Assessment Data: Numeracy Underlies Better Alternatives" ใน *Numeracy* ปี 2017 (เล่ม 10 ฉบับ 1 บทความที่ 4) ใช้ข้อมูลจริงขนาดใหญ่ (N = 1,154) ประกอบกับการจำลองด้วยตัวเลขสุ่ม (random number simulations)

ผลลัพธ์ที่น่าตกใจคือ เมื่อพวกเขาสร้างข้อมูล "ตัวเลขสุ่มล้วนๆ" ที่ไม่มีความสัมพันธ์เชิงจิตวิทยาใดๆ ระหว่างความสามารถจริงกับการประเมินตัวเองเลย แล้วนำมาพล็อตกราฟด้วยวิธีการที่งานวิจัยสาย Dunning-Kruger นิยมใช้ (แบ่งกลุ่มเป็นควอร์ไทล์แล้วเทียบค่าเฉลี่ย) กราฟที่ได้ก็ยังคงมีรูปร่างคล้ายกับเอฟเฟกต์ที่อ้างกันอยู่ ทีมวิจัยจึงสรุปว่าอนุสัญญาการนำเสนอกราฟ (graphical convention) แบบที่ใช้กันมาตลอด อาจ "สร้างภาพลวงตา" ของเอฟเฟกต์นี้ขึ้นมาได้เอง โดยไม่จำเป็นต้องมีกลไกทางจิตวิทยาที่แท้จริงอยู่เบื้องหลังเลยก็ได้

มุมมองที่ประนีประนอม: ปัญหาอยู่ที่ "ข้อมูล" ไม่ใช่ "อภิปัญญา" (2019)

ท่ามกลางข้อถกเถียงระหว่างฝั่งสนับสนุนกับฝั่งวิจารณ์ว่าเป็นแค่สถิติหลอกตา Robert McIntosh, Elizabeth Fowler, Tianjiao Lyu และ Sergio Della Sala เสนอมุมมองที่อยู่ตรงกลางในงานวิจัยชื่อ "Wise Up: Clarifying the Role of Metacognition in the Dunning-Kruger Effect" ตีพิมพ์ใน *Journal of Experimental Psychology: General* ปี 2019 (เล่ม 148 ฉบับ 11 หน้า 1882-1897)

พวกเขาตรวจสอบโดยตรงว่ากระบวนการอภิปัญญา (metacognitive sensitivity หรือความสามารถในการแยกแยะว่าคำตอบข้อไหนของตัวเองถูกหรือผิด) ของคนที่ทำคะแนนต่ำ ด้อยกว่าคนที่ทำคะแนนสูงจริงหรือไม่ ผลที่พบคือ คุณภาพของกระบวนการอภิปัญญาในคนกลุ่มความสามารถต่ำ ไม่ได้ด้อยกว่าคนกลุ่มความสามารถสูงมากอย่างที่คำอธิบายดั้งเดิมเสนอไว้ สิ่งที่ต่างกันจริงๆ คือคนกลุ่มความสามารถต่ำ "ขาดข้อมูลหรือความรู้พื้นฐาน" ที่จำเป็นสำหรับประเมินผลงานของตัวเองอย่างแม่นยำ ไม่ใช่ขาด "ความสามารถในการประเมิน" ในเชิงกระบวนการเอง ซึ่งเป็นการตีความที่ต่างจากคำอธิบายดั้งเดิมของ Kruger & Dunning พอสมควร แต่ก็ยังยืนยันว่าปรากฏการณ์ "คนความสามารถต่ำประเมินตัวเองเกินจริง" มีอยู่จริง เพียงแต่กลไกเบื้องหลังอาจไม่ใช่แบบที่เข้าใจกันทั่วไป

สรุป: มีมส์บนอินเทอร์เน็ตเข้าใจผิดตรงไหน

จากงานวิจัยทั้งหมดนี้ มีมส์ยอดฮิตที่บอกว่า "คนโง่มั่นใจเกินจริง คนฉลาดไม่รู้ว่าตัวเองฉลาด" คลาดเคลื่อนอยู่หลายจุด ประการแรก งานต้นฉบับพูดถึงคนที่ทำคะแนน "แย่ที่สุดในกลุ่มตัวอย่างเฉพาะทาง" (เช่น ควอร์ไทล์ล่างสุดของแบบทดสอบตรรกะ) ไม่ใช่ "คนที่มีสติปัญญาต่ำโดยรวม" ประการที่สอง คนกลุ่มที่ทำคะแนนได้ดีที่สุดในงานวิจัยต้นฉบับ ไม่ได้ "ไม่รู้ว่าตัวเองเก่ง" แบบที่มีมส์บอก แต่มีแนวโน้มประเมินตัวเองต่ำกว่าความจริงเพียงเล็กน้อยเท่านั้น ประการที่สาม และสำคัญที่สุด คือแม้แต่ในวงวิชาการเอง ก็ยังไม่มีข้อสรุปเป็นเอกฉันท์ว่าเอฟเฟกต์นี้เกิดจากกลไกทางจิตวิทยาที่แท้จริง หรือเป็นผลจากปรากฏการณ์ทางสถิติที่พบได้ทั่วไปอยู่แล้ว การใช้คำว่า "Dunning-Kruger Effect" แปะป้ายให้ใครก็ตามที่ดูมั่นใจเกินตัว จึงเป็นการนำแนวคิดที่ซับซ้อนและยังถกเถียงกันอยู่ ไปใช้แบบง่ายเกินจริง

กรอบเช็ค–หา–เทียบ–ระวัง

ข้อถกเถียงทั้งหมดนี้ยังไม่มีข้อสรุปเป็นเอกฉันท์ แต่พอต้องประเมินความสามารถตัวเองในชีวิตจริง หลายคนไม่รู้จะเริ่มจากตรงไหนโดยไม่ต้องรอให้วงวิชาการตกลงกันก่อน เราสังเคราะห์เป็นลำดับขั้นตอนเดียว เช็ค–หา–เทียบ–ระวัง ที่ร้อยทั้งฝั่งสนับสนุนและฝั่งวิจารณ์เข้าด้วยกันเป็นกระบวนการที่ทำซ้ำได้ กรอบนี้เป็นเครื่องมือประยุกต์ของบทความ ไม่ใช่แบบจำลองที่ผ่านการทดสอบทางวิชาการแยกต่างหาก

1. เช็ค — เช็คว่างานนี้รู้สึก "ยาก" หรือ "ง่าย" ก่อนเชื่อการประเมินตัวเอง

ตามที่ Burson, Larrick & Klayman (2006) พบว่าการรับรู้ความยากของงานหลอกทุกคนได้ ไม่ใช่แค่คนความสามารถต่ำ งานที่รู้สึกง่ายมักทำให้ประเมินตัวเองสูงเกินจริงได้ทุกคน ควรตั้งข้อสงสัยกับความมั่นใจของตัวเองเป็นพิเศษเมื่อรู้สึกว่างานนั้น "ง่ายมาก"

2. หา — หาข้อมูลหรือฟีดแบ็กจากภายนอกในเรื่องที่ไม่คุ้นเคย

ตามมุมมองของ McIntosh และคณะ (2019) ที่ชี้ว่าปัญหาหลักมักอยู่ที่ "ขาดข้อมูล" ไม่ใช่ "ขาดความสามารถประเมิน" การหาฟีดแบ็กจากผู้เชี่ยวชาญหรือมาตรฐานภายนอกช่วยเติมช่องว่างนี้ได้ตรงจุดกว่าการนั่งคิดทบทวนตัวเองเฉยๆ

3. เทียบ — เทียบผลงานจริงกับมาตรฐานภายนอก ไม่ใช่ความรู้สึกมั่นใจ

ความมั่นใจสูงเพียงอย่างเดียวไม่ใช่ตัวชี้วัดที่แม่นยำว่าเก่งจริงหรือไม่ เพราะแม้แต่คนที่เก่งจริงในงานของ Kruger & Dunning (1999) ก็มีแนวโน้มประเมินตัวเองต่ำกว่าความจริงเล็กน้อย การดูผลงานจริงเทียบกับเกณฑ์ภายนอกจึงน่าเชื่อถือกว่าความรู้สึกมั่นใจล้วนๆ

4. ระวัง — ระวังการแปะป้าย "Dunning-Kruger" ให้คนอื่นด้วยความมั่นใจเกินจริงเอง

เพราะแม้แต่นักวิจัยเองก็ยังถกเถียงกันว่าเอฟเฟกต์นี้เกิดจากกลไกทางจิตวิทยาจริงหรือเป็นภาพลวงตาทางสถิติตามที่ Gignac & Zajenkowski (2020) และ Nuhfer และคณะ (2017) เสนอ การใช้คำนี้ตัดสินคนอื่นแบบมั่นใจเต็มร้อยจึงเสี่ยงย้อนแย้งกับเนื้อหาที่พูดถึงเองพอดี

ลำดับนี้ใช้ได้ทุกครั้งที่ต้องประเมินความสามารถตัวเองในเรื่องใหม่ ไม่ว่าจะเป็นงาน ทักษะ หรือความรู้ที่เพิ่งเริ่มเรียนรู้

กรณีจำลอง: นักลงทุนมือใหม่ที่มั่นใจเกินหลังกำไรเดือนแรก

ลองนึกถึง "โอม" ที่เพิ่งเริ่มลงทุนหุ้นได้สองเดือน เดือนแรกขาดทุนเล็กน้อยแต่เดือนที่สองกำไรมากจนเริ่มรู้สึกว่าตัวเองเข้าใจตลาดหุ้นดีแล้ว และเริ่มคิดจะทุ่มเงินเก็บทั้งหมดลงทุนเพิ่ม

โอมลอง เช็ค ก่อนว่าที่รู้สึกว่า "การเลือกหุ้นง่ายกว่าที่คิด" อาจเป็นเพราะช่วงที่ผ่านมาตลาดโดยรวมขึ้นทั้งกระดาน ไม่ใช่เพราะฝีมือการเลือกหุ้นของตัวเองล้วนๆ จากนั้น หา ข้อมูลเปรียบเทียบผลตอบแทนของตัวเองกับดัชนีตลาดโดยรวมในช่วงเวลาเดียวกัน แทนที่จะเชื่อความรู้สึกอย่างเดียว ต่อมา เทียบ พบว่าผลตอบแทนของตัวเองจริงๆ ต่ำกว่าดัชนีตลาดเสียอีก ทั้งที่รู้สึกว่าตัวเอง "เก่ง" มาก สุดท้าย ระวัง ไม่รีบตัดสินว่าเพื่อนที่ขาดทุนเป็น "พวก Dunning-Kruger ที่ไม่รู้ตัว" ทั้งที่ตัวเองก็เพิ่งพลาดประเมินตัวเองผิดมาเหมือนกัน

โอมตัดสินใจชะลอการทุ่มเงินเก็บทั้งหมด และกลับไปศึกษาพื้นฐานการลงทุนเพิ่มก่อนตัดสินใจครั้งใหญ่ กรณีนี้เป็น สถานการณ์จำลองเพื่อสาธิตวิธีคิด ไม่ใช่คำแนะนำการลงทุนหรือคนจริง

ลองเอาไปปรับใช้ดู

1. ลองระวังการใช้คำว่า "Dunning-Kruger" เป็นคำด่าคนอื่นแบบขำๆ ดูนะครับ เพราะแม้แต่นักวิจัยเองก็ยังถกเถียงกันว่าเอฟเฟกต์นี้เกิดจากกลไกทางจิตวิทยาจริงหรือเป็นภาพลวงตาทางสถิติ การนำไปใช้แบบมั่นใจเกินจริงจึงย้อนแย้งกับเนื้อหาที่พูดถึงเองพอดี 2. ก่อนประเมินความสามารถตัวเองในเรื่องที่ไม่คุ้นเคย ลองหาข้อมูลอ้างอิงจากภายนอกก่อนดูไหมครับ ตามมุมมองของ McIntosh และคณะ (2019) ที่ชี้ว่าปัญหาหลักมักอยู่ที่ "ขาดข้อมูล" ไม่ใช่ "ขาดความสามารถประเมิน" การหาฟีดแบ็กจากผู้เชี่ยวชาญหรือมาตรฐานภายนอก จึงน่าจะช่วยเติมช่องว่างนี้ได้ตรงจุดกว่าการพยายาม "คิดทบทวนตัวเองให้มากขึ้น" เฉยๆ 3. อย่าเพิ่งเชื่อกราฟหรือสถิติที่ดูน่าทึ่ง ลองถามก่อนว่าวิธีวัดเป็นอย่างไร บทเรียนจาก Nuhfer และคณะ (2017) คือแม้แต่ข้อมูลสุ่มล้วนๆ ก็สร้างกราฟที่ดูมีความหมายได้ ถ้าวิธีการนำเสนอข้อมูลมีจุดอ่อนเชิงสถิติ 4. น่าจะลองจำไว้ว่าคนที่เก่งจริงมักไม่ได้ประเมินตัวเองสูงเกินจริง แต่บางทีก็ประเมินต่ำไปด้วยซ้ำ ดังนั้นความมั่นใจสูงเพียงอย่างเดียว ไม่ใช่ตัวชี้วัดที่แม่นยำว่าใครเก่งหรือไม่เก่งจริง การดูผลงานจริงประกอบไปด้วยน่าจะช่วยให้ประเมินได้แม่นยำขึ้น