Efeito Dunning–Kruger é o nome associado a pesquisas sobre a relação entre desempenho e precisão da autoavaliação. No trabalho de Justin Kruger e David Dunning, de 1999, participantes com pior desempenho em certas tarefas tenderam a superestimar seus resultados. A interpretação proposta liga parte dessa diferença a dificuldades metacognitivas: reconhecer acertos e erros.
O conceito não afirma que a pessoa menos competente seja sempre a mais confiante em termos absolutos. Superestimar significa avaliar-se acima do resultado obtido, o que pode ocorrer mesmo com confiança menor do que a de participantes mais bem avaliados.
O que foi comparado em 1999
Os quatro estudos examinaram tarefas de humor, lógica e gramática, com estudantes universitários. Os pesquisadores compararam desempenho e estimativas dos participantes sobre sua capacidade ou resultado. Parte da apresentação organizava os dados em quatro grupos, conforme o desempenho efetivo.
A hipótese dos autores é que algumas habilidades necessárias para responder corretamente também ajudam a reconhecer a correção. No estudo com treinamento em raciocínio, a intervenção melhorou a avaliação dos próprios acertos e reduziu parte da descalibração. Esse resultado não demonstra uma cura geral da autoconfiança excessiva em qualquer domínio.
O padrão observado e o mecanismo que o explica precisam de avaliações distintas. Um gráfico pode mostrar diferença entre autoavaliação e resultado. Para demonstrar por que ela ocorre, são necessários testes adicionais e comparação com explicações alternativas. A aparência do gráfico não decide essa questão sozinha.
O problema dos grupos e da regressão à média
Gilles Gignac e Marcin Zajenkowski, em 2020, criticaram o uso convencional de grupos por desempenho como prova suficiente da hipótese. Quando duas medidas se relacionam de modo imperfeito, valores extremos em uma tendem a corresponder a valores menos extremos na outra. Esse padrão é conhecido como regressão à média.
Se a autoavaliação também tende a ser favorável, a combinação pode produzir diferenças maiores nos grupos de baixo desempenho sem exigir todo o mecanismo metacognitivo proposto. Os autores usaram simulações e dados de inteligência para comparar análises. Seu argumento exige cuidado com a inferência feita a partir da divisão em quartis.
Há limites também para essa crítica. O estudo examinou uma medida de capacidade e dados de diferenças individuais; os próprios autores reconheceram que sua explicação estatística não se aplica automaticamente a todo experimento ou habilidade específica.
Os limites da escala também importam
Jan Magnus e Anatoly Peresetsky, em 2022, analisaram previsões e notas de estudantes em exames de estatística. Seu modelo considerou limites das respostas em uma escala de zero a cem e mostrou que um padrão semelhante pode ser explicado estatisticamente nesses dados. A interpretação oferecida dispensa, para esse ajuste, o mecanismo psicológico original.
Um exemplo ajuda a entender a assimetria. Quem recebe uma nota próxima de zero tem mais espaço para estimar acima do resultado; quem recebe uma nota próxima de cem tem mais espaço para estimar abaixo. O efeito dos limites precisa entrar no exame do procedimento. O exemplo é explicativo e não uma simulação nova realizada para este artigo.
As diferenças entre autoavaliação e resultado podem ter mais de uma origem, sem que isso torne toda autoavaliação precisa. Para identificar um mecanismo, a análise precisa separar erro de medida, limites da escala, conhecimento da tarefa e modo de formular a pergunta.
Por que o desenho popular pode enganar
A conhecida curva em que alguém sobe a um pico de confiança, despenca e depois amadurece não é o gráfico apresentado no estudo de 1999. Transformar grupos de participantes em etapas obrigatórias da jornada de uma mesma pessoa mistura um retrato comparativo com uma história de aprendizagem ao longo do tempo.
Para estudar uma trajetória, seria necessário acompanhar medidas em momentos diferentes e definir o que está sendo comparado. Uma curva desenhada como ilustração não se torna resultado experimental pela inclusão dos nomes dos pesquisadores.
Da mesma forma, uma discussão em que alguém fala com segurança não permite saber seu desempenho em uma tarefa ou o tamanho de seu erro de autoavaliação. Sem essas medidas, chamar a pessoa de exemplo de Dunning–Kruger pode funcionar apenas como insulto com aparência científica.
Como avaliar melhor o próprio trabalho
Uma prática possível é estimar um resultado antes de receber a correção e depois comparar os dois. Faça isso em uma tarefa com critérios claros: questões corrigíveis, tradução comparada com uma avaliação competente ou um problema cuja solução possa ser examinada. Registre também por que errou.
Esse procedimento é uma proposta de estudo, não um teste diagnóstico do efeito. Seu valor depende da qualidade do critério e da possibilidade de aprender com a diferença. Em tarefas abertas, a avaliação pode exigir vários leitores e justificar desacordos legítimos.
O debate sobre Dunning–Kruger continua a exigir distinção entre resultados, medidas e explicações. A lição prática mais defensável é conferir a própria estimativa com trabalho observável e critérios externos.