Donc, avec un jeu de données aléatoire, on voit que la courbe d’auto-évaluation est pratiquement plate.
Ce qui est normal, et est induit par l’algo de génération des valeurs aléatoires qui va chercher à faire une répartition statistique équilibrée. C’est le but de la plupart de ces algos.
Du coup le graphique se lit comme suit : quel que soit leur résultat réel, pour chaque quartile on va se retrouver à la même auto-évaluation moyenne.
Ce qui en soit dans la vraie vie serait une découverte incroyable. La courbe de l’étude initiale elle dit autre chose : elle suit la courbe initiale en s’en éloignant aux deux extrémités.
Bref à mon sens c’est la critique qui est à côté de la plaque, pas l’étude initiale à qui on peut seulement reprocher de s’appuyer sur un graphique peu lisible.
L’erreur principale étant de penser que des données « aléatoires » (qui donc ne le sont jamais vraiment) étaient forcément neutres en terme de signification.
# Interessant mais ne remet pas en cause le papier initial
Posté par Dring . En réponse au lien The Dunning-Kruger Effect is Autocorrelation. Évalué à 2.
Donc, avec un jeu de données aléatoire, on voit que la courbe d’auto-évaluation est pratiquement plate.
Ce qui est normal, et est induit par l’algo de génération des valeurs aléatoires qui va chercher à faire une répartition statistique équilibrée. C’est le but de la plupart de ces algos.
Du coup le graphique se lit comme suit : quel que soit leur résultat réel, pour chaque quartile on va se retrouver à la même auto-évaluation moyenne.
Ce qui en soit dans la vraie vie serait une découverte incroyable. La courbe de l’étude initiale elle dit autre chose : elle suit la courbe initiale en s’en éloignant aux deux extrémités.
Bref à mon sens c’est la critique qui est à côté de la plaque, pas l’étude initiale à qui on peut seulement reprocher de s’appuyer sur un graphique peu lisible.
L’erreur principale étant de penser que des données « aléatoires » (qui donc ne le sont jamais vraiment) étaient forcément neutres en terme de signification.