  |
はてなキーワード: クルーガーとは
あくまで、あくまで俺がそう感じ取ってしまう瞬間がチラホラと存在するというだけの話だ。
統計もないし、理屈があるわけでもなく、ただ感覚の話でしかない。
それに対して具体的に学術的な研究結果の情報を教えてほしいというわけではなく、単に似たような感覚を持っている人がいるかどうかに興味がある程度だ。
感覚論でしかないものにいちいち仮説を立てる気にもならないので、どういう時にこの感覚が湧き上がってくるのかという話でもするか。
たとえば、職場で前々から日本語の怪しさを感じていたような奴がふと「ねえねえ増田くんさ。◯◯さんってさ、頭良すぎるのかさ、言ってることに意味不明さ、あることあるって感じじゃなさ？」と話しかけてくるような時だ。
それに対して「ははは、確かに◯◯さんは頭が良すぎて話のテンポが早いこともあるけど、あれぐらいでついていけないのはテメーの頭の回転が遅いって方を疑ったほうがいいですぜ旦那」なんて返すわけにもいかず「なるほど。◯◯さんは学歴からして凄いもんなあ」と曖昧に濁すわけだ。
でも自分の心の中にはモヤモヤと「うーん。なんで日本語が怪しい人程、他の人の日本語に対して辛辣になる瞬間があるんだろうなあ」という疑問が残るわけだな。
書き始めた段階から薄っすらと気づいていたが、これは本当に単なる愚痴でしかないな。
相手の日本語が怪しいと感じるかどうか自体が俺の印象論でしかないもんなあ。
他人の日本語について良し悪しを決められるほど、自分の言語能力に自信があるってんなら、まず疑うべきは自分がダニング=クルーガー効果を起こしてる可能性だって気がしてきた。
誤字のチェックをするのも面倒だ。
それを言うなら、無知な人間が無知すぎて分野を異常に広大だと思ったり、逆に優秀な人間が傲慢になって他人を見下したりすることはあるだろ。
全体を見ずに特定のバイアスをかけて観察するから「ダニングクルーガー効果はありまーす」みたいなスタップ細胞みたいなことになる。
そうは言っても、どんなジャンルであれ、学んだ人の多くは、
その分野について理解したと感じた経験もあれば、その理解が浅はかでもっと奥が深かったと感じた経験をしてると思うんですね。
ダイニング・クルーガー効果で上げられるような、いきなり極端な山谷構造はマヤカシにしても、
この説明は、ダニングクルーガー効果に対する批判的な見方を数学的に表現しようとしたものです。以下にその内容を解説します:
この説明では、ダニングクルーガー効果を以下の変数で表現しています:
命題「A~Oであることを証明せよ」は、実際の評価(A)と過大評価(O)に相関関係があることを示そうとしています。
証明では、O(S,A)という関数を定義し、OがAの関数であるため、自動的にAとOに相関関係が生じると主張しています。
この説明は、ダニングクルーガー効果が単なる数学的な関係性から生じる現象であり、実際の心理学的な意味を持たないという批判を示唆しています。
具体的には:
2. 実際の能力や自己評価の内容に関わらず、統計的に成立してしまう
3. これは心理学的な現象ではなく、単なる「数字のマジック」である
さらに、平均以上バイアス（多くの人が自分を平均以上だと考える傾向）を加えることで、この相関関係がより強くなると述べています。具体的には、100点満点の評価で自己評価(S)を60点程度に設定し、実際の評価(A)をランダムに与えることで、A~Oにより強い相関が得られるとしています。
この説明は、ダニングクルーガー効果が実際の心理学的現象ではなく、単に数学的な関係性や統計的な偏りから生じる見かけ上の効果に過ぎないという批判的な見方を示しています。
import numpy as np import matplotlib.pyplot as plt from scipy import stats def simulate_correlation(n_samples=10000): # シナリオ1: AとSが一様乱数(0〜100)の場合 A1 = np.random.uniform(0, 100, n_samples) S1 = np.random.uniform(0, 100, n_samples) O1 = S1 - A1 # シナリオ2: Aが一様乱数(0〜100)、Sが60周辺の正規分布の場合 A2 = np.random.uniform(0, 100, n_samples) S2 = np.random.normal(60, 10, n_samples) S2 = np.clip(S2, 0, 100) # 0〜100の範囲に制限 O2 = S2 - A2 # 相関係数の計算 (AとOの間) corr1 = stats.pearsonr(A1, O1)[0] corr2 = stats.pearsonr(A2, O2)[0] # 結果のプロット fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5)) ax1.scatter(A1, O1, alpha=0.1) ax1.set_title(f'シナリオ1: 相関係数 = {corr1:.3f}') ax1.set_xlabel('実際の能力 (A)') ax1.set_ylabel('過大評価 (O)') ax2.scatter(A2, O2, alpha=0.1) ax2.set_title(f'シナリオ2: 相関係数 = {corr2:.3f}') ax2.set_xlabel('実際の能力 (A)') ax2.set_ylabel('過大評価 (O)') plt.tight_layout() plt.show() return corr1, corr2 # シミュレーションの実行 corr1, corr2 = simulate_correlation() print(f"シナリオ1の相関係数 (AとO): {corr1:.3f}") print(f"シナリオ2の相関係数 (AとO): {corr2:.3f}")
ダニング＝クルーガー効果は、オンラインの議論で他人の考えを信用できないと判断するためによく引き合いに出される。
この効果は、あるトピックについて最も知識の少ない人がそのトピックについて最も自信過剰になるのに対し、最も知識のある人は自己評価においてより謙虚で正確になる傾向があるとしている。
直感的に正しいように思われ、自分の意見や議論を「絶対的な確信」を持って提示する人を弱める方法となることが多い。
唯一の問題は、ダニング＝クルーガー効果自体が間違っていることだ。
ダニング＝クルーガー効果に関する議論は、ブログ投稿への反応としてオンラインで表面化した。
そのブログ投稿では、あるブロガーがジョージ・メイソン大学の統計に詳しい心理学者、パトリック・マックナイトに連絡を取り、この効果に対する最近の批判について検討した。
彼らがこの問題に取り組んだ方法は、心理学研究について私たちが知っていると思っていることをどのように確認するかについて多くのことを明らかにしている。
まず、ダニング＝クルーガー効果がなぜ信じられるようになったかを考えてみよう。
このテーマに関する古典的な研究では、人々に知能や社会技能のさまざまなテストで自分がどの程度の成績を収めるか判断してもらい、それらのテストでの実際の成績を同僚と比較する。
最も成績が悪かった人は、自分の成績を他の人よりもずっと高く見積もっているとされた。
このことから、心理学者のダニングとクルーガーは、あまり知らない人の方が、よく知っている人よりも自信過剰であると考えた。
しかし、他の科学ではよく行われる次のステップは、効果の根底にあるプロセスを数学的に具体的に記述することですが、心理学研究の多くの分野ではほとんど行われていない。これがモデルと呼ばれる。
モデルを使用すると、起こっていると思われることを書き出すことで、すべての部分がどのように組み合わさるかを正確に把握できる単純化された世界を作成できる。
目標は、このプロセスの説明が収集した実際のデータにどれだけ適合するかを確認することである。
モデルから取得した偽のデータが、実際に人々を測定したときに表示される実際のデータに似ている場合、モデルが正しいとある程度確信できる。
ダニング＝クルーガー効果をめぐる論争は、最も成績の悪い人々が自分のスキル レベルについてそれほど間違っていなかったというモデルから、ダニング＝クルーガー効果によく似たものを作成できることをマックナイトが発見したことに基づいている。
人々は単にランダムに間違っており、そのパターンはダニングとクルーガーが最初に発表したものに似ていた。
その後、これを改良したものが、スコットランドのダンディー大学のベンジャミン ヴィンセントによって投稿された。
ヴィンセントのバージョンでは、人々は偏りがあったが、最もよく知っている人と最も知らない人の間に違いはなかった。
自分の能力に少し自信過剰だっただけで、レベルは関係なかった。
これは、観察されたデータと見事に一致した。
今年発表された論文の中で、ジル・ジニャックとマルチン・ザジェンコウスキーは、ダニング＝クルーガー効果は次の 2 つの要因の組み合わせによってより適切に説明できると主張している。
さらに、彼らは、ダニング＝クルーガー効果が、ある分野について知識がほとんどない人が、自分がどれだけ知らないかを知らないということであるならば、実際のデータには見られない他の統計パターンが予想されると主張している。
代わりに、彼らは 929 人の IQ テストのスコアのサンプルを使用して、結果が典型的なダニング＝クルーガー効果のように見えることを示しているが、実際には、誰もが自信過剰であり、通常の統計誤差があるという方がうまく説明できる。
ダニング＝クルーガーのデータは、実際には誰もが少し自信過剰になっていることを示しているだけである。
この論争は、心理学をどのように改革するのが最善かという最近の議論の中心となる点を浮き彫りにしている。
一方では、改革者は、発表する効果が再現可能であることを確認する必要があると示唆している。
そうしないと、単なる偶然だったかもしれないデータのパターンについて結論を導き出す危険がある。
他方では、数理心理学やモデリングコミュニティの改革者は、どのような結果が期待できるかを決める前に、モデルから始めて、プロセスがどのように機能するかを検討することから始める必要があると示唆している。
彼らは、ダニング＝クルーガー効果のように一貫して再現される結果であっても、その結果に至るプロセスについて立ち止まって考えなければ、何が起こっているのかを適切に説明できない可能性があると主張するだろう。
2020年12月のダニング＝クルーガー論争は、心理学改革が研究の再現を確実にする以上のことを行う必要がある理由を非常に明確に示している。
だから、もし誰かがオンラインで、議論している相手が愚かすぎて自分が間違っていることに気づいていないと辛辣なことを言ったら、その人にこの投稿を教えてあげればいい。
要は、ダニングクルーガー効果を文字通りに定式化すると、自己評価xと実際評価yがあり、過大評価の度合いをx-yとすると、xとx-yに相関が生じるという話
茂木氏、意識の問題にはメタ認知が必要であることを主張しているのに、「ダニングクルーガー効果」に対するメタ認知を全然働かせられてないんよね
The Dunning-Kruger Effect Is Probably Not Real
The darling of those who wish to explain why incompetent people don’t know they’re unskilled, the Dunning-Kruger effect may actually just be a data artefact.
https://www.mcgill.ca/oss/article/critical-thinking/dunning-kruger-effect-probably-not-real
覚えておくべきメッセージ:
他人の作ったプログラム言語を使って、他人の作ってくれたテンプレートを組み合わせていくだけ。
少しマシな奴らでも他人が作ってくれたアルゴリズムをその言語向けに書き換えているだけ。
下を見れば仕事を他人にとってきてもらい、仕様を固めてもらい、挙げ句何から何まで指示してもらって、バグまで他人に見つけてもらっている。
その更に下の下に、ただソフトを持ってきて使うだけのスクリプトキディがいることになっている。
でもさ、他人の持ってきくれた仕事を設定済みのパソコンでカタカタとこなすだけの連中とキディの間の差なんてほとんど０だろ？
ぶっちゃけ、プログラマーを気取っている世の中の奴らの99.9%はミソッカスのキディだ。
その癖して自分たちこそがこの世界に価値あるものを生み出しているんだと調子に乗っている。
新しい言語を作る人間は頭を垂れて「僕たちなんて所詮は最新のハードウェアのスペックを引き出させてもらっているだけなんです」と行儀がいい。
そしてハードウェアを作る側も「僕たちの作ったものに載ってるソフトウェアを作ってくれる人が凄いんですよ」と語る。
工場の管理者は「加工技術の発展を支えてくれるマテリアル業界のおかげです」と口にするし、出来る出資者は経営者に感謝し、長続きするスポンサーは末端の社員にさえ敬意を払う。
分かるか？
ダニング=クルーガー効果の頂点でチンタラご満悦なお前らスクリプトキディが調子に乗っているのは、お前らに然るべき経験がないからだよ。
勤続年数だけは長いつもりだろうが、何も考えずに働いてたら入社３年目ぐらいから成長なんて止まるんだっつーの。
ほんまくだらんぜ。
俺が一番お前らを軽蔑するのは、お前らが自分等で何もやってないくせにいざ他人をスクリプトキディと罵るときだけは元気いっぱいなことだ。
見ていて共感性羞恥だ。
