Der Gipfel der Ahnungslosigkeit: Warum der berühmteste Effekt der Psychologie vielleicht nur ein statistisches Trugbild ist

Der Aufhänger: Ein Effekt, den jeder kennt – und fast niemand richtig

Es gibt in der Populärpsychologie kaum eine Idee, die sich so mühelos verbreitet hat wie der Dunning-Kruger-Effekt. Der britische Komiker John Cleese hat ihn einmal auf den Punkt gebracht: „Wenn du wirklich, wirklich dumm bist, dann ist es unmöglich für dich zu wissen, dass du wirklich, wirklich dumm bist." Der Effekt taucht in LinkedIn-Postings auf, in Vorstandssitzungen, in Streit über Politik, in Kommentarspalten. Er hat sogar eine ikonische Kurve: eine Linie, die steil zu einem „Gipfel der Dummheit" (engl. Peak of Mount Stupid) ansteigt, dann ins „Tal der Verzweiflung" abstürzt und schließlich sanft zum „Plateau der Nachhaltigkeit" ansteigt. Diese Kurve ist überall – nur stammt sie nicht von Dunning und Kruger. Sie ist eine spätere Erfindung, die dem Originalbefund untergeschoben wurde.

Das ist symptomatisch. Der Dunning-Kruger-Effekt ist zugleich einer der bekanntesten und einer der am meisten missverstandenen Befunde der Psychologie. Fast jeder benutzt ihn als bequeme Waffe: um zu erklären, warum andere Menschen – die inkompetenten, die arroganten, die politischen Gegner – nicht merken, wie wenig sie wissen. Und genau darin liegt eine feine Ironie, die durch diesen ganzen Artikel trägt: Der sichere Umgang mit dem Dunning-Kruger-Effekt ist selbst ein perfektes Beispiel für Selbstüberschätzung. Die meisten, die ihn zitieren, haben weder die Originalstudie gelesen noch die vernichtende methodische Kritik, die seit 2016 an ihr nagt.

Dieser Artikel nimmt dich auf die vollständige Strecke mit. Zuerst schauen wir uns an, was Dunning und Kruger 1999 tatsächlich gemessen haben – nicht das Meme, sondern die Daten. Dann zerlegen wir die Behauptung mit den Werkzeugen, auf die Sven Wert legt: Wir fragen, ob der Effekt überhaupt echt ist oder ob er zwangsläufig aus zwei banalen statistischen Phänomenen entsteht, selbst bei reinem Zufallsrauschen. Wir sehen, wie man denselben berühmten Graphen aus randomisierten Daten erzeugen kann, ganz ohne einen einzigen echten Menschen. Und am Ende bleibt eine überraschend nuancierte Wahrheit übrig, die klüger ist als beide Extreme – die naive Meme-Version und die triumphale Widerlegung.

Teil 1: Was Dunning und Kruger wirklich gemacht haben

Vier Studien, ein Titel für die Ewigkeit

Im Jahr 1999 veröffentlichten die beiden Cornell-Psychologen Justin Kruger und David Dunning im Journal of Personality and Social Psychology einen Aufsatz mit einem der einprägsamsten Titel der Fachliteratur: „Unskilled and Unaware of It: How Difficulties in Recognizing One's Own Incompetence Lead to Inflated Self-Assessments" (Band 77, Heft 6, S. 1121–1134). Die zentrale These: Menschen mit geringer Kompetenz in einem Bereich leiden unter einer doppelten Bürde. Sie sind nicht nur schlecht in der Sache – ihnen fehlt zusätzlich genau jene metakognitive Fähigkeit, die nötig wäre, um zu erkennen, dass sie schlecht sind. Inkompetenz maskiert sich selbst.

Der Aufbau war schlicht. In einer der Studien gaben die Forscher 45 Studierenden einen 20-Fragen-Logiktest (abgeleitet aus einem LSAT-Vorbereitungsbuch). Danach baten sie die Teilnehmenden, sich auf zwei Arten selbst einzuschätzen: erstens, wie viele Fragen sie ihrer Meinung nach richtig beantwortet hatten (eine absolute Schätzung), und zweitens, wie sie im Vergleich zu den anderen Testpersonen abgeschnitten hatten (eine relative Einschätzung in Perzentilen). Weitere Studien wiederholten das Muster mit Tests zu Grammatik und – ausgerechnet – zu Humor, wobei die „richtige" Antwort beim Humortest über das Urteil professioneller Komiker definiert wurde.

Der Befund: die berühmte Schere

Teilten Dunning und Kruger ihre Probanden nach Testleistung in vier Gruppen (Quartile) ein und trugen sowohl die tatsächliche als auch die selbst eingeschätzte Leistung auf, entstand das ikonische Bild: zwei Linien, die sich wie eine geöffnete Schere spreizen. Die tatsächliche Leistung stieg vom untersten zum obersten Quartil steil an. Die selbst eingeschätzte Leistung dagegen war erstaunlich flach – fast alle, egal wie gut sie wirklich waren, verorteten sich im oberen Mittelfeld.

Die konkreten Zahlen sind lehrreicher als jedes Meme. Das leistungsschwächste Viertel erreichte im Schnitt 10 von 20 Punkten, das leistungsstärkste Viertel 17 von 20. Doch beide Gruppen schätzten, sie hätten etwa 14 richtig. Absolut betrachtet überschätzten die Schwächsten ihre Rohpunktzahl um rund 20 Prozentpunkte, während die Besten ihre Leistung um etwa 15 Prozentpunkte unterschätzten.

Noch dramatischer wurde es beim Perzentil-Vergleich. Die schwächsten Testteilnehmer glaubten, sie hätten 62 % der anderen übertroffen; die stärksten schätzten ihren Rang auf 68 %. Beide lagen also nahe der Mitte-oben. Aber definitionsgemäß übertrifft, wer im untersten Viertel liegt, im Durchschnitt nur 12,5 % der anderen. Aus dem Abstand zwischen „ich habe 62 % geschlagen" und „ich habe real 12,5 % geschlagen" entsteht eine spektakuläre Überschätzung von fast 50 Prozentpunkten – die Zahl, die das Meme so verführerisch macht.

Die metakognitive Erklärung

Dunning und Kruger deuteten dieses Muster nicht als Statistik, sondern als Psychologie. Ihre Erklärung war elegant und beunruhigend zugleich: Dieselben Fähigkeiten, die man braucht, um eine Aufgabe gut zu lösen, braucht man auch, um zu beurteilen, wie gut man sie gelöst hat. Wer die Regeln der Logik nicht beherrscht, kann weder die Testfragen richtig beantworten noch erkennen, dass seine Antworten falsch sind. Das Werkzeug für die Leistung und das Werkzeug für die Selbstbewertung sind dasselbe Werkzeug. Fehlt es, fehlt es doppelt.

Zur Stützung fügten sie eine vierte Studie hinzu: Wenn man den schwächsten Teilnehmern beibringt, die Aufgabe besser zu lösen, verbessert sich zugleich ihre Selbsteinschätzung – sie erkennen nun rückblickend, wie schlecht sie vorher waren. Kompetenz, so die Pointe, schenkt einem nicht nur bessere Leistung, sondern auch besseren Einblick in die eigene frühere Inkompetenz. Der Aufsatz wurde ein Sensationserfolg, zitiert zehntausendfach, ausgezeichnet mit dem satirischen Ig-Nobelpreis, und binnen weniger Jahre zum kulturellen Allgemeingut. Aber je berühmter ein Befund, desto härter das Nachbeben – und dieses Nachbeben kam.

Teil 2: Der erste Riss – das Better-than-Average-Phänomen

Fast alle halten sich für überdurchschnittlich

Um die Kritik zu verstehen, muss man einen zweiten, viel älteren psychologischen Befund kennen, der in der Dunning-Kruger-Kurve versteckt steckt: den Better-than-Average-Effekt (BTA), auch „illusorische Überlegenheit" genannt. Menschen neigen dazu, sich bei fast jeder halbwegs positiv besetzten Eigenschaft leicht über dem Durchschnitt zu verorten. Die Belege sind erdrückend und teils komisch: Rund 93 % der US-amerikanischen Autofahrer halten sich für bessere Fahrer als der Durchschnitt; etwa 90 % der Hochschullehrer glauben, sie unterrichteten überdurchschnittlich gut. Rein logisch ist das unmöglich – der Durchschnitt kann nicht von 90 % übertroffen werden.

Genau dieser BTA-Effekt liefert eine simple Alternativerklärung für die flache Selbsteinschätzungslinie in der Dunning-Kruger-Grafik. Wenn alle – kompetent oder nicht – sich standardmäßig ein wenig über der Mitte einordnen, dann ist die Selbsteinschätzungslinie zwangsläufig flach und liegt oberhalb der Mitte. Bei den schwachen Testteilnehmern klafft sie dann weit auseinander von der (niedrigen) realen Leistung, bei den starken kaum. Die „Schere" öffnet sich – aber nicht, weil die Inkompetenten besonders ahnungslos über sich selbst wären, sondern weil praktisch jeder Mensch dieselbe leichte Selbstaufwertung vornimmt und diese Aufwertung bei den ohnehin Schwachen am meisten von der Realität abweicht.

Der entscheidende Punkt: Für diese Erklärung braucht man keine spezielle „doppelte Bürde der Inkompetenz". Man braucht nur eine einzige, bei allen gleichermaßen vorhandene Tendenz zur Selbstaufwertung – plus die Arithmetik der Extreme.

Teil 3: Der zweite Riss – Regression zur Mitte und das Wunder der Zufallsdaten

Warum Extremwerte fast immer zur Mitte zurückkehren

Nun kommt das statistische Kernstück, und es lohnt sich, es sauber zu verstehen, denn es ist die eigentliche Sprengladung unter dem Effekt. Die Regression zur Mitte ist ein unvermeidliches mathematisches Phänomen, das immer dann auftritt, wenn zwei Messgrößen nicht perfekt korreliert sind – also praktisch immer, wenn Messrauschen im Spiel ist.

Das Prinzip: Nimm eine Person, die bei der ersten Messung einen extrem niedrigen Wert erzielt hat. Ein Teil dieses Extremwerts ist „echtes" Können, ein Teil ist Pech (Rauschen, ein schlechter Tag, unglückliche Fragen). Bei einer zweiten, unabhängigen Messung – etwa der Selbsteinschätzung – verschwindet die Zufallskomponente im Mittel. Also fällt die zweite Messung im Durchschnitt weniger extrem aus, näher an der Mitte. Wer ganz unten war, sieht bei der zweiten Größe „besser" aus; wer ganz oben war, „schlechter". Das ist kein psychologischer Mechanismus, sondern reine Wahrscheinlichkeitsrechnung.

Und genau dieses Muster – unten überschätzt, oben unterschätzt – ist die Dunning-Kruger-Schere. Die Frage drängt sich auf: Wie viel vom Effekt ist Psychologie, und wie viel ist bloß Regression plus Better-than-Average?

Der vernichtende Test: dieselbe Kurve aus reinem Zufall

Die Antwort lieferten Kritiker mit einem eleganten und zerstörerischen Experiment. Der Mathematiker Eric Gaze und Kollegen erzeugten am Computer 1.154 fiktive „Personen". Jeder wurde eine völlig zufällige Testpunktzahl zugewiesen – und eine ebenso völlig zufällige Selbsteinschätzung zwischen 1 und 100. Es gab hier keine Psyche, kein Ego, keine metakognitive Bürde. Nur Zufallszahlen.

Dann wendeten sie exakt die Dunning-Kruger-Prozedur an: Sie sortierten die Fantasiepersonen nach Testpunktzahl in Quartile und trugen die durchschnittliche Selbsteinschätzung je Quartil auf. Das Ergebnis war frappierend: Es entstand dieselbe berühmte Schere. Weil die zufälligen Selbsteinschätzungen in jedem Quartil im Mittel bei 50 lagen, während das unterste Quartil real nur 12,5 % der anderen übertrifft, produzierte das reine Rauschen eine scheinbare Überschätzung von rund 37,5 Prozentpunkten – ganz ohne einen einzigen echten Menschen. Der Effekt, so die schneidende Schlussfolgerung, ist teilweise ein Artefakt des Forschungsdesigns, nicht des menschlichen Denkens.

Die Autokorrelations-Kritik

Eine verwandte, noch grundsätzlichere Kritik formulierte der Ökonom Blair Fix 2022 pointiert unter dem Titel „The Dunning-Kruger Effect is Autocorrelation". Sein Argument: Die klassische Dunning-Kruger-Grafik trägt auf der einen Achse die Testleistung auf und auf der anderen die Differenz aus Selbsteinschätzung und Testleistung. Damit erscheint die Testleistung auf beiden Seiten der Gleichung – einmal für sich, einmal (mit negativem Vorzeichen) in der Differenz. Man korreliert eine Größe faktisch mit sich selbst. Eine solche „Autokorrelation" erzeugt zwangsläufig das abfallende Muster, das wie der Dunning-Kruger-Effekt aussieht – selbst dann, wenn Testleistung und Selbsteinschätzung in Wahrheit völlig unabhängig, also reines Rauschen, sind. Fix demonstrierte das ebenfalls, indem er die Schere aus Zufallsdaten reproduzierte. Ich bin der Meinung, dass diese Autokorrelations-Kritik das methodisch schärfste Argument der ganzen Debatte ist, weil sie nicht nur einen möglichen Störfaktor benennt, sondern zeigt, dass das übliche Analyseverfahren den Effekt schon per Konstruktion erzwingt.

Teil 4: Die saubere Neubewertung – Gignac & Zajenkowski 2020

Wie man den Effekt richtig testet

Kritik, die nur „das ist ein Artefakt" ruft, bleibt unbefriedigend, solange sie nicht sagt, wie ein valider Test aussähe. Diese Lücke füllten Gilles Gignac und Marcin Zajenkowski 2020 in der Fachzeitschrift Intelligence mit einem Aufsatz, dessen Titel bereits das Fazit vorwegnimmt: „The Dunning-Kruger effect is (mostly) a statistical artefact." Ihr Verdienst ist doppelt: Sie legen offen, warum die üblichen Quartil-Grafiken konfundiert (methodisch verzerrt) sind, und sie schlagen statistisch saubere Alternativen vor.

Zwei Werkzeuge stehen im Zentrum. Erstens der Glejser-Test auf Heteroskedastizität: Die eigentliche Dunning-Kruger-Hypothese besagt ja, dass die Streuung der Selbsteinschätzungsfehler bei den Inkompetenten größer ist als bei den Kompetenten (die Schwachen liegen weiter und einseitiger daneben). Das ist eine Aussage über ungleiche Fehlervarianz – und genau dafür gibt es etablierte Tests, ohne dass man Menschen in willkürliche Quartile schneiden müsste. Zweitens die nichtlineare Regression: Man prüft direkt, ob der Zusammenhang zwischen tatsächlicher und selbst eingeschätzter Fähigkeit eine Krümmung aufweist, wie es die Theorie fordert.

Das Ergebnis: ein linearer Zusammenhang, kein Knick

An einer Stichprobe, in der objektiv gemessene Intelligenz (ein echter IQ-Test) mit selbst eingeschätzter Intelligenz verglichen wurde, fanden Gignac und Zajenkowski: Der Zusammenhang ist im Wesentlichen linear mit einer moderaten positiven Korrelation. Das Ausmaß, in dem Menschen ihre gemessene Intelligenz falsch einschätzten, war über das gesamte Fähigkeitsspektrum hinweg ungefähr gleich groß. Es gab keinen Beleg dafür, dass gerade die Unfähigen dramatisch schlechter in der Selbsteinschätzung sind als die Fähigen – die entscheidende, spezifische Behauptung des Dunning-Kruger-Effekts fand sich in den Daten schlicht nicht wieder. Was übrig blieb, war der harmlose, längst bekannte Befund: Selbsteinschätzung korreliert schwach, aber positiv mit tatsächlicher Fähigkeit.

Der Streit geht weiter: eine ehrliche Debatte

Wissenschaft ist kein Triumphzug, sondern ein Hin und Her – und der Redlichkeit halber gehört dazu, dass auch die Kritiker Gegenwind bekommen. In einem Kommentar (u. a. von Avram Hiller) wurde eingewandt, dass Gignac und Zajenkowskis Befund gleichmäßiger Fehlervarianz teils an einer Rekodierungsentscheidung hänge: Sie übertrugen die selbst eingeschätzte relative Intelligenz auf eine lineare IQ-Skala, wo eine andere Skalierung möglicherweise angemessener gewesen wäre – und diese Wahl könnte das Ergebnis mitgeprägt haben. Auch die Frage, ob der Glejser-Test wirklich die passende Operationalisierung ist, wird weiter diskutiert. Ich bin der Meinung, dass dieser fortdauernde Streit kein Makel ist, sondern die Debatte auszeichnet: Anders als das Meme, das nur behauptet, ringen hier beide Seiten mit der Frage, wie man eine solche Hypothese überhaupt fair prüft.

Teil 5: Können die Unfähigen sich selbst einschätzen? Der direkte Test

Nuhfers Numeracy-Studien

Alle bisherigen Argumente waren indirekt: Sie zeigten, dass die Schere auch ohne Psychologie entsteht. Aber es bleibt eine direkte, empirisch beantwortbare Frage: Sind die schwächsten Testteilnehmer tatsächlich so hoffnungslos darin, sich selbst einzuschätzen, wie das Meme behauptet? Diese Frage griffen Edward Nuhfer und Kollegen in zwei sorgfältigen Arbeiten (2016 und 2017) in der Fachzeitschrift Numeracy auf.

Nuhfers Team ließ Studierende einen 25-Fragen-Test zur naturwissenschaftlichen Grundbildung bearbeiten und dabei nach jeder Frage einschätzen, wie sicher sie sich waren („voll getroffen", „unsicher", „keine Ahnung"). Das erlaubt eine viel feinkörnigere Analyse als die groben Quartil-Mittelwerte. Das Ergebnis widerspricht dem Meme deutlich: Unter den schwächsten Studierenden (unterstes Viertel) überschätzten nur 16,5 % ihre Fähigkeit erheblich, während 3,9 % sie erheblich unterschätzten. Das heißt: Fast 80 % der „unfähigen" Studierenden schätzten ihr wahres Können recht treffend ein. Von der pauschalen Idee „die Inkompetenten haben keinen blassen Schimmer von ihrer Inkompetenz" bleibt damit wenig übrig. Die meisten Menschen, so Nuhfers Fazit, besitzen ein durchaus funktionierendes Gespür für die eigene Kompetenz.

Teil 6: Was übrig bleibt – die nuancierte Wahrheit

Zeit für eine ehrliche Bilanz. Es wäre selbst ein Dunning-Kruger-Fehler, aus der Kritik voreilig zu schließen, „der ganze Effekt sei frei erfunden". Die Wahrheit liegt gestaffelt dazwischen, und drei Aussagen lassen sich mit gutem Gewissen festhalten.

Erstens: Das Meme ist falsch. Die Vorstellung, dass gerade die Inkompetenten in einer eigenen Klasse der Realitätsblindheit spielen und wild danebengreifen, während der Rest der Menschheit sich nüchtern einschätzt, wird von den Daten nicht getragen. Ein großer Teil der berühmten Kurve entsteht mechanisch aus Regression zur Mitte, dem Better-than-Average-Effekt und der Autokorrelation im Analysedesign.

Zweitens: Ein echter Kern bleibt. Selbst die schärfsten Kritiker räumen ein, dass die Genauigkeit der Selbsteinschätzung positiv mit der tatsächlichen Fähigkeit korreliert – kompetentere Menschen schätzen sich im Schnitt etwas treffender ein. Das Signal ist real; nur ist es kleiner und weit weniger dramatisch als das Meme suggeriert, und es gilt graduell für alle, nicht als Sonderfluch der Unfähigen.

Drittens: Der eigentliche Befund war immer das Better-than-Average-Phänomen. Was Dunning und Kruger robust gezeigt haben, ist, dass die meisten Menschen sich für überdurchschnittlich halten. Das ist ein echtes, wichtiges, vielfach repliziertes Ergebnis über menschliche Selbstwahrnehmung – nur eben nicht die spezielle, spektakuläre These, die ihren Namen berühmt gemacht hat.

Zur Orientierung eine Gegenüberstellung von Mythos und Forschungsstand:

Erkenntnis zum Mitnehmen: Miss die Differenz nicht gegen einen ihrer eigenen Bestandteile

Der praktische Ertrag dieses Artikels ist keineswegs auf die Psychologie beschränkt – er ist eine methodische Warnung, die jeden trifft, der mit Daten arbeitet, also auch jeden Ingenieur, Analysten oder Entwickler. Die tiefste Lehre aus der Dunning-Kruger-Debatte lautet: Wann immer du eine Differenz (Vorhersage minus Realität, Schätzung minus Messung, Fehler) gegen eine Größe aufträgst, die selbst in dieser Differenz steckt, wirst du fast zwangsläufig ein Muster sehen – auch wenn in Wahrheit gar keins da ist. Autokorrelation und Regression zur Mitte sind keine exotischen Randfälle, sondern lauern in Benchmark-Auswertungen, A/B-Tests, Performance-Reviews, Kalibrierungsplots von Modellen und in jeder „Vorher-Nachher"-Analyse.

Konkret drei Handgriffe, die dich vor der Falle bewahren: (1) Wenn du Fehler oder Verbesserung analysierst, trage sie niemals ausschließlich gegen den Ausgangswert auf, ohne die Regression zur Mitte einzurechnen – vergleiche stattdessen gegen eine unabhängige zweite Messung oder eine Zufalls-Baseline. (2) Simuliere dein Analyseverfahren einmal mit reinen Zufallsdaten. Erzeugt es auch dann schon dein „Ergebnis", ist das Ergebnis ein Artefakt der Methode, nicht der Welt. Genau dieser eine Handgriff – die Schere aus Rauschen zu reproduzieren – hat den berühmtesten Effekt der Psychologie erschüttert. (3) Bleib demütig gegenüber Befunden, die zu gut in dein Weltbild passen. Der Dunning-Kruger-Effekt wurde nicht zuletzt deshalb so populär, weil er uns erlaubt, die anderen für ahnungslos zu halten. Ein Befund, der so bequem schmeichelt, verdient doppelte Skepsis.

Querverweise im Vault

Dieser Artikel berührt mehrere Themen, die bereits in diesem Vault behandelt wurden. Die Frage, warum sich müheloses Lernen so trügerisch kompetent anfühlt, ist die direkte Schwester der Dunning-Kruger-Frage – beide handeln von der Illusion der Kompetenz (siehe Wünschenswerte Schwierigkeiten: Warum müheloses Lernen täuscht und das Gedächtnis von der Anstrengung lebt). Die erkenntnistheoretische Grundfrage, was es überhaupt heißt, etwas zu wissen – und wie fragil die Rechtfertigung von Überzeugungen ist – wird im Gettier-Artikel entfaltet (Drei Seiten gegen 2000 Jahre: Das Gettier-Problem und die Frage, was Wissen ist). Und dass unser Gehirn Wahrnehmung nicht abbildet, sondern aktiv konstruiert und dabei systematisch Sicherheit vortäuscht, zeigt der Blick auf das vorhersagende Gehirn (Das vorhersagende Gehirn: Predictive Processing und die Illusion der Wahrnehmung).

Reflexionsfrage zum Schluss

In welchem Bereich deines eigenen Könnens würdest du am ehesten in die Better-than-Average-Falle tappen – und woher genau weißt du, dass deine Einschätzung dort stimmt, wenn dir doch, laut der metakognitiven These, ausgerechnet dort das Urteilswerkzeug fehlen müsste, um deine eigene Lücke zu sehen?

Quellen

• Kruger, J., & Dunning, D. (1999). Unskilled and Unaware of It: How Difficulties in Recognizing One's Own Incompetence Lead to Inflated Self-Assessments. Journal of Personality and Social Psychology, 77(6), 1121–1134. https://doi.org/10.1037/0022-3514.77.6.1121
• Gignac, G. E., & Zajenkowski, M. (2020). The Dunning-Kruger effect is (mostly) a statistical artefact: Valid approaches to testing the hypothesis with individual differences data. Intelligence, 80, 101449. https://doi.org/10.1016/j.intell.2020.101449 (PDF: https://gwern.net/doc/iq/2020-gignac.pdf)
• Nuhfer, E., Cogan, C., Fleisher, S., Gaze, E., & Wirth, K. (2016 & 2017). Random Number Simulations Reveal How Random Noise Affects the Measurements and Graphical Portrayals of Self-Assessed Competency und Folgearbeit. Numeracy, 9(1) & 10(1). https://doi.org/10.5038/1936-4660.9.1.4 · https://doi.org/10.5038/1936-4660.10.1.4
• Gaze, E. C. / The Conversation (2023). The Dunning-Kruger Effect Isn't What You Think It Is. Scientific American / The Conversation. https://www.scientificamerican.com/article/the-dunning-kruger-effect-isnt-what-you-think-it-is/
• Fix, B. (2022). The Dunning-Kruger Effect is Autocorrelation. Economics from the Top Down. https://economicsfromthetopdown.com/2022/04/08/the-dunning-kruger-effect-is-autocorrelation/
• Hiller, A. Comment on Gignac and Zajenkowski, „The Dunning-Kruger effect is (mostly) a statistical artefact". Intelligence (2023). https://www.sciencedirect.com/science/article/abs/pii/S0160289623000132
• Überblick: Dunning–Kruger effect. Wikipedia. https://en.wikipedia.org/wiki/Dunning%E2%80%93Kruger_effect

Hinweis zu Sicherheit und Belegen: Die referierten Studien und Kritiken (Kruger & Dunning 1999; Nuhfer et al. 2016/2017; Gignac & Zajenkowski 2020; Fix 2022) sind peer-reviewt bzw. öffentlich nachvollziehbar dokumentiert und wurden für diesen Artikel aus Primär- und seriösen Sekundärquellen zusammengetragen. Wo ich über den gesicherten Forschungsstand hinaus werte, ist dies mit „Ich bin der Meinung, dass …" gekennzeichnet.

← All articles