Are You Really As Good at Something As You Think? | Robin Kramer | TED

95,013 views ・ 2023-11-16

TED


Haga doble clic en los subtítulos en inglés para reproducir el vídeo.

Traductor: Mariana Ponce Revisor: Sebastian Sanchez
00:04
I don't mean to brag,
0
4300
1760
No quiero presumir,
00:06
but there are lots of things that I'm pretty average at.
1
6060
3000
pero hay muchas cosas para las que soy bastante promedio.
00:09
From playing table tennis,
2
9100
1400
Desde jugar al tenis de mesa,
00:10
cooking risotto, finding countries on a map,
3
10500
2560
cocinar risotto, encontrar países en un mapa,
00:13
just to name a few.
4
13100
1400
solo por nombrar algunos.
00:14
Now, in our everyday lives,
5
14540
1440
En nuestra vida cotidiana,
00:16
we're not typically assessed on our skills and abilities,
6
16020
2760
nuestras habilidades y capacidades no son evaluadas,
00:18
so we're forced to rely on our own judgments.
7
18820
2400
por lo que nos vemos obligados a confiar en nuestro juicio.
00:21
I may think I'm pretty decent with Italian cuisine,
8
21260
3080
Puedo pensar que soy bastante decente en la cocina italiana,
00:24
but how accurate is my assessment?
9
24380
2520
pero ¿qué tan precisa es mi valoración?
00:26
Now, what we’re talking about here is metacognition:
10
26940
3080
De lo que estamos hablando aquí es de la metacognición:
00:30
our insight into our own thought processes.
11
30020
2920
nuestra percepción de nuestros propios procesos de pensamiento.
00:33
If I have good metacognitive insight,
12
33620
2320
Si tengo una buena percepción metacognitiva,
00:35
then how good I think I am at a particular task
13
35940
2880
entonces lo bueno que creo que soy en una tarea en particular
00:38
should line up pretty well with how good I actually am.
14
38860
3320
debería coincidir con lo bueno que soy en realidad.
00:42
Of course, in the real world this is often not the case.
15
42180
2840
Por supuesto, en el mundo real este no suele ser el caso.
00:45
And indeed, we probably all know someone
16
45780
2160
Y, de hecho, probablemente todos conozcamos a
00:47
who thinks they're great at navigating maps,
17
47980
2760
alguien que piense que es muy bueno para leer mapas,
00:50
when in fact the reality is often the opposite.
18
50780
2920
cuando la realidad suele ser la contraria.
00:53
Not to name any names, of course, but still.
19
53740
2960
No quiero dar ningún nombre, por supuesto.
00:57
Perhaps you think this applies to other people
20
57260
2400
Quizás piensen que esto se aplica a otras personas
00:59
and that you, yourself, wouldn't make this sort of mistake.
21
59700
3080
y que ustedes no cometerían este tipo de error.
01:02
So let's try a quick experiment.
22
62780
2600
Así que hagamos un experimento rápido.
01:05
I want you to think about how you would rate yourself
23
65380
2680
Quiero que piensen en cómo se valorarían a si mismos
01:08
in terms of your driving ability.
24
68100
1960
en su capacidad de conducción.
¿Se calificarían a si mismos como inferior a la media, media
01:10
Would you rate yourself as below average, average
25
70060
2480
01:12
or perhaps even above average?
26
72580
2360
o tal vez, superior a la media?
01:15
So most people rate themselves as above average,
27
75380
3560
La mayoría de las personas se califican por encima de la media,
01:18
which, of course, is mathematically impossible,
28
78980
2320
lo que, por supuesto, es matemáticamente imposible,
01:21
and something that we call the "better than average" effect.
29
81300
3120
y es algo que llamamos el efecto “mejor que la media”.
01:24
This is just one of a number of cognitive biases that we see
30
84460
3160
Este es solo uno de los muchos sesgos cognitivos que vemos
01:27
when people judge their own abilities.
31
87620
2200
cuando las personas juzgan sus propias habilidades.
01:30
Today, I'm going to focus on a related bias,
32
90180
2560
Hoy me voy a centrar en un sesgo relacionado,
01:32
the Dunning-Kruger effect.
33
92740
1880
el efecto Dunning-Kruger.
01:34
So back in 1999,
34
94660
1680
En 1999,
01:36
two psychologists at Cornell University, Dunning and Kruger,
35
96380
3720
dos psicólogos de la Universidad de Cornell, Dunning y Kruger,
01:40
described the mistakes people make when estimating their own abilities.
36
100100
4480
describieron los errores que cometen las personas al estimar sus habilidades.
01:44
So if we take a sample of people and we divide them into four groups
37
104580
3320
Si tomamos una muestra de personas y las dividimos en cuatro grupos
01:47
based on their scores on a test,
38
107940
1840
en función de sus puntajes en un exámen,
01:49
and order those groups from lowest to highest.
39
109820
2400
y ordenamos esos grupos de menor a mayor.
01:52
If we plot those scores on a graph along with their self-estimates,
40
112260
3880
Si graficamos esos puntajes junto con sus propias estimaciones,
01:56
so how well they thought they did on the test,
41
116180
2680
es decir, qué tan bien pensaron que les fue en la prueba,
01:58
this is the pattern that we see.
42
118900
1840
este es el patrón que vemos.
02:00
So the red line is a steep slope representing their actual scores.
43
120780
4800
La línea roja es una pendiente que representa sus puntuaciones reales.
02:05
As it must be, since we ordered the groups
44
125580
2040
Como debe ser, ya que en primer lugar
02:07
based on their scores in the first place.
45
127620
2120
ordenamos los grupos en función de sus puntuaciones.
02:09
Now what's interesting is the blue shallower line.
46
129780
3320
Ahora, lo interesante es la línea azul más superficial.
02:13
This represents their self-estimates.
47
133140
2400
Esto representa sus propias estimaciones.
02:15
So, how good they thought they did on the test.
48
135580
2520
Es decir, cómo pensaron que les fue en el examen.
02:18
Now the Dunning-Kruger effect describes how the weakest performers
49
138540
4680
El efecto Dunning-Kruger describe cómo las personas con peor desempeño
02:23
significantly overestimate their performance,
50
143220
2720
sobrestiman significativamente su desempeño,
02:25
shown here in the green oval.
51
145980
1920
como se muestra aquí en el óvalo verde.
02:28
The explanation for this, according to Dunning and Kruger,
52
148500
3480
La explicación de esto, según Dunning y Kruger,
02:31
is that insight and ability rely on the same thing.
53
151980
3840
es que la percepción y la capacidad dependen de lo mismo.
02:35
So if I'm poor at a task,
54
155860
1920
Por lo tanto, si soy malo en una tarea,
02:37
I also lack the metacognitive insight to accurately assess my ability.
55
157820
4800
también carezco de la percepción metacognitiva necesaria
para evaluar con precisión mi capacidad.
02:43
Now this pattern has been seen again and again
56
163540
2320
Este patrón se ha visto una y otra vez
02:45
across a number of domains,
57
165860
1440
en varios ámbitos,
02:47
from driving skill to exam-taking, even chess-playing.
58
167340
3440
desde conducir hasta hacer exámenes, incluso jugar al ajedrez.
02:51
However, in recent years,
59
171620
1600
Sin embargo, en los últimos años,
se han lanzado varias críticas a este enfoque,
02:53
a number of criticisms have been leveled at this approach,
60
173220
3000
y ahora tenemos motivos para creer
02:56
and we now have reason to believe
61
176260
1600
02:57
that this pattern results is virtually unavoidable.
62
177900
3000
que los resultados de este patrón son prácticamente inevitables.
03:02
One reason for this is the statistical effect,
63
182460
3000
Uno de los motivos es el efecto estadístico,
03:05
regression to the mean.
64
185460
1520
regresión a la media.
03:07
Now this is something that comes about
65
187380
1840
Ahora bien, esto es algo que ocurre
03:09
when we have two measures that are related but not perfectly so.
66
189220
3720
cuando tenemos dos medidas que están relacionadas pero no a la perfección.
03:13
So imagine we have a sample of people
67
193540
1840
Imaginemos que tomamos una muestra de personas
03:15
and we measure their heights and their weights.
68
195420
2440
y medimos sus estaturas y sus pesos.
03:17
Now height and weight are related,
69
197900
1880
La altura y el peso están relacionados,
03:19
tall people are typically heavier,
70
199820
2600
las personas altas suelen ser más pesadas,
03:22
but the relationship is far from perfect.
71
202420
2480
pero la relación está lejos de ser perfecta.
03:24
So unlike in the figure at the top here,
72
204940
3240
Así que, a diferencia de la figura de arriba,
03:28
the shortest people in red won't all be the lightest people.
73
208220
4000
las personas más bajas en rojo no serán todas las personas más ligeras.
03:32
Some of them will be overweight or particularly muscular, for example.
74
212220
3520
Algunos de ellos, por ejemplo, tendrán sobrepeso o serán musculosos.
03:35
Similarly at the top end,
75
215780
1640
Lo mismo ocurre en el extremo superior,
03:37
the tallest people in blue won't all be the heaviest people.
76
217460
3800
no todas las personas más altas de la línea de azul serán las más pesadas.
03:41
Some of them will be underweight, and so on.
77
221260
2600
Algunas de ellas tendrán un bajo peso, y así sucesivamente.
03:43
Now as a result, on average,
78
223900
2080
Como resultado, en promedio,
03:46
the shortest people will rank higher for weight than they do for height,
79
226020
4200
las personas más bajas tendrán una posición más alta en peso que en altura,
03:50
and the tallest people will rank lower for weight than they do for height
80
230220
3880
y las personas más altas tendrán una puntuación más baja en peso que en altura.
03:54
producing this blue line here
81
234140
1800
produciendo esta línea azul aquí
03:55
and the crossover pattern you're now becoming familiar with.
82
235980
3040
y el patrón cruzado que ahora usted conocen.
03:59
Now, some people might put forward a spurious explanation
83
239420
3120
Ahora bien, algunas personas podrían dar una explicación falsa
04:02
for why short people are relatively overweight
84
242540
2840
de por qué las personas bajas tienen un ligero sobrepeso
04:05
or tall people relatively underweight,
85
245420
2120
o las personas altas tienen un peso relativamente bajo,
04:07
when in fact no explanation is needed.
86
247580
2400
cuando no es necesaria ninguna explicación.
04:10
Perhaps more compelling a reason to doubt the Dunning-Kruger effect
87
250700
4240
Quizás una razón más convincente para dudar del efecto Dunning-Kruger
04:14
is that we can produce the same pattern in our data
88
254980
2640
sea que podemos producir el mismo patrón en nuestros datos
04:17
when our data is entirely meaningless.
89
257660
2640
cuando estos carecen totalmente de sentido.
04:20
So if we collect people's test scores
90
260340
2720
Por lo tanto, si recopilamos los puntajes de las personas
04:23
along with their self-estimates of those scores,
91
263100
2640
junto con sus propias estimaciones de esos puntajes,
04:25
but then we shuffle those self-estimates
92
265740
2520
pero luego los mezclamos
04:28
and then analyze as before,
93
268260
2000
y los analizamos como antes,
04:30
then we still find that same pattern in the data.
94
270260
2760
seguimos encontrando el mismo patrón en los datos.
Por supuesto, cualquier resultado que podamos encontrar
04:33
Of course, any effect that we can find
95
273420
2160
04:35
with shuffled or randomized data
96
275580
2480
con datos aleatorios
04:38
is one that we should surely be suspicious of.
97
278100
2320
es uno del que deberíamos sospechar.
04:41
So, given these and other issues with the Dunning-Kruger approach,
98
281140
4240
Teniendo en cuenta estos y otros problemas del enfoque Dunning-Kruger,
04:45
I was saddened and disappointed
99
285420
1920
me sentí triste y decepcionado
04:47
and, frankly, a little annoyed to discover
100
287380
2600
y, francamente, me molestó un poco descubrir
04:49
that the same approach was now being applied
101
289980
2320
que ahora se estaba aplicando el mismo enfoque
04:52
in my field of expertise,
102
292340
1480
en mi campo de especialización,
04:53
which is face-matching.
103
293860
1520
que es la comparación facial.
04:55
Now, this is a task where we're showing two images of faces
104
295420
3160
Esta es una tarea en la que mostramos dos imágenes de rostros
04:58
or an image and a live person,
105
298620
1640
o una imagen y una persona en vivo,
05:00
and we're asked to decide whether they show the same person
106
300300
2760
y se nos pide que decidamos si es la misma persona
05:03
or two different people.
107
303100
1400
o a dos personas diferentes.
05:04
Now, we've all stood in line at passport control,
108
304540
2320
Todos hemos hecho cola en el control de pasaportes
05:06
anxiously awaiting the passport officer's decision
109
306900
3120
a la espera de la decisión del oficial de pasaportes
05:10
as to whether our ID photos look sufficiently like us or not.
110
310060
3640
sobre si nuestras fotos se parecen lo suficiente a nosotros o no.
05:14
Indeed, I've included at the top here
111
314140
2120
De hecho, he incluido en la parte superior
05:16
some examples of ID images from my own life,
112
316300
3240
algunas fotos de identificación tomadas de mi propia vida,
05:19
just to illustrate some variability.
113
319580
2200
solo para ilustrar algunas diferencias.
05:21
Some proud moments in photographic history,
114
321780
2040
Hitos en la historia de la fotografía
05:23
I'm sure you'll agree.
115
323860
1360
Estarán de acuerdo conmigo.
05:25
And so what I'd like to do now
116
325220
1840
Lo que me gustaría hacer ahora
05:27
is first see how well you might perform as passport officers.
117
327060
3760
es ver primero qué tan bien podrían desempeñarse como oficiales de pasaportes.
05:31
So here are four pairs of images,
118
331180
2160
Aquí hay cuatro pares de imágenes,
05:33
some students’ ID images and some student photos.
119
333340
2880
fotos de identificación de estudiantes y fotos regulares.
05:36
For each pair, I'd like you to decide whether it's a match,
120
336260
3800
Para cada par, me gustaría que decidieran si coinciden, es decir,
05:40
so two images of the same person,
121
340060
2040
si las dos fotos son de la misma persona,
05:42
or a mismatch,
122
342140
1160
o no,
05:43
two images of different people.
123
343340
1640
son dos imágenes de personas diferentes.
05:45
Some of you might be surprised to hear that the top two pairs are matches,
124
345420
5320
Puede que a algunos les sorprenda saber que las dos parejas superiores coinciden,
05:50
so images of the same people,
125
350740
1600
son fotos de las mismas personas,
05:52
and the bottom two pairs show mismatches,
126
352380
2240
y las dos parejas inferiores no coinciden,
05:54
so two different people.
127
354660
1720
son dos personas diferentes.
05:56
Now we know this task is particularly difficult
128
356700
2840
Ahora sabemos que esta tarea es particularmente difícil
05:59
when the images show identities that we're unfamiliar with.
129
359580
3240
cuando las fotos muestran a personas con las que no estamos familiarizados.
06:03
This is because it's hard to take into account the changes
130
363140
2720
Esto se debe a que es difícil tener en cuenta los cambios
06:05
that can happen to the face across time,
131
365900
2840
que pueden producirse en el rostro a lo largo del tiempo,
06:08
as well as over different situations,
132
368740
2040
así como diferentes situaciones
06:10
so changes in facial expression or lighting, for instance.
133
370820
3000
como los cambios en la expresión facial o la iluminación, por ejemplo.
06:14
We know this task is difficult for passport officers as well,
134
374620
3800
Sabemos que esta tarea también es difícil para los oficiales de pasaportes,
06:18
and they also make mistakes.
135
378420
2000
y ellos también cometen errores.
06:20
So this is why I thought it would be particularly interesting
136
380460
2880
Por eso pensé que sería particularmente interesante
06:23
to look at the relationship between insight and ability
137
383380
3000
analizar la relación entre la percepción y la capacidad
06:26
in this important security context.
138
386380
2360
en este importante contexto de seguridad.
06:28
So given the issues we’ve described already
139
388740
2080
Teniendo en cuenta los problemas que ya describimos
06:30
with looking at overall scores and people’s self-estimates,
140
390860
2920
al analizar las puntuaciones y las autoestimaciones,
06:33
I instead decided to focus on individual decision making.
141
393820
3520
decidí centrarme en la toma de decisiones individuales.
06:37
So over a series of experiments,
142
397340
2120
Así que, en una serie de experimentos,
06:39
I asked people to look at pairs of images
143
399460
2640
le pedí a la gente que observara pares de imágenes
06:42
and decide whether they were a match or a mismatch.
144
402100
2520
y decidieran si coincidían o no.
06:45
But I also asked people to provide a rating of confidence in each decision.
145
405020
4280
Pero también les pedí que dieran un puntaje de la confianza en cada decisión.
06:49
Now a good metacognitive insight
146
409980
2240
Una buena percepción metacognitiva
06:52
would be reflected in people being much more confident
147
412260
3720
se reflejaría en que las personas tuvieran mucha más confianza
06:56
in decisions that turned out to be correct
148
416020
2440
en las decisiones que resultaron ser correctas
06:58
and much less confident in decisions that turned out to be incorrect.
149
418500
3800
y mucho menos en las decisiones que resultaron incorrectas.
07:03
So let's have a look at how people did.
150
423300
2040
Echemos un vistazo a cómo les fue a las personas.
07:06
Now I think this pattern is particularly fascinating,
151
426260
2480
Creo que este patrón es particularmente fascinante,
07:08
but also fairly intuitive.
152
428780
1720
pero también bastante intuitivo.
07:10
Let's start with the red line,
153
430860
1520
Empecemos por la línea roja,
07:12
which represents people's confidence in their incorrect responses.
154
432380
4280
que representa la confianza en las respuestas incorrectas.
Como pueden ver,
07:17
So as you can see,
155
437020
1320
no importa qué tan buena sea la puntuación de las personas en la prueba,
07:18
it doesn't matter how good people were at the test overall,
156
438380
3040
07:21
represented by the score on the X-axis at the bottom there;
157
441460
3320
representada por la puntuación en el eje X, en la parte inferior;
07:24
people were approximately the same
158
444780
2360
las personas mostraron aproximadamente la misma
07:27
in terms of their confidence when they were incorrect.
159
447140
3080
confianza cuando se equivocaron.
07:30
Now what's interesting is the blue line,
160
450580
2080
Lo interesante es la línea azul,
07:32
which represents confidence when people were correct in their decisions.
161
452700
4040
que representa la confianza cuando las personas tomaron decisiones acertadas.
07:36
As you can see, the best performers on the test
162
456780
2760
Como pueden ver, los que obtuvieron mejores resultados en la prueba
07:39
were much more confident in their correct responses
163
459580
3200
confiaron mucho más en sus respuestas correctas
07:42
in comparison with their incorrect ones.
164
462780
2360
que en las incorrectas.
07:45
So shows good metacognitive insight.
165
465180
2400
Mostrando una buena percepción metacognitiva.
07:47
The weakest performers, on the other hand,
166
467860
2120
Por otro lado, las personas con peor desempeño
no mostraron diferencia en su confianza
07:50
were no different in their confidence
167
470020
1880
07:51
for their correct and incorrect responses,
168
471940
2400
en las respuestas correctas e incorrectas,
07:54
shown here in the green circle.
169
474340
2360
como se muestra aquí en el círculo verde.
07:56
And so they show poor metacognitive insight.
170
476700
2920
Por lo tanto, muestran una visión metacognitiva deficiente.
07:59
So what might be going on with these weak performers?
171
479620
2720
¿Qué podría estar pasando con estos bajos resultados?
08:02
Now it could be the case that they have some sense
172
482340
2360
Podría ser que ellos tengan la sensación
08:04
they tend to perform poorly on tests in general,
173
484700
2520
de que suelen obtener malos resultados en las pruebas
08:07
and so they're just less confident overall in their responses.
174
487260
3160
y, por lo tanto, tienen menos confianza en sus respuestas en general.
08:10
However, I didn't find that pattern of lower confidence in my data,
175
490460
4160
Sin embargo, no encontré ese patrón de menor confianza en mis datos,
08:14
at least with individual decision-making.
176
494620
2320
al menos en la toma de decisiones individuales.
08:16
Instead, it's more likely that they were more confident in their correct responses
177
496980
4360
En cambio, es más probable que tuvieran más confianza en sus respuestas correctas
08:21
in comparison with their incorrect ones.
178
501380
2080
en comparación con las incorrectas.
08:23
But this was simply unrelated to their accuracy on each trial
179
503820
3600
Pero esto no estaba relacionado con su precisión en cada ensayo
08:27
because they had poor insight.
180
507460
1920
porque tenían un discernimiento pobre.
08:29
So how does this all fit in with the Dunning-Kruger effect?
181
509820
3480
Entonces, ¿cómo encaja todo esto con el efecto Dunning-Kruger?
08:33
So Dunning and Kruger argued that the weakest performers
182
513820
3680
Dunning y Kruger afirman que las personas con un desempeño más pobre
08:37
show the least amount of insight
183
517540
2320
muestran la menor percepción
08:39
and they overestimated their performance.
184
519860
2760
y sobreestiman su desempeño.
08:43
And that's implied that they had greater confidence.
185
523420
2960
Y eso implica que tienen una mayor confianza.
08:46
Now, we didn't see that here in our data.
186
526780
3040
Ahora, no vimos eso en nuestros datos.
08:49
The weakest performers didn't seem to be overly confident.
187
529820
2880
Aquellos con un peor desempeño no parecían tener demasiada confianza.
08:53
However, the Dunning-Kruger effect
188
533020
1640
Sin embargo, el efecto Dunning-Kruger
08:54
also describes how insight depends on ability.
189
534700
3760
también describe cómo la percepción depende de la capacidad.
08:59
And so the weakest performers showed the least amount of insight,
190
539020
3640
Por lo tanto, las personas con peor desempeño mostraron menor percepción,
09:02
overestimating their performance in their case.
191
542660
2720
sobreestimando su desempeño.
09:05
As we've just seen,
192
545780
1160
Como acabamos de ver,
09:06
the weakest performers do seem to show the least amount of insight.
193
546940
3840
las personas con peor desempeño muestran la menor percepción.
09:10
Here, they couldn't differentiate between their correct and incorrect responses.
194
550820
4160
En este caso, no podían diferenciar entre sus respuestas correctas e incorrectas.
09:15
So insight does appear to depend on ability,
195
555540
2760
Por lo tanto, la percepción parece depender de la habilidad,
09:18
but not in the way that Dunning and Kruger originally thought.
196
558340
3400
pero no de la manera en que Dunning y Kruger pensaban originalmente.
09:21
So if there are two things I'd like you to remember from this talk
197
561780
3120
Hay dos cosas que me gustaría que recordaran de esta charla
09:24
and take home, think about afterwards,
198
564900
2480
y que se llevaran a casa para reflexionar:
09:27
they are: first, more broadly, science is always updating.
199
567380
4680
en primer lugar, y en términos generales, la ciencia siempre se actualiza.
09:32
Research comes along, new evidence that may contradict
200
572100
3240
Aparecen investigaciones, evidencias nuevas que pueden contradecir
09:35
or even disprove previous work.
201
575340
2120
o incluso refutar trabajos anteriores.
09:37
In this case, the Dunning-Kruger effect may well not be a thing,
202
577900
3600
En este caso, es muy posible que el efecto Dunning-Kruger no exista,
09:41
despite the fact that it's so prevalent in popular culture.
203
581540
3320
a pesar de su gran prevalencia en la cultura popular.
09:44
Second, insight depends on ability.
204
584860
2880
En segundo lugar, la percepción depende de la capacidad.
En las personas con peor desempeño,
09:48
For the weakest performers,
205
588100
1520
09:49
there's no difference between their confidence
206
589620
2200
no hay diferencia entre su confianza
09:51
for correct and incorrect responses.
207
591820
1760
para obtener respuestas correctas e incorrectas.
09:53
They have poor insight, they can't tell the difference.
208
593580
2880
Tienen poca percepción, no pueden notar la diferencia.
09:56
For strong performers,
209
596500
1840
Los que tienen un buen desempeño,
09:58
when they're giving a correct answer,
210
598380
1800
cuando dan una respuesta correcta,
10:00
they're much more confident.
211
600180
1440
tienen mucha más confianza.
10:02
Of course, the inverse isn't always true.
212
602020
2320
Obviamente, lo contrario no siempre es cierto.
10:04
Being more confident doesn't mean that you're right.
213
604380
2440
Tener más confianza no significa que tengas razón.
10:06
You might be wrong and simply have poor insight.
214
606860
2960
Puede que te equivoques y simplemente tengas mala percepción.
10:10
So in our everyday lives,
215
610420
2040
Así que en nuestra vida cotidiana,
10:12
you should think about who it is that you ask the opinions of.
216
612500
3120
deberían pensar a quién le piden la opinión.
10:16
If someone is an expert in their field,
217
616180
3080
Si alguien es un experto en su campo,
10:19
then if they're more confident, they're probably right,
218
619300
3000
y tiene más confianza, probablemente tenga razón,
10:22
but if they're unsure,
219
622340
1480
pero si no está seguro,
10:23
this is also informative and tells us something useful.
220
623860
3240
esto también es informativo y nos dice algo útil.
10:27
It's much more sensible to find someone that we know is knowledgeable in an area,
221
627500
4400
Es mucho más sensato encontrar a alguien que sepamos que es experto en un área,
10:31
rather than someone who is simply confident in their opinion,
222
631940
2880
en lugar de a alguien que simplemente confíe en su opinión,
10:34
because confidence is easily misplaced.
223
634820
2200
porque la confianza se pierde fácilmente.
10:37
And finally,
224
637780
1360
Y, por último,
10:39
for those of you who are still wondering how good my risotto actually is,
225
639180
3680
para aquellos que todavía se pregunten qué tan bueno es realmente mi risotto,
10:42
that may have to wait for a future talk.
226
642860
2280
tendrán que esperar una próxima charla.
10:45
Thank you.
227
645180
1120
Gracias.
10:46
(Applause)
228
646340
3400
(Aplausos)
Acerca de este sitio web

Este sitio le presentará vídeos de YouTube útiles para aprender inglés. Verá lecciones de inglés impartidas por profesores de primera categoría de todo el mundo. Haz doble clic en los subtítulos en inglés que aparecen en cada página de vídeo para reproducir el vídeo desde allí. Los subtítulos se desplazan en sincronía con la reproducción del vídeo. Si tiene algún comentario o petición, póngase en contacto con nosotros mediante este formulario de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7