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

94,729 views ・ 2023-11-16

TED


Veuillez double-cliquer sur les sous-titres anglais ci-dessous pour lire la vidéo.

Traducteur: Claire Ghyselen Relecteur: eric vautier
00:04
I don't mean to brag,
0
4300
1760
Sans vouloir me vanter,
00:06
but there are lots of things that I'm pretty average at.
1
6060
3000
mais il y a beaucoup de choses dans lesquelles je suis moyen.
00:09
From playing table tennis,
2
9100
1400
Le tennis de table,
00:10
cooking risotto, finding countries on a map,
3
10500
2560
préparer un risotto, trouver des pays sur une carte,
00:13
just to name a few.
4
13100
1400
à titre d’exemples.
00:14
Now, in our everyday lives,
5
14540
1440
Dans notre vie quotidienne,
00:16
we're not typically assessed on our skills and abilities,
6
16020
2760
on n’évalue généralement pas nos compétences et capacités.
00:18
so we're forced to rely on our own judgments.
7
18820
2400
On est obligé de se fier à son propre jugement.
00:21
I may think I'm pretty decent with Italian cuisine,
8
21260
3080
Je pourrais penser que je suis doué en cuisine italienne,
00:24
but how accurate is my assessment?
9
24380
2520
mais dans quelle mesure mon évaluation est-elle exacte ?
00:26
Now, what we’re talking about here is metacognition:
10
26940
3080
Ce dont nous parlons ici, c’est la métacognition :
00:30
our insight into our own thought processes.
11
30020
2920
notre compréhension de nos propres processus de pensée.
00:33
If I have good metacognitive insight,
12
33620
2320
Si j’ai une bonne connaissance métacognitive,
00:35
then how good I think I am at a particular task
13
35940
2880
mon évaluation de mes capacités à accomplir une tâche donnée
00:38
should line up pretty well with how good I actually am.
14
38860
3320
devrait correspondre assez bien à mes qualités réelles.
00:42
Of course, in the real world this is often not the case.
15
42180
2840
Évidemment, dans le monde réel, ce n’est souvent pas le cas.
00:45
And indeed, we probably all know someone
16
45780
2160
Nous connaissons sans doute tous quelqu’un
00:47
who thinks they're great at navigating maps,
17
47980
2760
qui pense être doué pour lire les cartes,
00:50
when in fact the reality is often the opposite.
18
50780
2920
alors qu’en réalité, c’est le contraire.
00:53
Not to name any names, of course, but still.
19
53740
2960
Sans citer de noms, bien sûr, mais quand même.
00:57
Perhaps you think this applies to other people
20
57260
2400
Peut-être pensez-vous que ça s’applique aux autres
00:59
and that you, yourself, wouldn't make this sort of mistake.
21
59700
3080
mais que vous, vous ne commettriez pas ce genre d’erreur.
01:02
So let's try a quick experiment.
22
62780
2600
Essayons ensemble une petite expérience.
01:05
I want you to think about how you would rate yourself
23
65380
2680
Réfléchissiez à la façon dont vous évaluerez votre capacité à conduire.
01:08
in terms of your driving ability.
24
68100
1960
01:10
Would you rate yourself as below average, average
25
70060
2480
Vous considérez-vous en-dessous de la moyenne,
01:12
or perhaps even above average?
26
72580
2360
ou meilleur que la moyenne ?
01:15
So most people rate themselves as above average,
27
75380
3560
La plupart des gens se considèrent comme supérieurs à la moyenne,
01:18
which, of course, is mathematically impossible,
28
78980
2320
ce qui est mathématiquement impossible,
01:21
and something that we call the "better than average" effect.
29
81300
3120
et c’est ce que nous appelons l’effet « meilleur que la moyenne ».
01:24
This is just one of a number of cognitive biases that we see
30
84460
3160
Ce n'est là qu'un des nombreux biais cognitifs que nous observons
01:27
when people judge their own abilities.
31
87620
2200
lorsque les gens évaluent leurs capacités.
01:30
Today, I'm going to focus on a related bias,
32
90180
2560
Je vais me concentrer sur un biais connexe,
01:32
the Dunning-Kruger effect.
33
92740
1880
l'effet Dunning-Kruger.
01:34
So back in 1999,
34
94660
1680
Ainsi, en 1999,
01:36
two psychologists at Cornell University, Dunning and Kruger,
35
96380
3720
deux psychologues de l’Université Cornell, Dunning et Kruger,
01:40
described the mistakes people make when estimating their own abilities.
36
100100
4480
ont décrit les erreurs que les gens commettent
lorsqu’ils estiment leurs propres capacités.
01:44
So if we take a sample of people and we divide them into four groups
37
104580
3320
Prenons un échantillon de personnes
que nous divisons en quatre cohortes selon leur résultat à un test,
01:47
based on their scores on a test,
38
107940
1840
01:49
and order those groups from lowest to highest.
39
109820
2400
que nous classons du plus faible au plus élevé.
01:52
If we plot those scores on a graph along with their self-estimates,
40
112260
3880
Quand on trace sur un graphe ces scores
comparés aux évaluations personnelles sur les résultats obtenus,
01:56
so how well they thought they did on the test,
41
116180
2680
01:58
this is the pattern that we see.
42
118900
1840
voici la tendance que nous observons.
02:00
So the red line is a steep slope representing their actual scores.
43
120780
4800
La ligne rouge est une pente abrupte représentant les scores réels.
02:05
As it must be, since we ordered the groups
44
125580
2040
C’est logique,
puisque nous avons d’abord ordonné les cohortes selon leurs scores.
02:07
based on their scores in the first place.
45
127620
2120
02:09
Now what's interesting is the blue shallower line.
46
129780
3320
Maintenant, ce qui est intéressant, c’est la ligne bleue moins abrupte,
02:13
This represents their self-estimates.
47
133140
2400
qui représente les évaluations personnelles,
02:15
So, how good they thought they did on the test.
48
135580
2520
à quel point ils pensaient avoir réussi le test.
02:18
Now the Dunning-Kruger effect describes how the weakest performers
49
138540
4680
L’effet Dunning-Kruger décrit comment les plus faibles surestiment
02:23
significantly overestimate their performance,
50
143220
2720
considérablement leurs performances,
02:25
shown here in the green oval.
51
145980
1920
comme illustré ici, dans l’ovale vert.
02:28
The explanation for this, according to Dunning and Kruger,
52
148500
3480
Dunning et Kruger expliquent ce phénomène
02:31
is that insight and ability rely on the same thing.
53
151980
3840
par le fait que perspicacité et capacité reposent sur la même chose :
02:35
So if I'm poor at a task,
54
155860
1920
si je suis mauvais à une tâche,
02:37
I also lack the metacognitive insight to accurately assess my ability.
55
157820
4800
je n’ai pas la perspicacité métacognitive nécessaire
pour évaluer avec précision mes capacités.
02:43
Now this pattern has been seen again and again
56
163540
2320
On observe cette tendance à maintes reprises
02:45
across a number of domains,
57
165860
1440
dans nombre de domaines,
02:47
from driving skill to exam-taking, even chess-playing.
58
167340
3440
de la conduite automobile aux examens, en passant par les échecs.
02:51
However, in recent years,
59
171620
1600
Cependant, ces dernières années,
02:53
a number of criticisms have been leveled at this approach,
60
173220
3000
cette approche a fait l’objet de nombreuses critiques
02:56
and we now have reason to believe
61
176260
1600
et nous avons des raisons de penser
02:57
that this pattern results is virtually unavoidable.
62
177900
3000
que cette tendance est pratiquement inévitable.
03:02
One reason for this is the statistical effect,
63
182460
3000
L’une des raisons en est l’effet statistique,
03:05
regression to the mean.
64
185460
1520
la régression vers la moyenne.
03:07
Now this is something that comes about
65
187380
1840
C’est un phénomène qui se produit
03:09
when we have two measures that are related but not perfectly so.
66
189220
3720
lorsque deux mesures sont liées, mais pas parfaitement.
03:13
So imagine we have a sample of people
67
193540
1840
Imaginez donc que nous mesurons la taille et le poids d’un échantillon de personnes.
03:15
and we measure their heights and their weights.
68
195420
2440
03:17
Now height and weight are related,
69
197900
1880
Maintenant, la taille et le poids sont liés.
03:19
tall people are typically heavier,
70
199820
2600
Les personnes de grande taille sont généralement plus lourdes,
03:22
but the relationship is far from perfect.
71
202420
2480
mais la relation est loin d'être parfaite.
03:24
So unlike in the figure at the top here,
72
204940
3240
Contrairement à la figure en haut,
03:28
the shortest people in red won't all be the lightest people.
73
208220
4000
toutes les personnes les plus petites, en rouge, ne sont pas les plus légères.
03:32
Some of them will be overweight or particularly muscular, for example.
74
212220
3520
Certaines seront en surpoids, ou particulièrement musclées, par exemple.
03:35
Similarly at the top end,
75
215780
1640
De même, dans l’extrême supérieur,
03:37
the tallest people in blue won't all be the heaviest people.
76
217460
3800
toutes les personnes les plus grandes, en bleu, ne seront pas les plus lourdes.
03:41
Some of them will be underweight, and so on.
77
221260
2600
Certaines d’entre elles seront en insuffisance pondérale, etc.
03:43
Now as a result, on average,
78
223900
2080
Par conséquent, en moyenne,
03:46
the shortest people will rank higher for weight than they do for height,
79
226020
4200
les plus petits seront mieux classés en termes de poids que de taille,
03:50
and the tallest people will rank lower for weight than they do for height
80
230220
3880
et les plus grande se classeront moins bien, en termes de poids que de taille,
03:54
producing this blue line here
81
234140
1800
ce qui donne cette ligne bleue ici
03:55
and the crossover pattern you're now becoming familiar with.
82
235980
3040
et le schéma croisé auquel vous êtes désormais familiers.
03:59
Now, some people might put forward a spurious explanation
83
239420
3120
Certains pourraient avancer une explication fallacieuse
04:02
for why short people are relatively overweight
84
242540
2840
sur les raisons pour lesquelles les petits sont plutôt obèses
04:05
or tall people relatively underweight,
85
245420
2120
ou les grands sont relativement trop minces.
04:07
when in fact no explanation is needed.
86
247580
2400
alors qu’en fait, aucune explication n’est nécessaire.
04:10
Perhaps more compelling a reason to doubt the Dunning-Kruger effect
87
250700
4240
Une raison peut-être plus convaincante de douter de l'effet Dunning-Kruger
04:14
is that we can produce the same pattern in our data
88
254980
2640
est que nous pouvons produire le même schéma dans nos données
04:17
when our data is entirely meaningless.
89
257660
2640
lorsque celles-ci n’ont absolument aucun sens.
04:20
So if we collect people's test scores
90
260340
2720
Donc, si nous collectons les résultats des tests
04:23
along with their self-estimates of those scores,
91
263100
2640
ainsi que les auto-évaluations de ces scores,
04:25
but then we shuffle those self-estimates
92
265740
2520
puis que nous mélangeons ces auto-évaluations
04:28
and then analyze as before,
93
268260
2000
avant de les analyser, comme auparavant,
04:30
then we still find that same pattern in the data.
94
270260
2760
nous trouvons toujours le même schéma dans les données.
04:33
Of course, any effect that we can find
95
273420
2160
Bien entendu, nous devons nous méfier
04:35
with shuffled or randomized data
96
275580
2480
de tout effet que nous constaterons
04:38
is one that we should surely be suspicious of.
97
278100
2320
avec des données mélangées ou randomisées.
04:41
So, given these and other issues with the Dunning-Kruger approach,
98
281140
4240
Compte tenu de ces problèmes entre autres, liés à l’approche Dunning-Kruger,
04:45
I was saddened and disappointed
99
285420
1920
cela m’a peiné et déçu
04:47
and, frankly, a little annoyed to discover
100
287380
2600
et, franchement, un peu contrarié de découvrir
04:49
that the same approach was now being applied
101
289980
2320
que la même approche était désormais appliquée
04:52
in my field of expertise,
102
292340
1480
dans mon domaine d’expertise, à savoir la reconnaissance faciale.
04:53
which is face-matching.
103
293860
1520
04:55
Now, this is a task where we're showing two images of faces
104
295420
3160
Il s’agit d’une tâche où nous montrons deux images de visages
04:58
or an image and a live person,
105
298620
1640
ou une image et une personne vivante,
05:00
and we're asked to decide whether they show the same person
106
300300
2760
et on demande de décider s’il s’agit de la même personne ou pas.
05:03
or two different people.
107
303100
1400
05:04
Now, we've all stood in line at passport control,
108
304540
2320
Nous avons tous fait la queue au contrôle des passeports,
05:06
anxiously awaiting the passport officer's decision
109
306900
3120
attendant anxieusement la décision du douanier
05:10
as to whether our ID photos look sufficiently like us or not.
110
310060
3640
quant à savoir si nos photos d’identité nous ressemblent suffisamment ou non.
05:14
Indeed, I've included at the top here
111
314140
2120
En effet, j'ai inclus en haut de la page
05:16
some examples of ID images from my own life,
112
316300
3240
quelques exemples d’images d’identité de ma propre vie,
05:19
just to illustrate some variability.
113
319580
2200
juste pour illustrer une certaine variabilité.
05:21
Some proud moments in photographic history,
114
321780
2040
De grands clichés dans l’histoire de la photographie, vous en conviendrez.
05:23
I'm sure you'll agree.
115
323860
1360
05:25
And so what I'd like to do now
116
325220
1840
Donc, ce que nous allons faire,
05:27
is first see how well you might perform as passport officers.
117
327060
3760
c’est d’abord voir votre performance en tant que douanier.
05:31
So here are four pairs of images,
118
331180
2160
Voici donc quatre paires d'images,
05:33
some students’ ID images and some student photos.
119
333340
2880
des photos d’identité d’étudiants et des photos d’eux.
05:36
For each pair, I'd like you to decide whether it's a match,
120
336260
3800
Pour chaque paire, vous allez décider s’il s’agit d’une correspondance,
05:40
so two images of the same person,
121
340060
2040
donc de deux images de la même personne,
05:42
or a mismatch,
122
342140
1160
ou d’une incompatibilité, deux images de personnes différentes.
05:43
two images of different people.
123
343340
1640
05:45
Some of you might be surprised to hear that the top two pairs are matches,
124
345420
5320
Certains d’entre vous seront peut-être surpris d’apprendre
que les deux paires du haut correspondent, donc les images des mêmes personnes,
05:50
so images of the same people,
125
350740
1600
05:52
and the bottom two pairs show mismatches,
126
352380
2240
et que les deux paires du bas montrent des incohérences,
05:54
so two different people.
127
354660
1720
donc, deux personnes différentes.
05:56
Now we know this task is particularly difficult
128
356700
2840
Nous savons que cette tâche est particulièrement difficile
05:59
when the images show identities that we're unfamiliar with.
129
359580
3240
quand les images montrent des identités qui ne nous sont pas familières.
06:03
This is because it's hard to take into account the changes
130
363140
2720
En effet, il est difficile de prendre en compte les changements
06:05
that can happen to the face across time,
131
365900
2840
qui peuvent survenir sur le visage au fil du temps,
06:08
as well as over different situations,
132
368740
2040
ainsi que dans différentes situations,
06:10
so changes in facial expression or lighting, for instance.
133
370820
3000
comme les changements d’expression faciale ou d’éclairage.
06:14
We know this task is difficult for passport officers as well,
134
374620
3800
Nous savons que cette tâche est également difficile pour les douaniers,
06:18
and they also make mistakes.
135
378420
2000
qui commettent également des erreurs.
06:20
So this is why I thought it would be particularly interesting
136
380460
2880
C’est pourquoi j’ai pensé particulièrement intéressant
06:23
to look at the relationship between insight and ability
137
383380
3000
d'examiner la relation entre perspicacité et capacité
06:26
in this important security context.
138
386380
2360
dans cet important contexte de sécurité.
06:28
So given the issues we’ve described already
139
388740
2080
Compte tenu des problèmes que nous avons décrits
06:30
with looking at overall scores and people’s self-estimates,
140
390860
2920
dans l’examen des scores et de l’auto-évaluation des gens,
06:33
I instead decided to focus on individual decision making.
141
393820
3520
j’ai décidé de me concentrer sur la prise de décision individuelle.
06:37
So over a series of experiments,
142
397340
2120
Au cours d'une série d'expériences,
06:39
I asked people to look at pairs of images
143
399460
2640
j’ai demandé aux gens de regarder des paires d’images
06:42
and decide whether they were a match or a mismatch.
144
402100
2520
et de décider de la correspondance ou de l’incompatibilité.
06:45
But I also asked people to provide a rating of confidence in each decision.
145
405020
4280
Et j’ai aussi demandé aux gens de fournir une note de confiance dans leur décision.
06:49
Now a good metacognitive insight
146
409980
2240
Désormais, une bonne connaissance métacognitive
06:52
would be reflected in people being much more confident
147
412260
3720
se refléterait dans le fait que les gens ont beaucoup plus confiance
06:56
in decisions that turned out to be correct
148
416020
2440
dans les décisions qui se sont révélées correctes
06:58
and much less confident in decisions that turned out to be incorrect.
149
418500
3800
et beaucoup moins confiants dans les décisions qui se sont révélées inexactes.
07:03
So let's have a look at how people did.
150
423300
2040
Jetons un coup d’œil à la façon dont les gens se sont comportés.
07:06
Now I think this pattern is particularly fascinating,
151
426260
2480
Je pense que ce modèle est particulièrement fascinant,
07:08
but also fairly intuitive.
152
428780
1720
et aussi très intuitif.
07:10
Let's start with the red line,
153
430860
1520
Commençons par la ligne rouge,
07:12
which represents people's confidence in their incorrect responses.
154
432380
4280
qui représente la confiance des gens dans leurs réponses incorrectes.
07:17
So as you can see,
155
437020
1320
Comme vous le constatez,
07:18
it doesn't matter how good people were at the test overall,
156
438380
3040
peu importe la qualité globale des participants au test,
07:21
represented by the score on the X-axis at the bottom there;
157
441460
3320
représentée par le score en abscisse,
07:24
people were approximately the same
158
444780
2360
les participants étaient en phase en termes de confiance
07:27
in terms of their confidence when they were incorrect.
159
447140
3080
lorsqu’ils se trompaient.
07:30
Now what's interesting is the blue line,
160
450580
2080
Mais ce qui est intéressant, c’est la ligne bleue,
07:32
which represents confidence when people were correct in their decisions.
161
452700
4040
qui représente la confiance lorsque les gens ont pris les bonnes décisions.
07:36
As you can see, the best performers on the test
162
456780
2760
Comme vous le constatez, les personnes les plus performantes
07:39
were much more confident in their correct responses
163
459580
3200
avaient beaucoup plus confiance dans leurs bonnes réponses
07:42
in comparison with their incorrect ones.
164
462780
2360
que dans leurs réponses incorrectes.
07:45
So shows good metacognitive insight.
165
465180
2400
Cela montre une bonne perspicacité métacognitive.
07:47
The weakest performers, on the other hand,
166
467860
2120
Mais les moins performants ne montrent pas de différence quant à leur confiance
07:50
were no different in their confidence
167
470020
1880
07:51
for their correct and incorrect responses,
168
471940
2400
à l’égard de leurs réponses correctes et incorrectes,
07:54
shown here in the green circle.
169
474340
2360
comme indiqué ici dans le cercle vert.
07:56
And so they show poor metacognitive insight.
170
476700
2920
Ils font donc preuve d'une faible perspicacité métacognitive.
07:59
So what might be going on with these weak performers?
171
479620
2720
Que pourrait-il donc se passer là ?
08:02
Now it could be the case that they have some sense
172
482340
2360
Certes, il se peut qu’ils aient l’impression
08:04
they tend to perform poorly on tests in general,
173
484700
2520
de ne globalement pas être très bons aux tests
08:07
and so they're just less confident overall in their responses.
174
487260
3160
et qu'ils soient donc globalement moins confiants dans leurs réponses.
08:10
However, I didn't find that pattern of lower confidence in my data,
175
490460
4160
Cependant, je n’ai pas constaté cette tendance dans mes données,
08:14
at least with individual decision-making.
176
494620
2320
du moins pour la prise de décision individuelle.
08:16
Instead, it's more likely that they were more confident in their correct responses
177
496980
4360
Au contraire,
il est plus probable qu’ils étaient plus confiants dans leurs bonnes réponses
08:21
in comparison with their incorrect ones.
178
501380
2080
que dans leurs réponses incorrectes.
08:23
But this was simply unrelated to their accuracy on each trial
179
503820
3600
Mais cela n’était pas lié à leur exactitude lors de chaque essai,
08:27
because they had poor insight.
180
507460
1920
car leur perspicacité était mauvaise.
08:29
So how does this all fit in with the Dunning-Kruger effect?
181
509820
3480
Alors, comment tout cela s’inscrit-il dans l’effet Dunning-Kruger ?
08:33
So Dunning and Kruger argued that the weakest performers
182
513820
3680
Dunning et Kruger soutiennent que les personnes les moins performantes
08:37
show the least amount of insight
183
517540
2320
sont celles qui font preuve d’une moindre perspicacité
08:39
and they overestimated their performance.
184
519860
2760
qui leur fait surestimer leur performance.
08:43
And that's implied that they had greater confidence.
185
523420
2960
Et cela impliquait qu'ils avaient une plus grande confiance.
08:46
Now, we didn't see that here in our data.
186
526780
3040
Mais ce n’est pas ce que nos données nous disent.
08:49
The weakest performers didn't seem to be overly confident.
187
529820
2880
Les moins performants ne semblaient pas très confiants.
08:53
However, the Dunning-Kruger effect
188
533020
1640
Cependant, l'effet Dunning-Kruger
08:54
also describes how insight depends on ability.
189
534700
3760
décrit également comment la perspicacité dépend de la capacité.
08:59
And so the weakest performers showed the least amount of insight,
190
539020
3640
Les personnes les moins performantes font donc preuve de moins de perspicacité,
09:02
overestimating their performance in their case.
191
542660
2720
en surévaluant leur performance.
09:05
As we've just seen,
192
545780
1160
Comme nous venons de le voir,
09:06
the weakest performers do seem to show the least amount of insight.
193
546940
3840
les moins performants semblent faire preuve du moins de perspicacité.
09:10
Here, they couldn't differentiate between their correct and incorrect responses.
194
550820
4160
Ici, ils ne distinguaient pas leurs réponses correctes et incorrectes.
09:15
So insight does appear to depend on ability,
195
555540
2760
La perspicacité semble donc dépendre de la capacité,
09:18
but not in the way that Dunning and Kruger originally thought.
196
558340
3400
mais pas de la façon dont Dunning et Kruger le pensaient à l’origine.
09:21
So if there are two things I'd like you to remember from this talk
197
561780
3120
S’il y a deux choses que j’aimerais que vous reteniez,
09:24
and take home, think about afterwards,
198
564900
2480
et auxquelles vous réfléchissiez,
09:27
they are: first, more broadly, science is always updating.
199
567380
4680
ce sont les suivantes.
D’abord, la science est constamment mise à jour.
09:32
Research comes along, new evidence that may contradict
200
572100
3240
La recherche continue et apporte de nouvelles preuves pouvant contredire,
09:35
or even disprove previous work.
201
575340
2120
voire réfuter, des travaux antérieurs.
09:37
In this case, the Dunning-Kruger effect may well not be a thing,
202
577900
3600
Dans ce cas-ci, l’effet Dunning-Kruger pourrait bien ne pas exister,
09:41
despite the fact that it's so prevalent in popular culture.
203
581540
3320
malgré le fait qu'il soit si répandu dans la culture populaire.
09:44
Second, insight depends on ability.
204
584860
2880
Deuxièmement, la perspicacité dépend de la capacité.
09:48
For the weakest performers,
205
588100
1520
Les personnes les moins performantes font preuve d’une même confiance
09:49
there's no difference between their confidence
206
589620
2200
09:51
for correct and incorrect responses.
207
591820
1760
pour toutes leurs réponses, correctes et incorrectes.
09:53
They have poor insight, they can't tell the difference.
208
593580
2880
Peu de perspicacité et incapacité à discerner.
09:56
For strong performers,
209
596500
1840
Les personnes très performantes sont beaucoup plus confiantes
09:58
when they're giving a correct answer,
210
598380
1800
lorsqu’elles donnent une bonne réponse.
10:00
they're much more confident.
211
600180
1440
10:02
Of course, the inverse isn't always true.
212
602020
2320
Bien entendu, l’inverse n’est pas toujours vrai.
10:04
Being more confident doesn't mean that you're right.
213
604380
2440
Être plus confiant ne signifie pas que vous ayez raison.
10:06
You might be wrong and simply have poor insight.
214
606860
2960
Vous pourriez vous tromper et avoir peu de perspicacité.
10:10
So in our everyday lives,
215
610420
2040
Donc, dans notre vie de tous les jours,
10:12
you should think about who it is that you ask the opinions of.
216
612500
3120
vous devriez réfléchir à qui vous demandez un avis.
10:16
If someone is an expert in their field,
217
616180
3080
Si quelqu’un est un expert dans son domaine,
10:19
then if they're more confident, they're probably right,
218
619300
3000
s’il est plus confiant, il a probablement raison.
10:22
but if they're unsure,
219
622340
1480
Mais s’il n’est pas sûr de lui,
10:23
this is also informative and tells us something useful.
220
623860
3240
cela est également instructif et nous dit quelque chose d’utile.
10:27
It's much more sensible to find someone that we know is knowledgeable in an area,
221
627500
4400
Il est plus judicieux de trouver quelqu’un
dont nous savons qu’il connaît bien son domaine,
10:31
rather than someone who is simply confident in their opinion,
222
631940
2880
plutôt que quelqu'un qui a simplement confiance en son opinion,
10:34
because confidence is easily misplaced.
223
634820
2200
car la confiance est facilement mal placée.
10:37
And finally,
224
637780
1360
Enfin,
10:39
for those of you who are still wondering how good my risotto actually is,
225
639180
3680
pour ceux d'entre vous qui se demandent encore si mon risotto est vraiment bon,
10:42
that may have to wait for a future talk.
226
642860
2280
il faudra sans doute attendre un prochain talk.
10:45
Thank you.
227
645180
1120
Merci.
10:46
(Applause)
228
646340
3400
(Applaudissements)
À propos de ce site Web

Ce site vous présentera des vidéos YouTube utiles pour apprendre l'anglais. Vous verrez des leçons d'anglais dispensées par des professeurs de premier ordre du monde entier. Double-cliquez sur les sous-titres anglais affichés sur chaque page de vidéo pour lire la vidéo à partir de là. Les sous-titres défilent en synchronisation avec la lecture de la vidéo. Si vous avez des commentaires ou des demandes, veuillez nous contacter en utilisant ce formulaire de contact.

https://forms.gle/WvT1wiN1qDtmnspy7