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

Translator: Sanntint Tint Reviewer: Myo Aung

I don't mean to brag,

ကြွားဖို့ မရည်ရွယ်ပေမဲ့၊

but there are lots of things that I'm pretty average at.

ကျွန်တော်က အရာတော်တော်များများမှာ ပျမ်းမျှအဆင့်မှာရှိတယ်။

From playing table tennis,

စားပွဲတင် တင်းနစ် ကစားတာကနေ

cooking risotto, finding countries on a map,

ထမင်းပေါင်းချက်တာ၊ မြေပုံပေါ်မှာ နိုင်ငံတွေကို ရှာတာ၊

just to name a few.

အနည်းငယ်လောက်ပဲ ပြောထားတာပါ။

Now, in our everyday lives,

နေ့စဉ် ဘဝတွေမှာ

we're not typically assessed on our skills and abilities,

ကျွမ်းကျင်မှုနဲ့ စွမ်းရည်တွေကို အမြဲလိုလို အကဲမဖြတ်တော့၊

so we're forced to rely on our own judgments.

ကိုယ်ပိုင်ဆုံးဖြတ်ချက်တွေကို ဇွတ် အားကိုးကြတယ်။

I may think I'm pretty decent with Italian cuisine,

အီတလီအစားအစာနဲ့ တော်တော်လေး သင့်တော်တယ်လို့ ထင်မိနိုင်တယ်၊

but how accurate is my assessment?

ဒါပေမဲ့ ကျွန်တော့ရဲ့ အကဲဖြတ်မှုက ဘယ်လောက်တိကျသလဲ။

Now, what we’re talking about here is metacognition:

ဒီမှာ ကျွန်တော်တို့ ပြောနေတာက ကိုယ်ပိုင် အတွေးဖြစ်စဉ်တွေထဲက

our insight into our own thought processes.

ထိုးထွင်းအမြင်၊ metacognition ပါ။

If I have good metacognitive insight,

ကျွန်တော့်မှာ အတွေး သိမြင်မှု ထိုးထွင်အမြင်ရှိရင်၊

then how good I think I am at a particular task

ကျွန်တော်ဟာ အလုပ်တစ်ခုခုမှာ ဘယ်လောက်တော်တယ်လို့ ထင်တာက

should line up pretty well with how good I actually am.

ကျွန်တော် တကယ် ဘယ်လောက်တော်တာနဲ့ အတော်လေး တစ်တန်းတည်းဖြစ်သင့်တယ်။

Of course, in the real world this is often not the case.

တကယ်တော့ လက်တွေ့ လောကမှာ ဒါက မှန်လေ့မရှိဘူး။

And indeed, we probably all know someone

တကယ်တော့ အဖြစ်မှန်က ဆန့်ကျင်ဘက်ဖြစ်လေ့ရှိတဲ့အခါ၊

who thinks they're great at navigating maps,

မြေပုံ လမ်းကြောင်းရှာမှာ တော်တယ်လို့ ထင်တဲ့သူတစ်ယောက်ကို

when in fact the reality is often the opposite.

ကျွန်တော်တို့ အားလုံး သိနိုင်လောက်တယ်။

Not to name any names, of course, but still.

ဘယ်အမည်ကိုမှ မဖော်ပြပေမဲ့၊ ရှိနေပါတယ်။

Perhaps you think this applies to other people

ဒါက တခြားသူတွေနဲ့ ဆိုင်တာ၊ ကိုယ်တိုင်တော့

and that you, yourself, wouldn't make this sort of mistake.

ဒီလိုအမှားမျိုး လုပ်မှာ မဟုတ်ဘူးလို့ ထင်ကောင်းထင်နိုင်ပါတယ်။

So let's try a quick experiment.

ဒီတော့ အမြန် စမ်းသပ်ကြည့်ရအောင်။

I want you to think about how you would rate yourself

ကားမောင်းနိုင်စွမ်းနဲ့ပတ်သက်ပြီး ကိုယ့်ကိုယ်ကိုယ် ဘယ်လို

in terms of your driving ability.

သတ်မှတ်မယ်ဆိုတာ စဉ်းစားစေချင်ပါတယ်။

Would you rate yourself as below average, average

ကိုယ့်ကိုယ်ကိုယ် ပျမ်းမျှအောက်၊ ပျမ်းမျှ

or perhaps even above average?

ဒါမှမဟုတ် ပျမ်းမျှအထက်တောင် သတ်မှတ်မလား။

So most people rate themselves as above average,

ဒီတော့ လူအများစုက ကိုယ့်ကိုယ်ကိုယ် ပျမ်းမျှအထက်အဖြစ် သတ်မှတ်ကြတယ်၊

which, of course, is mathematically impossible,

ဒါက သင်္ချာနည်းအရ မဖြစ်နိုင်ဘဲ၊

and something that we call the "better than average" effect.

"ပျမ်းမျှထက်သာတဲ့"သက်ရောက်မှုလို့ ကျွန်တော်တို့ ခေါ်တဲ့ တစ်ခုပါ။

This is just one of a number of cognitive biases that we see

ဒါက လူတွေက သူတို့ရဲ့ စွမ်းရည်တွေကို အကဲဖြတ်တဲ့အခါ၊ တွေ့မြင်ရတဲ့

when people judge their own abilities.

သိမှတ်မှုဆိုင်ရာ ဘက်လိုက်မှုများစွာထဲမှ တစ်ခုပါ။

Today, I'm going to focus on a related bias,

ဒီနေ့၊ ဆက်စပ်နေတဲ့ ဘက်လိုက်မှု၊ Dunning-Kruger

the Dunning-Kruger effect.

သက်ရောက်မှုကို အာရုံစိုက်မှာပါ။

So back in 1999,

ဒါကြောင့် ၁၉၉၉ ခုနှစ်တုန်းက

two psychologists at Cornell University, Dunning and Kruger,

ကော်နယ်လ်တက္ကသိုလ်က စိတ်ပညာရှင် နှစ်ယောက်ဖြစ်တဲ့ Dunning နဲ့ Kruger တို့က

described the mistakes people make when estimating their own abilities.

လူတွေက ကိုယ်ပိုင်စွမ်းရည်တွေကို ခန့်မှန်း တဲ့အခါ လုပ်တဲ့ အမှားတွေကို ဖော်ပြခဲ့တယ်။

So if we take a sample of people and we divide them into four groups

ဒီတော့ လူတွေရဲ့ နမူနာတစ်ခုကိုတစ်ခုကို ယူပြီး စစ်ဆေးမှုအပေါ် အခြေခံကာ

based on their scores on a test,

အမှတ်တွေကို အစု ၄ စုခွဲပြီး အစုတွေကို

and order those groups from lowest to highest.

အနိမ့်ဆုံးကနေ အမြင့်ဆုံးအထိ စီလို့ရမလားပေါ့။

If we plot those scores on a graph along with their self-estimates,

စစ်ဆေးမှုမှာ ဘယ်လောက်ကောင်းကောင်း ဖြေခဲ့တယ်လို့ ထင်တဲ့၊

so how well they thought they did on the test,

ကိုယ်ပိုင်ခန့်မှန်းချက်တွေနဲ့ အမှတ်တွေကို ဂရပ်ဖ်ချရင်၊

this is the pattern that we see.

ဒါက မြင်ရတဲ့ပုံစံပါ။

So the red line is a steep slope representing their actual scores.

ဒီတော့ အနီရောင်မျဉ်းက တကယ့် ရမှတ်တွေကို ကိုယ်စားပြုတဲ့ မတ်စောက်တဲ့ မျဉ်းလျှောပါ။

As it must be, since we ordered the groups

ရမှတ်တွေအပေါ် အခြေခံပြီး အစုတွေကို

based on their scores in the first place.

စီတဲ့အတွက်၊ ဒါက ပထမဆုံး ဖြစ်ရမယ်။

Now what's interesting is the blue shallower line.

ကဲ၊ စိတ်ဝင်စားစရာက အပြာရောင် ပိုတိမ်တဲ့ မျဉ်းပါ။

This represents their self-estimates.

ဒါက ကိုယ်ပိုင် ခန့်မှန်းချက်တွေကို ကိုယ်စားပြုတယ်။

So, how good they thought they did on the test.

စစ်ဆေးမှုမှာ ဘယ်လောက် ကောင်းကောင်း ဖြေခဲ့တယ်လို့ သူတို့ထင်တာပါ။

Now the Dunning-Kruger effect describes how the weakest performers

အားအနည်းဆုံး ဖြေဆိုသူတွေက အစိမ်းရောင် ဘဲဥပုံမှာ ပြထားတဲ့

significantly overestimate their performance,

သူတိုရဲ့ စွမ်းဆောင်မှုကို သိသိသာသာ ပိုတွက်ကြတာကို

shown here in the green oval.

Dunning-Kruger သက်ရောက်မှုက ဖော်ပြတယ်။

The explanation for this, according to Dunning and Kruger,

Dunning နဲ့ Kruger အရ၊ ဒါအတွက် ရှင်းလင်းချက်က ထိုးထွင်းအမြင်နှဲ့

is that insight and ability rely on the same thing.

စွမ်းရည်က တူညီတဲ့ အရာအပေါ် တည်မှီနေတာပါ။

So if I'm poor at a task,

ဒီတော့ အလုပ်တစ်ခုမှာ ညံ့နေရင်၊

I also lack the metacognitive insight to accurately assess my ability.

စွမ်းရည်ကို တိတိကျကျ အကဲဖြတ်ဖို့ အတွေးဖြစ်စဉ်ထိုးထွင်းအမြင်လည်း ကင်းမဲ့တယ်။

Now this pattern has been seen again and again

ဒီပုံစံကို များစွာသော နယ်ပယ်အသီးသီးမှာ

across a number of domains,

အကြိမ်ကြိမ် တွေ့နေရတယ်။

from driving skill to exam-taking, even chess-playing.

ကားမောင်းနိုင်စွမ်းကနေ စာမေးပွဲ ဖြေတာ၊ စစ်တုရင် ကစားတာအထိပါ။

However, in recent years,

ဒါပေမဲ့ မကြာသေးတဲ့ နှစ်တွေအတွင်း

a number of criticisms have been leveled at this approach,

ဒီချဉ်းကပ်နည်းမှာ ဝေဖန်မှု အတော်များများ ဖြစ်လာခဲ့ပြီး

and we now have reason to believe

ဒီပုံစံရလဒ်တွေက

that this pattern results is virtually unavoidable.

ရှောင်လွှဲမရနီးပါးဆိုတာ ယုံကြည်စရာ အကြောင်းရှိပါတယ်။

One reason for this is the statistical effect,

ဒါအတွက် အကြောင်းရင်းတစ်ခုက ကိန်းဂဏန်းဆိုင်ရာ သက်ရောက်မှု၊

regression to the mean.

အလယ်အလတ်ကို ပြန်ရောက်တာပါ။

Now this is something that comes about

ဒါက အတိုင်းအတာ နှစ်ခုက ဆက်စပ်နေပေမဲ့၊

when we have two measures that are related but not perfectly so.

အပြည့်အဝမဟုတ်တဲ့အခါ ဖြစ်ပေါ်လာတာ တစ်ခုပါ။

So imagine we have a sample of people

လူတွေရဲ့ နမူနာတစ်ခုရှိတယ်လို့ စိတ်ကူးကြည့်ပြီး

and we measure their heights and their weights.

သူတို့ရဲ့ အမြင့်တွေနဲ့ အလေးချိန်တွေကို တိုင်းတာတယ်။

Now height and weight are related,

အမြင့်နဲ့ အလေးချိန်က ဆက်နွှယ်နေပြီး

tall people are typically heavier,

အရပ်မြင့်တဲ့သူတွေဟာ ပိုလေးလေ့ရှိပေမဲ့၊

but the relationship is far from perfect.

ဆက်နွယ်မှုက ပြီးပြည့်စုံတာနဲ့ တခြားစီပါ။

So unlike in the figure at the top here,

ဒီတော့ ဒီက ထိပ်ဆုံးက ကိန်းဂဏန်းနဲ့မတူဘဲ၊

the shortest people in red won't all be the lightest people.

အနီထဲက အရပ်အပုဆုံး လူတွေအားလုံးက အပေါ့ဆုံး လူတွေ ဖြစ်မှာ မဟုတ်ဘူး။

Some of them will be overweight or particularly muscular, for example.

ဥပမာ၊ တချို့က အလေးချိန်ပိုတာ ဒါမဟုတ် အထူးသဖြင့် ကြွက်သားစိုင်ကြီးမားတာပါ။

Similarly at the top end,

အလားတူ ထိပ်စွန်းက

the tallest people in blue won't all be the heaviest people.

အပြာရထဲက အရပ်အရှည်ဆုံးလူတွေအားလုံးက အလေးဆုံးလူတွေ ဖြစ်မှာ မဟုတ်ဘူး။

Some of them will be underweight, and so on.

တချို့က ပုံမှန်အောက်အလေးချိန် ရှိနေတာ၊ စတာတွေပါ။

Now as a result, on average,

ရလဒ်အနေဖြင့် ၊ ပျမ်းမျှ

the shortest people will rank higher for weight than they do for height,

အရပ်အပုဆုံး လူတွေဟာ အမြင့်ထက်၊ အလေးချိန် အတွက် ပိုမြင့်မြင့် သတ်မှတ်မှာဖြစ်ပြီး

and the tallest people will rank lower for weight than they do for height

အရပ်အမြင့်ဆုံးလူတွေက ဒီအပြာရောင်မျဉ်းက ထုတ်ပေးတဲ့ အမြင့်ထက်၊

producing this blue line here

အလေးချိန်အတွက် ပိုနိမ့်နိမ့် သတ်မှတ်မှာပါ၊

and the crossover pattern you're now becoming familiar with.

ဒါက အခု အကျွမ်းတဝင် ရှိလာတဲ့ ကန့်လန့်ဖြတ် ပုံစံပါ။

Now, some people might put forward a spurious explanation

ရှင်းလင်းချက် မလိုတဲ့အခါ၊ ဘာကြောင့် အရပ်ပုတဲ့ လူတွေဟာ

for why short people are relatively overweight

နှိုင်းယှဉ်ချက်အရ အလေးချိန်ပိုနေတာလဲ၊ အရပ်ရှည်သူတွေဟာ

or tall people relatively underweight,

နှိုင်းယှဉ်ချက်အရ အလေးချိန်လျော့နေတာလဲ

when in fact no explanation is needed.

ဆိုတာအတွက်လူတချို့က ရှင်းလင်းချက် အတုတွေကို တင်ပြလောက်တယ်။

Perhaps more compelling a reason to doubt the Dunning-Kruger effect

Dunning-Kruger သက်ရောက်မှုကို သံသယ ဝင်စေတဲ့ ပိုလက်ခံရမယ့် အကြောင်းရင်းတစ်ခုက

is that we can produce the same pattern in our data

ဒေတာတွေက လုံးဝ အဓိပ္ပာယ်မဲ့နေတဲ့အခါ၊

when our data is entirely meaningless.

ဒေတာတွေထဲက တူညီတဲ့ပုံစံကို ထုတ်ပေးနိုင်တာဖြစ်လောက်တယ်။

So if we collect people's test scores

ဒီရမှတ်တွေနဲ့ပတ်သက်တဲ့ ခန့်မှန်း ချက်တွေနဲ့အတူ၊

along with their self-estimates of those scores,

စစ်ဆေး ရမှတ်တွေကို ကောက်ယူပေမဲ့၊

but then we shuffle those self-estimates

ကိုယ်တိုင် ခန့်မှန်း ချက်တွေကို အပြောင်းအလဲလုပ်ပြီး

and then analyze as before,

အရင်အတိုင်း စိစစ်ရင်တော့၊

then we still find that same pattern in the data.

ဒီဒေတာတွေမှာ တူညီတဲ့ပုံစံကို တွေ့ ရတုန်းပါ။

Of course, any effect that we can find

အပြောင်းအလဲ ဒါမှမဟုတ် ကျပန်းလုပ်ထားတဲ့

with shuffled or randomized data

ဒေတာတွေနဲ့အတူ တွေ့နိုင်သေးတဲ့ သက်ရောက်မှုတိုင်းက

is one that we should surely be suspicious of.

သေချာပေါက် သံသယဝင်သင့်တဲ့ တစ်ခုဆိုတာ အမှန်ပါ။

So, given these and other issues with the Dunning-Kruger approach,

ဒီတော့ Dunning-Kruger နည်းလမ်းနဲ့ပတ်သက်တဲ့ ဒါတွေနဲ့ တခြား ပြဿနာတွေကြောင့်

I was saddened and disappointed

ကျွန်တော် ဝမ်းနည်း၊ စိတ်ပျက်ခဲ့ရတယ်၊

and, frankly, a little annoyed to discover

ပြောရရင် ကျွန်တော့ရဲ့ ကျွမ်းကျင်မှုနယ်ပယ်၊

that the same approach was now being applied

မျက်နှာ ယှဉ်တွဲမှုမှာ အလားတူ နည်းလမ်းကို

in my field of expertise,

အသုံးချနေတာ သိလိုက်ရလို့

which is face-matching.

စိတ်အနှောင့်အယှက်ဖြစ်ခဲ့တယ်။

Now, this is a task where we're showing two images of faces

ဒါက မျက်နှာပုံ နှစ်ခု ဒါမှမဟုတ် ရုပ်ပုံတစ်ပုံနဲ့ သက်ရှိ

or an image and a live person,

လူတစ်ယောက်ကို ပြနေတဲ့ အလုပ်တစ်ခုပါ။

and we're asked to decide whether they show the same person

ဒါတွေက လူတစ်ယောက်တည်း ဒါမှမဟုတ် မတူတဲ့ လူနှစ်ယောက်လား

or two different people.

ဆိုတာကိူ ဆုံးဖြတ်ခိုင်းတာပါ။

Now, we've all stood in line at passport control,

သက်သေခံကတ်ပုံတွေက အတန်အသင့် တူလားဆိုတာကို

anxiously awaiting the passport officer's decision

နိုင်ငံကူးလက်မှတ် အရာရှိ ဆုံးဖြတ်ချက်ကို စိုးရိမ်တကြီး စောင့်ရင်း

as to whether our ID photos look sufficiently like us or not.

နိုင်ငံကူးလက်မှတ် ကြီးကြပ်ရေးမှာ ကျွန်တော်တို့အားလုံး တန်းစီနေကြတယ်။

Indeed, I've included at the top here

တကယ်တော့ မူသေမဟုတ်တာကို သရုပ်ဖော်ဖို့၊

some examples of ID images from my own life,

ကျွန်တော့ဘဝထဲက သက်သေခံကတ် ဓာတ်ပုံတွေရဲ့ နမူနာတချို့ကို

just to illustrate some variability.

ဒီနေရာရဲ့ ထိပ်ဆုံးမှာ ထည့်ထားပါတယ်။

Some proud moments in photographic history,

ဓာတ်ပုံသမိုင်းထဲက ဂုဏ်ယူစရာ အခိုက်အတန့် တချို့

I'm sure you'll agree.

ဆိုတာ သဘောတူမှာ သေချာတယ်။

And so what I'd like to do now

ဒီတော့ အခု ကျွန်တော် လုပ်ချင်တာက

is first see how well you might perform as passport officers.

နိုင်ငံကူးလက်မှတ် အရာရှိတွေအနေနဲ့ ဘယ်လောက် ကောင်းကောင်း လုပ်နိုင်လဲဆိုတာပါ။

So here are four pairs of images,

ဒီတော့ ဒီမှာ ဓာတ်ပုံ လေးစုံ၊

some students’ ID images and some student photos.

ကျောင်းသားကတ် ဓာတ်ပုံတွေနဲ့ ကျောင်းသား ဓာတ်ပုံတွေပါ။

For each pair, I'd like you to decide whether it's a match,

တစ်စုံစီအတွက်တော့ ဆုံးဖြတ်စေချင်တာက ဒါက တွဲဖက်ညီတာတစ်ခု၊

so two images of the same person,

လူတစ်ယောက်တည်းရဲ့ ပုံနှစ်ပုံလား၊

or a mismatch,

တွဲဖက်မညီတာတစ်ခု၊

two images of different people.

မတူတဲ့ လူတွေရဲ့ ပုံနှစ်ပုံလားဆိုတာပါ။

Some of you might be surprised to hear that the top two pairs are matches,

ထိပ်က နှစ်စုံက လိုက်ဖက်တော့ တူတဲ့လူတွေရဲ့ ပုံတွေ၊ အောက်က နှစ်စုံက မလိုက်ဖက်တာကို

so images of the same people,

ပြတော့ မတူတဲ့ နှစ်ယောက်ဆိုတာ

and the bottom two pairs show mismatches,

သိရတော့ သင်တို့ထဲက တချို့က

so two different people.

အံ့အားသင့်လောက်တယ်။

Now we know this task is particularly difficult

ပုံတွေက အကျွမ်းတဝင်မရှိတဲ့ အမှတ်အသားတွေကို ပြတဲ့အခါ၊

when the images show identities that we're unfamiliar with.

ဒီအလုပ်ဟာ အထူး ခက်ခဲတယ်ဆိုတာ ကျွန်တော်တို့ သိပါတယ်။

This is because it's hard to take into account the changes

ဒါက အချိန်ကာလတစ်လျှောက် မျက်နှာပေါ်မှာ ဖြစ်ပျက်နိုင်တဲ့

that can happen to the face across time,

အပြောင်းအလဲတွေကို ထည့်တွက်ဖို့ ခက်တာအပြင်၊

as well as over different situations,

မတူညီတဲ့ အခြေအနေတွေ၊

so changes in facial expression or lighting, for instance.

ဥပမာ၊ မျက်နှာပေး ဒါမှမဟုတ် အလင်းရောင် ပြောင်းလဲမှုတွေကြောင့်ပါ။

We know this task is difficult for passport officers as well,

ဒီအလုပ်က နိုင်ငံကူးလက်မှတ် အရာရှိတွေအတွက် လည်းခက်ခဲတာ ကျွန်တော်တို့ သိပါတယ်။

and they also make mistakes.

သူတို့လည်း အမှားတွေ လုပ်ကြတယ်။

So this is why I thought it would be particularly interesting

ဒါကြောင့် ဒီအရေးပါတဲ့ လုံခြုံရေး အခြေအနေမှာ

to look at the relationship between insight and ability

ထိုးထွင်းအမြင်နဲ့ စွမ်းရည်ကြားက ဆက်နွှယ်မှုကို ကြည့်ရတာက အထူး

in this important security context.

စိတ်ဝင်စားစရာဖြစ်မယ်လို့ ကျွန်တော် ထင်ခဲ့တာပါ။

So given the issues we’ve described already

ယေဘုယျ ရမှတ်တွေနဲ့ လူတွေ ကိုယ့်ကိုယ်ကိုယ်

with looking at overall scores and people’s self-estimates,

ခန့်မှန်းတာတွေကို ကြည့်ရင်း ဖော်ပြခဲ့တဲ့ ပြဿနာတွေထက်၊

I instead decided to focus on individual decision making.

တစ်ဦးချင်း ဆုံးဖြတ်ချက်ချတာကို အာရုံစိုက်ဖို့ ကျွန်တော် ဆုံးဖြတ်ခဲ့တယ်။

So over a series of experiments,

ဒါနဲ့ ဆက်တိုက် စမ်းသပ်မှုတွေမှာ

I asked people to look at pairs of images

လူတွေကို ဓာတ်ပုံ နှစ်စုံကို ကြည့်ခိုင်းပြီး

and decide whether they were a match or a mismatch.

ပုံတွေက လိုက်ဖက်၊ မလိုက်ဖက်ဆိုတာ ဆုံးဖြတ်ခိုင်းတယ်။

ဒါပေမဲ့ ဆုံးဖြတ်ချက်တစ်ခုစီမှာ လူတွေကို ယုံကြည်မှု အဆင့်တစ်ခုကို ပေးခိုင်းခဲ့တယ်။

But I also asked people to provide a rating of confidence in each decision.

Now a good metacognitive insight

အတွေးဖြစ်စဉ် ထိုးထွင်းအမြင် ကောင်းတစ်ခုက

would be reflected in people being much more confident

မှန်ကန်တဲ့ ဆုံးဖြတ်ချက်တွေမှာ ပိုယုံကြည်မှုရှိပြီး

in decisions that turned out to be correct

မှားယွင်းတဲ့ ဆုံးဖြတ်ချက်တွေမှာ

and much less confident in decisions that turned out to be incorrect.

ယုံကြည်မှု ပိုနည်းလာတဲ့ လူတွေဆီမှာ ထင်ဟပ်နေမှာပါ။

So let's have a look at how people did.

ဒီတော့ လူတွေ လုပ်ခဲ့ပုံကို ကြည့်ရအောင်။

Now I think this pattern is particularly fascinating,

ဒီပုံစံက အထူး စိတ်ဝင်စားစရာ ကောင်းတာအပြင်၊ အတော်လေး

but also fairly intuitive.

အလိုလိုသိတာလို့လည်း ကျွန်တော်ထင်တယ်။

Let's start with the red line,

မှားယွင်းတဲ့ အဖြေတွေမှာ

which represents people's confidence in their incorrect responses.

လူတွေရဲ့ ယုံကြည်မှုကို ကိုယ်စားပြုတဲ့ အနီရောင်မျဉ်းနဲ့ စလိုက်ရအောင်။

So as you can see,

ဒီတော့ မြင်ရတဲ့အတိုင်း၊

it doesn't matter how good people were at the test overall,

အောက်ခြေ X-ဝင်ရိုးပေါ်က ရမှတ်က ကိုယ်စားပြုတဲ့

represented by the score on the X-axis at the bottom there;

စစ်ဆေးမှု တစ်ခုလုံးမှာ လူတွေ ဘယ်လောက်တော်တာက အရေးမပါဘူး။

people were approximately the same

လူတွေ မှားသွားတဲ့အခါ၊ သူတို့ရဲ့ယုံကြည်မှုအရ

in terms of their confidence when they were incorrect.

လူတွေဟာ ခန့်မှန်းအားဖြင့် တူညီကြပါတယ်။

Now what's interesting is the blue line,

စိတ်ဝင်စားစရာက လူတွေ ဆုံးဖြတ်ချက်တွေမှာ

which represents confidence when people were correct in their decisions.

မှန်ကန်တဲ့အခါ၊ ယုံကြည်မှုကို ကိုယ်စားပြုတဲ့ အပြာရောင် မျဉ်းပါ။

As you can see, the best performers on the test

မြင်ရတဲ့အတိုင်း၊ စစ်ဆေးမှုမှာ အတော်ဆုံး ဖြေဆိုသူတွေဟာ

were much more confident in their correct responses

သူတို့ရဲ့ မှားယွင်းတဲ့ အဖြေတွေနဲ့ နှိုင်းယှဉ်လိုက်လျှင်

in comparison with their incorrect ones.

မှန်ကန်တဲ့ အဖြေတွေမှာ ပိုယုံကြည်စိတ်ရှိတယ်။

So shows good metacognitive insight.

ဒါကြောင့် အတွေးဖြစ်စဉ် ထိုးထွင်းအမြင်ကောင်းကို ပြတာပါ။

The weakest performers, on the other hand,

တစ်ဖက်မှာတော့၊ အားအနည်းဆုံး ဖြေဆိုသူတွေဟာ

were no different in their confidence

သူတို့ရဲ့ အဖြေမှန်တွေနဲ့

for their correct and incorrect responses,

အဖြေမှားတွေအတွက် ယုံကြည်မှုအရ မခြားနားဘူး၊

shown here in the green circle.

ဒီနေရာမှာ အစိမ်းရောင် စက်ဝိုင်းမှာ ပြထားပါတယ်။

And so they show poor metacognitive insight.

ဒါတွေက ညံ့ဖျင်းတဲ့ အတွေးဖြစ်စဉ် ထိုးထွင်းအမြင်ကို ပြတာပါ။

So what might be going on with these weak performers?

ဒီတော့ ဒီအားနည်းတဲ့ ဖြေဆိုသူတွေနဲ့ ဘာဆက်ဖြစ်နိုင်လောက်လဲ။

Now it could be the case that they have some sense

သူတို့ဟာ ယေဘုယျ စစ်ဆေးမှုတွေမှာ ညံ့ဖျင်းစွာ

they tend to perform poorly on tests in general,

လုပ်ဆောင်တတ်တယ်ဆိုတဲ့ သဘောတစ်ခု ရှိနိုင်လောက်တာကြောင့်

and so they're just less confident overall in their responses.

သူတို့ရဲ့ အဖြေတွေမှာ ယေဘုယျ ယုံကြည်မှု ပိုနည်းတာပါပဲ။

However, I didn't find that pattern of lower confidence in my data,

ဒါပေမဲ့ အနည်းဆုံး တစ်ဦးချင်း ဆုံးဖြတ်ချက် ချတာပါတဲ့ကျွန်တော့ ဒေတာတွေထဲမှာ

at least with individual decision-making.

ယုံကြည်မှု ပိုနည်းတဲ့ ပုံစံကို ရှာမတွေ့ခဲ့ဘူး။

Instead, it's more likely that they were more confident in their correct responses

ဒါအစား၊ သူတို့ရဲ့ အဖြေမှားတွေနဲ့ နှိုင်းယှဉ်ရင်၊ သူတို့ရဲ့ အဖြေမှန်တွေမှာ

in comparison with their incorrect ones.

ပိုယုံကြည်မှုရှိတာ ပိုဖြစ်နိုင်တယ်။

But this was simply unrelated to their accuracy on each trial

ဒါပေမဲ့ ညံ့ဖျင်းတဲ့ ထိုးထွင်းအမြင် ရှိတာကြောင့်၊ စမ်းသပ်မှုတစ်ခုစီက

because they had poor insight.

တိကျမှန်ကန်မှုနဲ့ ဒါက ဆက်နွှယ်မှုမရှိဘူး။

So how does this all fit in with the Dunning-Kruger effect?

ဒီတော့ ဒါတွေအားလုံးက Dunning-Kruger သက်ရောက်မှုနဲ့ ဘယ်လို ကိုက်ညီနေလဲ။

So Dunning and Kruger argued that the weakest performers

ဒီတော့ အားအနည်းဆုံး ဖြေဆိုသူတွေဟာ အနည်းဆုံး ထိုးထွင်းအမြင် ပမာဏကို ပြသပြီး

show the least amount of insight

သူတို့ရဲ့ စွမ်းဆောင်ရည်ကို ပိုတွက်တယ်လို့

and they overestimated their performance.

Dunning နဲ့ Kruger စောဒကတက်ခဲ့တယ်။

And that's implied that they had greater confidence.

ဒါက သူတို့မှာ ပိုကြီးမားတဲ့ ယုံကြည်မှုရှိတယ်လို သွယ်ဝိုက်ဆိုတာပါ။

Now, we didn't see that here in our data.

ကျွန်တော်တို့ရဲ့ ဒေတာတွေထဲမှာ ဒါကို မတွေ့ဘူး။

The weakest performers didn't seem to be overly confident.

အားအနည်းဆုံး ဖြေဆိုသူတွေက သိပ်ယုံကြည်မှုရှိပုံမရဘူး။

However, the Dunning-Kruger effect

ဒါပေမဲ့ ထိုးထွင်းအမြင်က

also describes how insight depends on ability.

စွမ်းရည်အပေါ် မူတည်ပုံကိုလည်း Dunning- Kruger သက်ရောက်မှုက ဖော်ပြထားတယ်။

And so the weakest performers showed the least amount of insight,

ဒီတော့ အားအနည်းဆုံး ဖြေဆိုသူတွေက သူ တို့ရဲ့အခြေအနေမှာ စွမ်းဆောင်ရည်ကို

overestimating their performance in their case.

ပိုတွက်ရင်း အနည်းဆုံး ထိုးထွင်းအမြင် ပမာဏကို ပြသခဲ့တယ်။

As we've just seen,

မြင်ရတဲ့အတိုင်း၊

the weakest performers do seem to show the least amount of insight.

အားအနည်းဆုံး ဖြေဆိုသူတွေကအနည်းဆုံး ထိုးထွင်းသိမြင်မှု ပမာဏကို ပြသနေပုံရတယ်။

Here, they couldn't differentiate between their correct and incorrect responses.

ဒီမှာ သူတို့ဟာ သူတို့ရဲ့ အဖြေမှန်တွေနဲ့ အဖြေမှားတွေကို မခွဲခြားနိုင်ကြဘူး။

So insight does appear to depend on ability,

ဒါကြောင့် ထိုးထွင်းအမြင်က စွမ်းရည်အပေါ် မူတည်နေပုံရပေမဲ့၊

but not in the way that Dunning and Kruger originally thought.

Dunning နဲ့ Kruger တို့ရဲ့ မူလ တွေးခေါ်ခဲ့ပုံမှာတော့ မဟုတ်ဘူး။

So if there are two things I'd like you to remember from this talk

ဒီတော့ ဒီဟောပြောချက်ကနေ သင်တို့ကို မှတ်မိ၊ ယူဆောင်ကာ

and take home, think about afterwards,

နောက်ပိုင်း စဉ်းစားကြည့်စေချင်တာ နှစ်ခု ရှိမယ်ဆိုရင်၊

they are: first, more broadly, science is always updating.

ဒါတွေကတော့ ပထမ၊ ပိုယေဘုယျဆန်တာ သိပ္ပံပညာဟာ အမြဲတမ်း မွမ်းပြင်ဆင်နေတာပါ။

Research comes along, new evidence that may contradict

သုတေသနက ပေါ်လာတာက အရင် လက်ရာကို ဆန့်ကျင် ဒါမဟုတ်

or even disprove previous work.

အတည်မပြုနိုင်လောက်တဲ့ အထောက်အထားအသစ်တွေပါ။

In this case, the Dunning-Kruger effect may well not be a thing,

ဒီဖြစ်ရပ်မှာ၊ အများကြိုက် ယဉ်ကျေးမှုမှာ ပျံ့နှံ့ လွန်းနေပေမဲ့၊

despite the fact that it's so prevalent in popular culture.

Dunning-Kruger သက်ရောက်မှုက မမှန်လောက်ပါဘူး။

Second, insight depends on ability.

ဒုတိယက၊ ထိုးထွင်းအမြင်က စွမ်းရည်အပေါ် မူတည်တယ်။

For the weakest performers,

အားအနည်းဆုံး ဖြေဆိုသူတွေအတွက်

there's no difference between their confidence

မှန်တာအတွက် ယုံကြည်မှုနဲ့ မှားတဲ့

for correct and incorrect responses.

အဖြေတွေကြားမှာ ခြားနားချက် မရှိတာပါ။

They have poor insight, they can't tell the difference.

သူတို့မှာ ထိုးထွင်းအမြင် နည်းတယ်၊ ခြားနားချက်ကို မသိနိုင်ဘူး။

For strong performers,

အားကောင်းတဲ့ ဖြေဆိုသူတွေအတွက်တော့၊

when they're giving a correct answer,

အဖြေမှန်တစ်ခုကို ပေးတဲ့အခါ၊

they're much more confident.

အများကြီး ပိုယုံကြည်မှုရှိတယ်။

Of course, the inverse isn't always true.

တကယ်တော့ ပြောင်းပြန်က အမြဲတမ်း မမှန်ဘူး။

Being more confident doesn't mean that you're right.

ပိုယုံကြည်မှုရှိတာက၊ သင် မှန်တယ်လို့ မဆိုလိုဘူး။

You might be wrong and simply have poor insight.

သင်က မှားနိုင်ပြီး ထိုးထွင်အမြင် နည်းတာသက်သက်ပါ။

So in our everyday lives,

ဒီတော့ ကျွန်တော်တို့ရဲ့ နေ့စဉ် ဘဝတွေမှာ၊

you should think about who it is that you ask the opinions of.

ဘယ်သူ့ရဲ့ ထင်မြင်ချက်ကို သင် မေးလိုက်လဲ ဆိုတာကို စဉ်းစားသင့်တယ်။

If someone is an expert in their field,

တစ်ယောက်ယောက်က သူ့နယ်ပယ်မှာ ကျွမ်းကျင်သူဆိုရင်၊

then if they're more confident, they're probably right,

သူက ပိုယုံကြည်မှုရှိရင်၊ သူက မှန်လောက်ပေမဲ့၊

but if they're unsure,

မသေမချာဖြစ်နေရင်တော့၊

this is also informative and tells us something useful.

ဒါက အသိအမြင်ပေးပြီး အသုံးဝင်တာတစ်ခုခုကိုလည်း ပြောပြပါတယ်။

It's much more sensible to find someone that we know is knowledgeable in an area,

ယုံကြည်မှုက အလွယ် ယုံမှားမိတာကြောင့်၊ လူတစ်ယောက်က သူ့အမြင်အရ ယုံကြည်မှုရှီတာထက်၊

rather than someone who is simply confident in their opinion,

နယ်ပယ်တစ်ခုမှာ နှံ့စပ်တဲ့ ကိုယ်သိတဲ့ တစ်ယောက်ယောက်ကို

because confidence is easily misplaced.

ရှာာဖွေတာက အများကြီး ပိုအမြော်အမြင်ရှိတာပါ။

And finally,

နောက်ဆုံးတော့

for those of you who are still wondering how good my risotto actually is,

ကျွန်တော့ထမင်းပေါင်း တကယ် ဘယ်လောက် ကောင်းတာ သိချင်နေတဲ့ သူတွေအတွက်တော့

that may have to wait for a future talk.

နောက်ဟောပြောချက်ကို စောင့်ရနိုင်တယ်။

Thank you.

ကျေးဇူးတင်ပါတယ်။

(Applause)

(လက်ခုပ်သံများ)