Un principe psychologique cité dans d’innombrables best-sellers, formations d’entreprise et vidéos courtes pourrait bien n’être qu’une illusion statistique.
La semaine dernière, un article publié en 2020 est réapparu en une de Hacker News, suscitant 110 points et 112 commentaires au cours d’un débat passionné. Issu de l’Organisation pour la science et la société de l’Université McGill, l’auteur Jonathan Jarry s’est plongé dans la littérature scientifique pour vérifier une idée reçue. Sa conclusion est sans appel : le célèbre effet Dunning-Kruger — l’idée selon laquelle « moins on en sait, plus on est confiant » — pourrait n’être qu’un tour de passe-passe statistique.
En quoi consistait l’effet à l’origine
En 1999, Justin Kruger et David Dunning, de l’Université Cornell, publient l’article fondateur Unskilled and Unaware of It dans le Journal of Personality and Social Psychology. Des étudiants effectuent des tests de grammaire, d’humour et de raisonnement logique, évaluent leur propre percentile de réussite, puis le comparent à leur résultat réel. Les résultats révèlent que les étudiants situés dans le quart inférieur (les 25 % les moins performants) surestiment massivement leurs capacités (obtenant 15 % en réalité mais s’auto-évaluant à 60 %), tandis que les meilleurs se sous-estiment légèrement (s’évaluant à 70 % pour 90 % de réussite réelle). L’année suivante, l’étude reçoit le prix Ig-Nobel.
La vulgarisation scientifique a rapidement résumé cette découverte sous la forme d’une courbe en quatre étapes : la « montagne de la stupidité », la « vallée du désespoir », la « pente de l’illumination » et le « plateau de la soutenabilité » — en plaçant ceux qui « ne savent pas qu’ils ne savent pas » au sommet de la montagne de la stupidité. Or, ces quatre étapes n’apparaissent nulle part dans l’article d’origine ; elles sont le fruit de créations ultérieures sur Internet.
Plus négligée encore est la mise au point de Dunning lui-même. Dans une réponse adressée à Jarry, Dunning précise : « Cet effet parle de nous-mêmes, pas des autres. » Son sens initial était de rappeler que n’importe qui, dans un domaine qu’il ne maîtrise pas, a tendance à surestimer ses compétences. Il n’a jamais été conçu comme un permis de se moquer d’autrui.
Comment ce célèbre graphique a été construit
Le problème réside dans le graphique désormais célèbre. Dans l’expérience originale, chaque étudiant fournit deux données : son auto-évaluation et sa note réelle. Dunning et Kruger divisent les étudiants en quatre groupes (quartiles) selon leurs notes réelles, calculent les moyennes par groupe et relient les points par deux lignes.
Figure : Courbe « auto-évaluation vs note réelle » par quartiles de performance dans l’article d’origine. Source : mcgill.ca
À première vue, la preuve semble irréfutable : les personnes moins compétentes n’ont pas conscience de leurs lacunes.
Pourtant, ce même graphique peut être tracé sans le moindre sujet humain. En 2016 et 2017, l’équipe du statisticien Ed Nuhfer publie deux articles dans la revue Numeracy, démontrant que des données purement aléatoires générées par ordinateur produisent des graphiques quasi identiques. Lorsque l’auteur de McGill demande au psychologue Patrick McKnight de répliquer la simulation — McKnight croyait alors fermement à l’effet Dunning-Kruger et l’enseignait en cours —, ce dernier exécute des simulations en R et change d’avis. Dès 2002, l’équipe d’Ackerman avait réalisé des simulations similaires sans attirer l’attention à l’époque.
Figure : Courbe simulée par McKnight à partir de données purement aléatoires, quasi identique aux résultats initiaux. Source : mcgill.ca
Pourquoi des données aléatoires se font passer pour une loi psychologique
Ce phénomène s’explique par la régression vers la moyenne (regression to the mean).
L’exemple de la chance aux examens l’illustre parfaitement : si votre niveau habituel tourne autour de 80/100, mais que vous obtenez 60 à une épreuve en raison d’un coup de fatigue ou de pas de chance, votre note remontera très probablement à l’examen suivant. À l’inverse, si la chance vous offre un 95, votre résultat ultérieur aura tendance à redescendre vers votre moyenne. Plus une performance est extrême, plus la part de hasard est grande et plus la mesure suivante tend à se rapprocher de la moyenne. Le syndrome de la deuxième année chez les sportifs ou la baisse de température le lendemain d’une fièvre relèvent du même principe.
Dans les données de Dunning-Kruger, le même mécanisme opère en sens inverse : l’auto-évaluation et la compétence réelle ne coïncident pas parfaitement car l’auto-évaluation comporte une part importante de bruit (humeur, confiance du moment, familiarité avec les sujets). Lorsque le bruit de mesure est élevé, un effet géométrique inévitable apparaît : les moins bons candidats ne peuvent que surestimer leur note (n’ayant quasiment pas de marge vers le bas), tandis que les meilleurs ne peuvent que la sous-estimer. Aucune哪個 biais psychologique n’est nécessaire — tant que le niveau réel et l’auto-évaluation ne sont pas parfaitement corrélés, le graphique produit naturellement la courbe de Dunning-Kruger.
Un commentateur de Hacker News l’a résumé avec clarté : le groupe du bas ne peut pas se sous-évaluer davantage, et le groupe du haut ne peut pas se surestimer davantage. Dès lors que les deux variables ne sont pas parfaitement liées, cette courbe émerge d’elle-même. La seule part réellement intéressante serait la composante non linéaire en dehors de cette courbe — et dans les données actuelles, ce signal demeure extrêmement faible.
En 2020, Gignac et Zajenkowski publient une étude dans la revue Intelligence analysant des auto-évaluations de QI avec des méthodes plus rigoureuses, intitulée L’effet Dunning-Kruger est (principalement) un artefact statistique. En appliquant des contrôles adéquats, l’effet disparaît pratiquement. Leurs simulations montrent également que plus l’erreur de mesure est grande, plus l’effet Dunning-Kruger paraît fort. Il est rare en science que « plus l’erreur est grande, plus la conclusion est forte », ce qui constitue en soi un signal d’alarme.
Le débat n’est pas clos : des arguments de chaque côté
Nuhfer et Gignac ne sont pas les seuls à émettre des doutes, mais les partisans de la théorie ont répliqué avec d’autres travaux, maintenant le débat ouvert depuis cinq ans :
| Version Critique | Version Partisane |
|---|---|
| Nuhfer et al. (2016/2017) : Des données aléatoires reproduisent l’effet | Équipe de Dunning : Des travaux de 2002 et 2008 ont testé directement la régression vers la moyenne et soutiennent que l’effet persiste après correction du bruit |
| Ackerman et al. (2002) : Des simulations révèlent des artefacts similaires | Jensen et al. (2021) : Deux études sur plus de 3 500 sujets soutiennent l’explication métacognitive |
| Gignac & Zajenkowski (2020) : L’effet est principalement une illusion statistique | Dunkel et al. (2023) : Une réanalyse avec d’autres méthodes montre un effet statistiquement significatif, bien que très faible |
| Hiller (2023) : Conteste les méthodes de traitement de données de G&Z | Dunning (2025) : Publication d’une défense dans la revue de la Société Britannique de Psychologie |
Le consensus actuel s’oriente vers un compromis moins spectaculaire : l’effet Dunning-Kruger existe peut-être, mais il a été considérablement exagéré. En tant que règle universelle affirmant que « la plupart des gens ne savent pas s’évaluer », il ne tient pas la route. En tant que phénomène selon lequel « une petite minorité se surestime gravement », des indices subsistent — dans les données de Nuhfer, seuls 5 à 6 % des sujets correspondaient réellement au profil « incompétent et inconscient ».
Ce que cela signifie au quotidien
Premièrement, cessons d’utiliser l’expression « Dunning-Kruger » comme une étiquette facile pour rabaisser autrui. Lorsqu’une personne affirme une erreur avec assurance, il ne s’agit pas nécessairement de cet effet : il peut simplement s’agir d’un biais de surconfiance (overconfidence bias) ou de l’illusion de supériorité (« meilleur que la moyenne »), sachant que plus de 80 % des conducteurs estiment mieux conduire que la moyenne. Ces biais psychologiques sont bien documentés, et la psychologie n’a pas besoin de l’effet Dunning-Kruger pour expliquer la bêtise confiante.
Deuxièmement, le rappel de Dunning selon lequel « cet effet parle de nous-mêmes » reste la leçon la plus précieuse. Dans les domaines que nous ne maîtrisons pas, notre sentiment personnel est ce qu’il y a de moins fiable. C’est précisément pour cela que les retours extérieurs objectifs — notes d’examens, bilans médicaux, évaluations de pairs, sanctions du marché — ont bien plus de valeur que le simple « j’ai l’impression de comprendre ».
Troisièmement, gardons une saine dose de scepticisme face aux idées reçues qui semblent « trop séduisantes ». L’effet Dunning-Kruger s’est répandu pendant deux décennies parce que son récit est gratifiant : il permet à chacun de prendre de la hauteur et de se dire « regarde celui-là, il ne sait même pas qu’il ne sait pas ». Plus une conclusion est confortable, plus il convient de se demander : est-ce vraiment ce que disent les données brutes ?
En tant que mythe populaire de l’« ignorance confiante », l’effet Dunning-Kruger ressort très affaibli du réexamen des données. Mais en tant que controverse scientifique vieille de plus de vingt ans, le débat est loin d’être clos. Que des psychologues et des statisticiens continuent de s’affronter est une leçon en soi : plus une conclusion est belle, plus il faut retourner vérifier les données d’origine. C’est ce qui explique qu’un article de 2020 suscite encore aujourd’hui 112 commentaires animés sur Hacker News.
Liens de référence :
- McGill OSS : The Dunning-Kruger effect may just be a data artefact
- Discussion sur HN (item?id=49160437)
- Kruger & Dunning (1999) : Unskilled and Unaware of It
- Gignac & Zajenkowski (2020) : The Dunning-Kruger effect is (mostly) a statistical artefact
- Nuhfer et al. (2016/2017) : Articles parus dans la revue Numeracy
- Dunkel et al. (2023) : Reevaluating the Dunning-Kruger effect
- Dunning (2025) : The Dunning-Kruger effect and its discontents (Société Britannique de Psychologie)
