Wenn einem im Streit die Argumente ausgehen, gibt es einen bequemen Ausweg: Man wirft dem anderen einfach den Dunning–Kruger-Effekt vor. Er verstehe so wenig vom Thema, dass er nicht einmal seine eigene Inkompetenz bemerke. Je entschiedener er widerspricht, desto eindeutiger scheint die Diagnose. Und jede Verteidigung lässt sich als weiteres Symptom auslegen.

Der Vorwurf klingt wissenschaftlich. Mit der Wissenschaft dahinter ist es allerdings komplizierter. Psychologen stellten tatsächlich fest, dass Menschen mit schlechteren Ergebnissen bei bestimmten Tests dazu neigen, ihre Leistung im Vergleich zu anderen stärker zu überschätzen. Sie schlugen dafür eine psychologische Erklärung vor und fanden experimentelle Hinweise, die sie stützten. Später zeigte sich jedoch, dass ein ähnliches Muster auch aus anderen Gründen entstehen kann, etwa durch Eigenschaften der Messung selbst.

Was diese Studien nicht erlauben: aus der Selbstsicherheit eines Menschen im Streit abzuleiten, wie gut er sein Thema wirklich versteht.

Im August 2026 wurde auf Hacker News ein ziemlich radikaler Vorschlag aus der Biotechnologie diskutiert. Ein Teilnehmer schrieb dem Verfasser, sein Name gehöre ins Wörterbuch, gleich neben den Dunning–Kruger-Effekt [1]. Keine Auseinandersetzung mit dem Vorschlag, kein Gegenargument. Zwei Nachnamen mussten offenbar genügen.

Woher kommt der „Berg der Dummheit“?

Wahrscheinlich kennen Sie die Grafik: Jemand hat sich gerade erst mit einem Thema beschäftigt und erklimmt schon den Gipfel der Selbstüberschätzung, den „Berg der Dummheit“ (Mount Stupid). Dahinter warten das „Tal der Verzweiflung“ und der lange Aufstieg zum „Hang der Erleuchtung“.

Eine äußerst praktische Grafik. Fast jeder unangenehme Diskussionspartner findet darauf Platz, am besten möglichst weit oben.

Nur findet sich eine solche Abbildung in der Arbeit von Justin Kruger und David Dunning aus dem Jahr 1999 überhaupt nicht [2]. Die Autoren untersuchten auch nicht, wie sich das Selbstvertrauen einer einzelnen Person beim Lernen verändert. Vielmehr ließen sie verschiedene Personen Aufgaben zu Humor, Grammatik und Logik lösen und anschließend ihre Fähigkeiten im Vergleich zu den anderen einschätzen.

Im ersten Experiment lag das unterste Viertel der Teilnehmer nach seinen tatsächlichen Ergebnissen ungefähr beim 12. Perzentil, schätzte sich aber etwa beim 58. Perzentil ein. Ein Perzentil bezeichnet die Position innerhalb einer Gruppe: Wer am 20. Perzentil liegt, hat ein besseres Ergebnis erzielt als ungefähr 20 % der Teilnehmer.

Die Leistungsstärkeren schätzten ihre Fähigkeiten ebenfalls höher ein, nur stiegen ihre Selbsteinschätzungen weit weniger stark als ihre tatsächlichen Ergebnisse. Einen unvermeidlichen Gipfel der Selbstüberschätzung bei Anfängern wies die Studie nicht nach.

Kruger und Dunning vermuteten, dass man für das Lösen einer Aufgabe und das Erkennen eigener Fehler zumindest teilweise dieselben Fähigkeiten braucht. Ein Schachanfänger sieht womöglich nicht, dass ihm in drei Zügen ein Matt droht. Seine Zuversicht muss nichts mit Arroganz zu tun haben: Vielleicht fehlt ihm einfach noch das Wissen, um die Gefahr zu erkennen.

In einem der Experimente wurden Teilnehmer im logischen Denken geschult. Danach schätzten sie ihre eigenen Leistungen genauer ein. Das ist ein ernst zu nehmender Befund zugunsten des vorgeschlagenen Mechanismus. Es wäre also unfair, die Arbeit von 1999 wegen einer Grafik abzutun, die darin gar nicht vorkommt.

Mit der Zeit begannen andere Forscher, auch nüchternere Erklärungen für die Kurve zu prüfen. Ihr Ausgangspunkt war die Art, wie die Leistung überhaupt gemessen wird.

Eine Regel zu kennen heißt noch nicht, sie zu verstehen

Hinter dem Streit über die Grafiken steckt eine grundsätzlichere Frage. Selbst wenn Forscher die Testergebnisse und Selbsteinschätzungen der Teilnehmer kennen, können sie nicht immer feststellen, warum jemand einen Fehler macht. Trotzdem trauen wir uns manchmal zu, die Kompetenz eines Fremden anhand eines einzigen selbstsicheren Kommentars im Internet zu beurteilen.

Hier sollte man unterscheiden: Wie gut kennt jemand ein Fachgebiet? Und wie gut erkennt er die Grenzen seines eigenen Wissens?

Aus der Schule kennen viele eine einfache Regel: Aus einer negativen Zahl kann man keine Quadratwurzel ziehen.

Ein Schüler lernt den Satz auswendig, schreibt eine Klassenarbeit, bekommt eine Eins. Jetzt kann er die Regel auch allen anderen erklären. Sagt ihm aber ein Mathematikprofessor, dass die Gleichung x² = −1 Lösungen hat, ist der Protest womöglich groß. Schließlich hat er in der Schule etwas anderes gelernt!

Das Interessante daran: Beide haben recht, solange sie über unterschiedliche Zahlbereiche sprechen. Bei den reellen Zahlen gibt es keine Lösung. Bei den komplexen Zahlen gibt es zwei: i und −i, wobei i² = −1 gilt.

Der Professor weiß, dass die Schulregel nur im Bereich der reellen Zahlen gilt. Erweitert man den Zahlbereich, tauchen Lösungen auf, die es im engeren Bereich nicht gab.

Der Schüler dagegen kann sich die Regel perfekt merken, ohne zu begreifen, dass sie nur für einen bestimmten Zahlbereich gilt. Und schon wird aus einem richtigen Satz eine falsche Schlussfolgerung.

Übrigens passt dieses Beispiel recht gut zur ursprünglichen Hypothese von Kruger und Dunning. Einem Menschen kann das Wissen fehlen, um eine Aufgabe richtig zu lösen, und zugleich, um den eigenen Fehler zu bemerken. Das ist die „doppelte Last“ der Inkompetenz. Sie trifft nicht nur Schüler: Auch Fachleute können die Grenzen ihres Wissens überschreiten, ohne es zu merken. Deshalb erklärt das Etikett allein noch gar nichts. Man muss zeigen, an welcher Stelle die Überlegung scheitert.

Gerade dieser Unterschied beschäftigt mich schon lange, wenn über Experten gestritten wird. Jemand eignet sich ein Fach an, lernt Definitionen, besteht Prüfungen, erhält einen Abschluss und die Berechtigung, seinen Beruf auszuüben. Nach den geltenden Maßstäben ist er kompetent. Aber wie gut kann er diese Maßstäbe selbst überprüfen, versteckte Annahmen erkennen und über das vertraute Modell hinausdenken?

Eine berufliche Qualifikation gibt gute Gründe, einem Fachmann zu vertrauen: Dahinter stehen Ausbildung, Praxis und Prüfungen. Sie beweist jedoch nicht, dass jede seiner Schlussfolgerungen richtig ist. Ein Arzt kann sich bei einer Diagnose irren, ein Mathematiker eine falsche Voraussetzung übersehen und ein Forscher die Aussagekraft seiner Daten überschätzen.

Eine konkrete Behauptung muss man an ihrer Begründung prüfen, nicht am Lebenslauf desjenigen, der sie aufstellt.

Die folgende Grafik unterscheidet zwischen Fachwissen und der Fähigkeit, Schlussfolgerungen eigenständig zu überprüfen.

Matrix aus Fachwissen und der Fähigkeit, Argumente selbstständig zu prüfen: Alice, Sherlock Holmes, Pinocchio und Professor Allwissend.

In der Praxis braucht man beides. Fachwissen erspart uns, alles erneut zu erfinden, was andere längst überprüft haben. Eigenständiges Denken hilft zu erkennen, wenn sich die Bedingungen geändert haben oder eine vertraute Erklärung einen wichtigen Aspekt ausblendet.

Der Einwand eines Menschen ohne einschlägige Ausbildung kann einen Fehler eines Experten aufdecken. Er kann sich aber auch in Luft auflösen, sobald man ihn an längst bekannten Fakten prüft. Entscheidend ist, den Einwand zu prüfen und nicht den Menschen, von dem er kommt.

Selbstsicherheit allein verrät nicht, wer ein Thema besser versteht. Ein Mathematikprofessor kann sich der Existenz komplexer Zahlen vollkommen sicher sein, und dafür hat er gute Gründe. Ein Schüler kann genauso sicher das Gegenteil behaupten, weil er die Schulregel für ein allgemeines Gesetz der Mathematik hält.

Wie Statistik Selbstüberschätzung vortäuschen kann

Stellen wir uns zwei Menschen mit genau derselben Vorbereitung vor. Beide lösen im Durchschnitt 70 % der Aufgaben richtig. Der eine bekommt einen ungünstigen Fragensatz und erreicht 60 %, der andere hat mehr Glück und schafft 80 %. Beide schätzen ihr Können auf 70 % ein. Wer hat sich überschätzt? Im Grunde keiner. Vergleichen wir diese Einschätzungen aber mit den Ergebnissen genau dieses Tests, wirkt der Erste um 10 Prozentpunkte „zu selbstsicher“, der Zweite um weitere 10 Prozentpunkte „zu bescheiden“.

Nun teilen wir die Teilnehmer anhand ihrer Testergebnisse in Gruppen ein. Unter den Schwächeren finden sich überdurchschnittlich viele, die bei diesem Test Pech hatten; unter den Stärkeren mehr Menschen, denen die Fragen lagen. Schon entsteht das bekannte Muster: Die Leistungsschwachen scheinen sich zu überschätzen, die Leistungsstarken sich zu unterschätzen. Dabei hat in unserem Beispiel niemand sein tatsächliches Können falsch eingeschätzt.

Dazu kommt eine rechnerische Falle. Den „Fehler der Selbsteinschätzung“ berechnet man als Selbsteinschätzung minus Testergebnis und setzt diese Differenz dann mit demselben Testergebnis in Beziehung. Bleibt die Selbsteinschätzung gleich, senken 10 zusätzliche Testpunkte den berechneten „Fehler“ automatisch um 10 Punkte. Dieselbe Größe steht auf beiden Seiten des Vergleichs.

Das bedeutet nicht, dass der Dunning–Kruger-Effekt vollständig erfunden wäre. Es bedeutet, dass die Form einer Kurve uns noch nicht verrät, wodurch sie entstanden ist. Joachim Krueger und Ross Mueller wiesen auf dieses Problem hin [3]. Nuhfer und Kollegen [4] sowie Gignac und Zajenkowski [5] untersuchten den Einfluss von Zufallsrauschen und Messverfahren.

Eine kleine Pointe am Rande: Justin Kruger, Mitautor der Studie von 1999, und Joachim Krueger, der 2002 Kritik veröffentlichte, sind zwei verschiedene Menschen. Sonst könnte man glauben, Kruger habe seine Meinung nach drei Jahren geändert, um sich selbst zu widerlegen.

Blair Fix erhielt eine ähnliche Kurve sogar aus Zufallsvariablen [6]. Sein Modell setzt allerdings von vornherein voraus, dass Selbsteinschätzung und Leistung nicht zusammenhängen. Es ist ein nützlicher mathematischer Test, aber kein Abbild realen menschlichen Verhaltens, wie Kritiker betonten [7]. Jansen und Kollegen fanden andererseits Hinweise darauf, dass schwächere Teilnehmer Informationen über ihre eigenen Fehler tatsächlich schlechter nutzen [8].

Die Kurve gibt es. Offen bleibt, welcher Teil ihrer Form etwas über Psychologie aussagt und welcher Teil aus dem Messverfahren entsteht. Um das zu klären, brauchen wir weitere Daten, keine Vermutungen über den Charakter der Teilnehmer.

Ein Test, zwei völlig verschiedene Selbsteinschätzungen

Was heißt eigentlich, sich selbst zu überschätzen? Sich bei der Zahl der richtigen Antworten zu irren? Oder die eigene Position im Vergleich zu anderen falsch einzuschätzen? Die beiden Fragen klingen ähnlich, betreffen aber zwei unterschiedliche Messgrößen.

In einem Experiment von McIntosh und Kollegen aus dem Jahr 2022 lösten die Teilnehmer Aufgaben mit Matrizen. Anschließend schätzten die Teilnehmer selbst ein, wie viele Antworten richtig waren und welchen Platz sie im Vergleich zu anderen Studierenden einnahmen [9]. Wir bei The Null Institute haben die veröffentlichten Daten von 151 Personen unabhängig nachgerechnet [10]. Hier die Ergebnisse der 38 Personen im untersten Viertel des Vortests:

Was wurde eingeschätzt?SelbsteinschätzungTatsächliches Ergebnis
Anteil richtiger Antworten76,0 %76,1 %
Position im Vergleich zu anderen (Perzentil)51,219,8

In der ersten Zeile stimmen Schätzung und tatsächliches Ergebnis fast genau überein. In der zweiten beträgt der Abstand dagegen 31,4 Perzentilpunkte. Dieselben Menschen konnten im Durchschnitt recht gut einschätzen, wie viele Aufgaben sie richtig gelöst hatten, überschätzten aber ihren Platz im Vergleich zu anderen erheblich.

Allerdings gilt diese beinahe punktgenaue Übereinstimmung nur im Durchschnitt. Von den 38 Personen überschätzten 22 die Zahl ihrer richtigen Antworten, 14 unterschätzten sie und zwei lagen genau richtig. Der mittlere absolute Fehler betrug 7,7 Prozentpunkte. Ein Teil der Fehler hob sich gegenseitig auf.

Bei diesem Vergleich gibt es wichtige Einschränkungen. Die Teilnehmer sollten ihren Platz unter den Studierenden der Universität Edinburgh einschätzen. Wir berechneten das tatsächliche Perzentil dagegen innerhalb der untersuchten Stichprobe. Außerdem war die Skala zur Selbsteinschätzung ungewöhnlich: Ihr Nullpunkt entsprach 50 % richtigen Antworten, also dem erwarteten Ergebnis beim Raten. Unsere Nachrechnung berücksichtigt diese Skala. Wie jeder einzelne Teilnehmer sie verstanden hat, können wir aber nicht feststellen [9], [10].

Über die gesamte Stichprobe hinweg unterschätzten die Teilnehmer ihre eigenen Ergebnisse im Mittel sogar um 7,64 Prozentpunkte. Trotzdem blieb der Zusammenhang zwischen der Leistung im Vortest und dem Fehler der Selbsteinschätzung negativ. Im obersten Viertel lag das durchschnittliche Testergebnis bei rund 97 %: Nach oben blieb kaum Raum für eine Überschätzung, nach unten dagegen reichlich.

Der eigene Punktwert und der Rang unter anderen sagen also nicht dasselbe aus. Man kann ziemlich genau wissen, wie viele Aufgaben man gelöst hat, und trotzdem stark danebenliegen, wenn man seinen Platz in einer Gruppe einschätzt. Die Unterscheidung zwischen absoluter und relativer Selbsteinschätzung ist seit Langem bekannt [11]. Wir haben einen konkreten Datensatz unabhängig überprüft und keinen neuen psychologischen Effekt entdeckt. Ausführliche Tabellen, Methodik und Code finden sich in der Forschungsnotiz von The Null Institute.

Wenn Fachleute ihre Empfehlungen ändern

Während der COVID-19-Pandemie wurde besonders deutlich, wie groß der Abstand zwischen Fachwissen, Verständnis und praktischen Entscheidungen sein kann.

Die Sicherheit von Impfstoffen, das Infektionsrisiko und der Nutzen einzelner Maßnahmen mussten anhand unterschiedlicher Daten beurteilt werden. Empfehlungen wurden dabei nicht selten als fertige Antworten verstanden, die Menschen ohne Fachausbildung nur noch akzeptieren sollten. Zweifel ließen sich dann mit angeblicher Inkompetenz abtun, statt die Einwände sachlich zu prüfen.

Der Fall des AstraZeneca-Impfstoffs zeigt, warum das problematisch ist.

Nach Beginn der Massenimpfungen gab es Berichte über eine seltene Kombination von Thrombosen und einer verminderten Zahl von Blutplättchen. Am 7. April 2021 empfahl der britische Gemeinsame Ausschuss für Impfungen und Immunisierung (JCVI), Erwachsenen unter 30 Jahren ohne zusätzliche Risikofaktoren nach Möglichkeit einen alternativen Impfstoff anzubieten [12].

Die Änderung beruhte auf neuen Daten zu einer schweren Nebenwirkung und zum Verhältnis von Nutzen und Risiko in dieser bestimmten Personengruppe.

Was mich an solchen Geschichten ärgert, ist nicht, dass Empfehlungen geändert werden. Genau das sollten Fachleute tun, wenn neue Erkenntnisse es rechtfertigen. Schlimmer wird es, wenn die berufliche Qualifikation als Schutzschild gegen Fragen dient.

Jemand ohne medizinische Ausbildung kann einen berechtigten Einwand haben oder sich gründlich irren. Das muss sich an den verfügbaren Daten entscheiden. Ihn für inkompetent zu erklären oder Dunning und Kruger ins Spiel zu bringen, beantwortet seine Frage jedenfalls nicht.

Wer ist hier eigentlich kompetent?

Schon das Wort „Kompetenz“ kann in die Irre führen. Statt einen konkreten Fehler zu untersuchen, beginnen wir beinahe unmerklich, den ganzen Menschen zu beurteilen.

Kruger und Dunning untersuchten den Zusammenhang zwischen der Leistung bei bestimmten Aufgaben und den Vorstellungen der Teilnehmer von den eigenen Fähigkeiten. Aus ihren Studien lässt sich nicht ableiten, wie tief jemand ein Thema versteht, nur weil er einen einzigen selbstsicheren Kommentar geschrieben hat. Erst recht sind sie kein Beleg dafür, dass jeder Widerspruch gegen einen Experten ein psychologisches Defizit verrät.

Das zeigt sich sogar in den Daten von 1999. Im zweiten Experiment lag das unterste Viertel beim Logiktest im Mittel ungefähr am 12. Perzentil, das oberste am 86. Perzentil. Ihren eigenen Rang schätzten die beiden Gruppen dagegen fast gleich ein: auf dem 62. beziehungsweise dem 68. Perzentil [2]. Die tatsächlichen Ergebnisse lagen 74 Perzentilpunkte auseinander, die Selbsteinschätzungen nur sechs. Die Einschätzung des eigenen Rangs ist natürlich nicht dasselbe wie die Sicherheit bei einer einzelnen Behauptung. Auch Gruppenmittelwerte verraten nicht alles über einzelne Personen. Aber schon diese Zahlen zeigen, warum man aus einer hohen Selbsteinschätzung nicht einfach auf geringe Kompetenz schließen darf.

Auch ein Hochschulabschluss sagt für sich genommen nicht, ob eine bestimmte Behauptung stimmt. Er gibt gute Gründe, ein gewisses, mitunter sehr hohes Maß an Wissen zu erwarten. Die Überprüfung der Aussage ersetzt er nicht.

Denken wir noch einmal an den Schüler und die Quadratwurzel. Seine Regel ist im Bereich der reellen Zahlen richtig. Der Fehler entsteht erst, wenn er sie zum Gesetz der gesamten Mathematik erklärt. Einen ähnlichen Fehler kann auch jemand mit weit eindrucksvolleren Qualifikationen begehen, sobald er die Grenzen eines vertrauten Modells aus dem Blick verliert.

Mich interessiert, was ein Mensch behauptet und wie er es begründet. Was sind Fakten, was Annahmen? Unter welchen Bedingungen trägt die Schlussfolgerung nicht mehr? Darüber lässt sich konkret sprechen, ohne die Antwort aus dem Lebenslauf des Gesprächspartners erraten zu wollen.

Auch in jener Antwort auf Hacker News, mit der wir begonnen haben, erklärte der Kommentator nicht, was an dem biotechnologischen Vorschlag falsch sein sollte. Er nannte lediglich einen psychologischen Effekt.

Ob der Vorschlag selbst etwas taugte, lässt sich aus dieser Antwort nicht erkennen.

Wir haben nur erfahren, dass seinem Verfasser ein Platz im Wörterbuch reserviert wurde, gleich neben zwei Psychologen.

Quellen

  1. Hacker News. Diskussion, in der ein Teilnehmer einem anderen den Dunning–Kruger-Effekt vorhält, August 2026. Diskussion.
  2. 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. DOI.
  3. Krueger J, Mueller RA. (2002). Unskilled, unaware, or both? The better-than-average heuristic and statistical regression predict errors in estimates of own performance. Journal of Personality and Social Psychology, 82(2), 180–188. PubMed.
  4. Nuhfer E et al. (2016). Random Number Simulations Reveal How Random Noise Affects the Measurements and Graphical Portrayals of Self-Assessed Competency. Numeracy, 9(1). DOI.
  5. Gignac GE, 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. DOI.
  6. Fix B. (2022). The Dunning-Kruger Effect is Autocorrelation. Economics from the Top Down.
  7. Andersource. (2022). I can’t let go of “The Dunning-Kruger Effect is Autocorrelation”. Andersource.
  8. Jansen RA, Rafferty AN, Griffiths TL. (2021). A rational model of the Dunning–Kruger effect supports insensitivity to evidence in low performers. Nature Human Behaviour, 5, 756–763. DOI.
  9. McIntosh RD et al. (2022). Skill and self-knowledge: Empirical refutation of the dual-burden account of the Dunning–Kruger effect. Royal Society Open Science, 9, 191727. DOI.
  10. The Null Institute. (2026). Dunning–Kruger Reanalysis: The Scale, the Baseline, and the Error Curve. Forschungsnotiz.
  11. Moore DA, Healy PJ. (2008). The Trouble with Overconfidence. Psychological Review, 115(2), 502–517. DOI.
  12. JCVI. (7. April 2021). Statement on use of the AstraZeneca COVID-19 vaccine. GOV.UK.