Quando gli argomenti sono finiti, c’è un modo molto comodo per vincere una discussione: dire all’altro che è un caso da manuale dell’effetto Dunning–Kruger. Capisce così poco dell’argomento da non rendersi nemmeno conto della propria incompetenza. Più ribatte con sicurezza, più la diagnosi sembra confermata. E qualsiasi tentativo di difendersi può essere liquidato come un altro sintomo.
Il nome suona scientifico. La ricerca da cui nasce, però, racconta una storia meno semplice. Gli psicologi hanno osservato che, in determinati test, chi otteneva risultati peggiori tendeva a sopravvalutare la propria posizione rispetto agli altri più di chi andava meglio. Hanno proposto una spiegazione psicologica e trovato prove sperimentali a suo favore. In seguito è emerso che lo stesso andamento può dipendere anche da altro, compreso il modo in cui vengono effettuate le misurazioni.
Quello che questi studi non permettono di fare è stabilire quanto una persona capisca di un argomento dalla sicurezza con cui ne discute.
Nell’agosto 2026, su Hacker News, si discuteva di una proposta biotecnologica piuttosto radicale. Un partecipante rispose all’autore che il suo nome avrebbe meritato un posto nel dizionario, accanto all’effetto Dunning–Kruger [1]. Nessuna analisi della proposta, nessun argomento contrario. A quanto pare, bastavano due cognomi.
Da dove arriva il grafico del «Monte della stupidità»?
Probabilmente hai già visto quel grafico. Qualcuno che si è appena avvicinato a un argomento raggiunge in un attimo il picco della fiducia in sé: il «Monte della stupidità» (Mount Stupid). Poi arriva la «Valle della disperazione» e, infine, la lenta risalita lungo il «Pendio dell’illuminazione».
Comodissimo, questo grafico. Puoi piazzarci quasi chiunque ti irriti in una discussione, possibilmente proprio in cima.
Peccato che un’immagine del genere non compaia nello studio di Justin Kruger e David Dunning del 1999 [2]. I due non hanno studiato come cambi la sicurezza di una singola persona man mano che impara. Hanno sottoposto persone diverse a prove di umorismo, grammatica e logica, chiedendo poi di valutare le proprie capacità rispetto agli altri partecipanti.
Nel primo esperimento, i partecipanti del quartile inferiore si collocavano all’incirca al 12° percentile, ma stimavano di collocarsi intorno al 58° percentile. Il percentile indica la posizione all’interno di un gruppo: trovarsi al 20° percentile significa che circa il 20% dei partecipanti ha ottenuto un punteggio inferiore al proprio.
Chi andava meglio si attribuiva capacità maggiori, ma le autovalutazioni crescevano molto meno rapidamente dei risultati reali. Lo studio non ha individuato alcun inevitabile picco di eccessiva sicurezza tra i principianti.
Kruger e Dunning hanno ipotizzato che svolgere bene un compito e riconoscere i propri errori richiedano, almeno in parte, le stesse abilità. Un principiante negli scacchi potrebbe non vedere una minaccia di matto entro tre mosse. La sua sicurezza non nasce necessariamente dall’arroganza: può semplicemente mancargli la preparazione necessaria per accorgersi del pericolo.
In uno degli esperimenti, i ricercatori hanno formato i partecipanti al ragionamento logico. Dopo, le loro autovalutazioni sono diventate più accurate. È un risultato importante a favore del meccanismo proposto. Sarebbe ingiusto liquidare il lavoro del 1999 per un grafico che non ne faceva nemmeno parte.
Con il tempo, altri ricercatori hanno cominciato a verificare spiegazioni più prosaiche di quella curva, partendo proprio dagli strumenti di misura.
Conoscere una regola non significa averla capita
Ma dietro la discussione sui grafici c’è una domanda più ampia. Anche conoscendo i punteggi e le autovalutazioni, i ricercatori non riescono sempre a capire perché i partecipanti sbagliano. Eppure a volte ci sentiamo pronti a giudicare la competenza di uno sconosciuto da un solo commento perentorio su Internet.
Una cosa è conoscere una materia, un’altra è sapere dove finiscono le proprie conoscenze.
C’è una vecchia regola che si impara a scuola: non si può estrarre la radice quadrata di un numero negativo.
Uno studente la impara a memoria, prende il massimo dei voti e si sente già pronto a spiegarla a tutti. Ma immaginiamo che un professore di matematica gli dica che l’equazione x² = −1 ha delle soluzioni. Lo studente potrebbe indignarsi. A scuola gli hanno insegnato il contrario!
Il punto è che hanno ragione entrambi, purché parlino di insiemi numerici diversi. Tra i numeri reali non ci sono soluzioni; tra i numeri complessi ce ne sono due: i e −i, dove i² = −1.
Il professore sa che la regola scolastica vale per i numeri reali. Se si amplia l’insieme numerico, compaiono soluzioni che non esistevano in quello più ristretto.
Lo studente può ricordare la regola alla perfezione senza capire che vale entro una determinata struttura matematica. Ed ecco che da un’informazione corretta nasce una conclusione sbagliata.
Tra parentesi, questo esempio si accorda piuttosto bene con l’ipotesi originale di Kruger e Dunning. A una persona possono mancare le conoscenze sia per risolvere correttamente un problema sia per riconoscere il proprio errore. È il «doppio fardello» dell’incompetenza. E non succede soltanto a scuola: anche uno specialista può spingersi oltre i limiti della propria preparazione senza accorgersene. Per questo l’etichetta, da sola, non spiega nulla. Bisogna ancora mostrare dove il ragionamento smette di funzionare.
È proprio questa distinzione che continua a interessarmi quando si discute di esperti. Una persona studia una disciplina, impara le definizioni, supera gli esami, ottiene un titolo e l’abilitazione a esercitare la professione. Secondo i criteri stabiliti, è competente. Ma quanto è capace di mettere in discussione quegli stessi criteri, riconoscere le ipotesi nascoste e guardare oltre il modello che conosce?
La qualifica professionale è una buona ragione per fidarsi di uno specialista: testimonia formazione, pratica e requisiti di abilitazione. Non dimostra però che ogni sua conclusione sia corretta. Un medico può sbagliare una diagnosi, un matematico può trascurare una premessa falsa e un ricercatore può attribuire ai propri dati più forza di quanta ne abbiano.
Per verificare un’affermazione bisogna guardare alle ragioni che la sostengono, non alla biografia di chi la fa.
Lo schema qui sotto distingue la conoscenza di una materia dalla capacità di verificare autonomamente un ragionamento.

Nella pratica servono entrambe. Le conoscenze ci evitano di ricominciare da zero su ciò che altri hanno già verificato. Il ragionamento indipendente aiuta a capire quando le condizioni sono cambiate o quando una spiegazione consolidata lascia fuori qualcosa di importante.
L’obiezione di chi non ha una preparazione specifica può mettere in luce un errore di uno specialista. Oppure può rivelarsi infondata appena la si confronta con fatti noti da tempo. Per distinguere i due casi bisogna esaminare l’obiezione, non chi l’ha formulata.
La sicurezza, da sola, non ci dice chi capisca meglio l’argomento. Un professore di matematica può essere assolutamente certo dell’esistenza dei numeri complessi, e per ottime ragioni. Uno studente può essere altrettanto sicuro del contrario se pensa che la regola imparata a scuola valga per tutta la matematica.
Come la statistica può farci sembrare troppo sicuri di noi
Immaginiamo due persone preparate allo stesso modo. Entrambe rispondono correttamente, in media, al 70% delle domande. A una capitano domande particolarmente sfavorevoli e ottiene il 60%; all’altra va meglio e arriva all’80%. Entrambe stimano la propria capacità al 70%. Chi si è sopravvalutato? In realtà, nessuna delle due. Ma se confrontiamo quelle stime con il risultato di quel singolo test, la prima sembrerà «troppo sicura di sé» di 10 punti percentuali e la seconda «troppo modesta» di altri 10.
Ora dividiamo i partecipanti in gruppi in base al punteggio ottenuto. Nel gruppo in basso ci saranno più persone a cui è andata male proprio quella prova; in quello in alto, più persone a cui è andata bene. Comincia così a prendere forma la curva conosciuta: chi ottiene risultati peggiori sembra sopravvalutarsi, chi va meglio sembra sottovalutarsi. Eppure, nel nostro esempio, nessuno ha sbagliato a valutare la propria preparazione reale.
C’è anche una trappola aritmetica. Calcoliamo l’«errore di autovalutazione» sottraendo il punteggio del test dall’autovalutazione, e poi confrontiamo la differenza proprio con quel punteggio. Se l’autovalutazione rimane costante, ogni 10 punti in più nel test riducono automaticamente di 10 l’«errore» calcolato. Lo stesso numero compare su entrambi i lati del confronto.
Questo non rende l’effetto Dunning–Kruger una pura invenzione. Il punto è che la forma del grafico non ci dice perché compaia quella curva. Joachim Krueger e Ross Mueller hanno sollevato il problema [3]. Nuhfer e colleghi [4], così come Gignac e Zajenkowski [5], hanno studiato il ruolo del rumore casuale e delle modalità di misurazione.
Una curiosità: Justin Kruger, coautore dello studio del 1999, e Joachim Krueger, autore della critica del 2002, sono due persone diverse. Altrimenti verrebbe da pensare che Kruger, tre anni dopo, abbia cambiato idea per confutare sé stesso.
Blair Fix ha ottenuto una curva simile perfino usando variabili casuali [6]. Il suo modello, però, parte dall’ipotesi che l’autovalutazione non sia legata al rendimento. È un utile esperimento matematico, non un modello del comportamento delle persone reali, come hanno osservato i suoi critici [7]. D’altra parte, Jansen e colleghi hanno trovato dati a sostegno dell’ipotesi che i partecipanti con risultati peggiori siano davvero meno sensibili alle informazioni sui propri errori [8].
La curva esiste. Resta da capire quanto della sua forma dipenda dalla psicologia e quanto dal modo in cui misuriamo il rendimento. Per farlo servono altri dati, non congetture sul carattere dei partecipanti.
Un test, due modi molto diversi di valutarsi
Che cosa significa «sopravvalutarsi»? Sbagliare a stimare quante risposte si sono date correttamente, oppure giudicare male la propria posizione rispetto agli altri? Sembrano la stessa cosa, ma sono due misure diverse.
In un esperimento del 2022, McIntosh e colleghi hanno sottoposto i partecipanti a prove di ragionamento basate su matrici. I partecipanti hanno poi stimato quante delle loro risposte fossero corrette e quale fosse la loro posizione rispetto agli altri studenti [9]. Noi di The Null Institute abbiamo ricalcolato in modo indipendente i dati pubblicati di 151 partecipanti [10]. Ecco i risultati delle 38 persone nel quartile inferiore del test preliminare:
| Che cosa hanno stimato i partecipanti | La loro stima | Risultato effettivo |
|---|---|---|
| Percentuale di risposte corrette | 76,0% | 76,1% |
| Posizione rispetto agli altri (percentile) | 51,2 | 19,8 |
La prima riga mostra una corrispondenza quasi perfetta. Nella seconda, la differenza è di 31,4 punti percentili. In media, le stesse persone hanno stimato piuttosto bene quante risposte fossero corrette, ma hanno notevolmente sopravvalutato la propria posizione rispetto agli altri.
Quella corrispondenza quasi perfetta, però, esiste solo in media. Tra le 38 persone, 22 hanno sovrastimato il numero di risposte corrette, 14 lo hanno sottostimato e due lo hanno stimato esattamente. L’errore assoluto medio è stato di 7,7 punti percentuali. Gli errori in direzioni opposte si sono compensati in parte.
Il confronto richiede però due precisazioni. Ai partecipanti veniva chiesto di valutare la propria posizione tra gli studenti dell’Università di Edimburgo, mentre noi abbiamo calcolato il percentile effettivo all’interno del campione dello studio. Anche la scala di autovalutazione era insolita: lo zero corrispondeva al 50% di risposte corrette, il risultato atteso rispondendo a caso. La nostra rianalisi tiene conto di quella scala, ma non possiamo sapere come l’abbia interpretata ciascun partecipante [9], [10].
Sull’intero campione, i partecipanti hanno in realtà sottostimato i propri punteggi di 7,64 punti percentuali in media. L’associazione fra rendimento nel test preliminare ed errore di autovalutazione è rimasta comunque negativa. Nel quartile superiore, il punteggio medio era intorno al 97%: c’era pochissimo margine per sovrastimarlo, e molto per sottostimarlo.
Il punteggio assoluto e la posizione rispetto agli altri raccontano cose diverse. Si può stimare abbastanza bene il proprio punteggio e sbagliare di molto nel valutare dove ci si collochi rispetto agli altri. La distinzione fra autovalutazione assoluta e relativa è nota da tempo [11]. Quello che abbiamo fatto è verificare in modo indipendente uno specifico insieme di dati, non scoprire un nuovo effetto psicologico. Tabelle dettagliate, metodo e codice sono disponibili nella nota di ricerca pubblicata da The Null Institute.
Quando gli esperti rivedono le raccomandazioni
Durante la pandemia di COVID-19, la distanza fra conoscere qualcosa, comprenderla e decidere che cosa fare è diventata particolarmente evidente.
Valutare la sicurezza dei vaccini, i rischi di infezione e l’utilità di determinate misure richiedeva dati diversi. Eppure le raccomandazioni venivano spesso percepite come risposte già pronte, che ai non specialisti restava soltanto da accettare. I dubbi, invece, potevano essere liquidati come segno d’incompetenza, anziché discussi nel merito.
Il caso del vaccino AstraZeneca mostra perché questo approccio può fallire.
Dopo l’avvio della vaccinazione di massa sono emerse segnalazioni di una rara combinazione di trombosi e riduzione del numero di piastrine. Il 7 aprile 2021, il Comitato congiunto britannico per la vaccinazione e l’immunizzazione (JCVI) ha raccomandato di offrire un vaccino alternativo agli adulti sotto i 30 anni senza ulteriori fattori di rischio, se disponibile [12].
La modifica rifletteva nuovi dati su un grave evento avverso e sul rapporto fra benefici e rischi per quel gruppo specifico.
In vicende simili, a infastidirmi non è il fatto che una raccomandazione venga rivista. Gli specialisti devono cambiarla quando nuove prove lo giustificano. Il problema nasce quando la qualifica professionale diventa uno scudo contro le domande.
Una persona senza formazione medica può sollevare un dubbio fondato oppure sbagliarsi. Bisogna confrontare quel dubbio con le prove disponibili. Dare dell’incompetente a chi chiede, o tirare in ballo Dunning e Kruger, non risponde comunque alla domanda.
Chi è davvero competente?
Persino la parola «competenza» può portarci fuori strada. Invece di esaminare un errore preciso, quasi senza accorgercene finiamo per giudicare l’intera persona.
Kruger e Dunning hanno studiato la relazione fra il rendimento in compiti specifici e le convinzioni dei partecipanti sulle proprie capacità. I loro studi non consentono di dedurre quanto una persona capisca di un argomento da un singolo commento, per quanto sicuro possa sembrare. Né giustificano l’idea che qualunque disaccordo con un esperto sia la prova di un difetto psicologico.
Il problema emerge perfino dai loro dati del 1999. Nel secondo esperimento, il quartile inferiore nel test di logica si collocava in media intorno al 12° percentile, quello superiore intorno all’86°. Eppure i due gruppi valutavano la propria posizione quasi allo stesso modo: rispettivamente al 62° e al 68° percentile [2]. I risultati effettivi differivano di 74 punti percentili; le autovalutazioni di appena sei. Stimare la propria posizione fra gli altri non equivale a essere sicuri di una singola affermazione, e le medie di un gruppo non ci dicono tutto sui singoli individui. Ma questi numeri mostrano perché non possiamo partire da un’autovalutazione elevata per concludere che una persona sia poco competente.
Neppure un titolo di studio stabilisce se una determinata affermazione sia vera. Dà buoni motivi per aspettarsi un certo livello di preparazione, talvolta molto alto. Non ci esonera dal verificare quello che viene detto.
Torniamo allo studente e alla radice quadrata. La regola è corretta nell’insieme dei numeri reali. L’errore comincia quando lo studente la trasforma in una legge valida per tutta la matematica. Una persona con titoli ben più prestigiosi può commettere un errore simile se dimentica i limiti di un modello familiare.
A me interessa che cosa una persona sostiene e su quali basi. Quali sono i fatti e quali le ipotesi? In quali condizioni la conclusione smette di reggere? Possiamo discutere di tutto questo senza cercare risposte nella biografia di chi parla.
In quella replica su Hacker News, il commentatore non ha spiegato che cosa non andasse nella proposta biotecnologica. Si è limitato a nominare un effetto psicologico.
Da quella risposta è impossibile capire se la proposta avesse senso.
Abbiamo scoperto soltanto che al suo autore era stato riservato un posto nel dizionario, accanto a due psicologi.
Fonti
- Hacker News. Discussione in cui viene invocato l’effetto Dunning–Kruger contro un altro partecipante, agosto 2026. Discussione.
- 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.
- 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.
- 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.
- 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.
- Fix B. (2022). The Dunning-Kruger Effect is Autocorrelation. Economics from the Top Down.
- Andersource. (2022). I can’t let go of “The Dunning-Kruger Effect is Autocorrelation”. Andersource.
- 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.
- 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.
- The Null Institute. (2026). Dunning–Kruger Reanalysis: The Scale, the Baseline, and the Error Curve. Nota di ricerca.
- Moore DA, Healy PJ. (2008). The Trouble with Overconfidence. Psychological Review, 115(2), 502–517. DOI.
- JCVI. (7 aprile 2021). Statement on use of the AstraZeneca COVID-19 vaccine. GOV.UK.