We all fall for it: Influence of driving experience, level of cognitive control engaged and actual exposure to the driving situations on the Dunning-Kruger effect
Notice bibliographique
Résumé
The Dunning-Kruger Effect (DKE), a widely recognized phenomenon, reveals that individuals with lower skills tend to overrate their abilities, while high achievers often underestimate themselves. This intriguing trend has been explored in the realm of car driving using an innovative, purpose-built methodology. This methodology integrates visual presentations of specific driving scenarios for self-assessment alongside the analysis of actual driving behaviours gathered through driving simulation. Our study recruited both inexperienced, non-drivers and seasoned, licensed drivers to delve into three key aspects: (i) explore how the acquisition of skills through extensive real-world experience influences the DKE pattern, (ii) refine the process of recalibrating self-assessed skills subsequent to a brief encounter with the tasks and (iii) determine how the DKE is affected by varying degrees of cognitive control required to execute diverse driving tasks. The data consistently confirms the DKE across driving situations, highlighting its universality. Novice and seasoned drivers both display the pattern before and after the simulated drive, regardless of the associated level of cognitive control, indicating that experienced drivers are prone to the same misestimation tendencies as novices. Novices’ self-assessments notably increased after experiencing the simulated drive, while experienced drivers’ estimations remained stable. This observation could be interpreted as the dual curse of ignorance at work. This research offers valuable insights into the dynamics of self-assessment over time, shedding light on how driving experience and task exposure impact individuals’ perceptions of their own abilities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».