KI schafft Metakognitive Entkopplung: Grenzen des Dunning‑Kruger‑Effekts

Die weit verbreitete Annahme, dass generative KI lediglich den Dunning‑Kruger‑Effekt verstärkt, ist zu allgemein. Neueste Untersuchungen zeigen, dass der Einsatz großer Sprachmodelle die sichtbare Leistung steigert, die metakognitive Genauigkeit jedoch herabsetzt und die klassische Kompetenz‑Selbstvertrauen‑Kurve zwischen den Fähigkeitsgruppen nivelliert.

Durch die Analyse von Mensch‑KI‑Interaktionen, Lernforschung und Modellbewertungen lässt sich ein klareres Bild gewinnen: KI‑unterstützte Arbeit führt zu einer Entkopplung zwischen dem erzeugten Output, dem zugrunde liegenden Verständnis, der Kalibrierungsgenauigkeit und der selbst eingeschätzten Fähigkeit. Dieses Phänomen, das als „AI‑mediated metacognitive decoupling“ bezeichnet wird, erklärt besser Phänomene wie Über- und Untervertrauen, Abhängigkeit von Hilfsmitteln und schwache Übertragbarkeit von Wissen.

Der neue Ansatz ersetzt die vereinfachte Vorstellung einer einheitlich steileren Dunning‑Kruger‑Kurve durch ein vierdimensionales Modell, das die komplexen Wechselwirkungen zwischen Output, Verständnis, Kalibrierung und Selbstbewertung berücksichtigt. Dadurch werden die Ursachen von Über- und Untervertrauen sowie von „Crutch‑Effekten“ präziser erfasst.

Die Erkenntnisse haben weitreichende Konsequenzen für die Gestaltung von KI‑Tools, die Bewertung von Lernfortschritten und die Organisation von Wissenstätigkeiten. Entwickler und Pädagogen sollten darauf achten, dass KI nicht nur die Leistung steigert, sondern auch die metakognitive Reflexion unterstützt, um eine gesunde Balance zwischen Vertrauen und Genauigkeit zu gewährleisten.