{
  "id": "hasty-generalization",
  "title": "草率概括",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "草率概括是一种推理错误，指依据过于有限或缺乏代表性的证据，得出证据不足以支持的宽泛结论。",
  "category": "philosophy",
  "subcategory": "metaphysics-epistemology",
  "type": "concept",
  "aliases": [
    "以偏概全",
    "轻率概括",
    "草率归纳"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/hasty-generalization/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/hasty-generalization/",
      "json": "https://aiwiki.page/en/hasty-generalization.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "草率概括是一种谬误，指根据不足以支撑结论适用范围或确定程度的证据，对某个总体、类别或反复出现的模式作出判断。它通常表现为将少数观察结果、一个特殊案例或有选择地收集的样本，当作规模大得多的整体的代表。错误在于证据与结论之间的关系：观察结果可能准确无误，结论甚至可能碰巧为真，但这些观察仍不足以为结论提供充分依据。"
    },
    {
      "heading": "推理结构",
      "text": "草率概括通常是归纳推理的一种缺陷形式。典型论证具有以下结构：\n\n- 观察到某个群体中的一些成员具有某种属性。\n- 因此，该群体的全部、大多数或某一特定比例的成员都具有这种属性。\n\n例如：\n\n从某家制造商购买的两件电器，在购买后不久都出了故障。因此，这家制造商生产的大多数电器都不可靠。\n\n这些故障为判断那两件电器提供了证据。但如果没有关于这家制造商的总产量、产品种类和故障率的更多信息，就不能据此确立上述更宽泛的主张。\n\n与演绎推理不同，归纳推理通常不保证结论为真。因此，不能仅仅因为归纳论证的结论可能为假，就认定它是谬误。关键在于：考虑到结论表述的适用范围和确信程度，证据是否足以使其可信。“这些故障表明，产品可能存在可靠性问题”比“这家制造商生产的大多数电器都不可靠”更为审慎，所需的证据支持也更少。\n\n因此，这种缺陷不只是缺乏逻辑有效性意义上的演绎有效性，而是归纳支持不足。"
    },
    {
      "heading": "什么使概括显得草率？",
      "text": "样本量不足\n\n小样本可能无法稳定地反映总体情况，因为随机变异会对结果产生较大影响。例如，观察到三名顾客对服务满意，几乎不足以据此精确估计数千名顾客的满意度。\n\n不存在一个通用的观察次数，可以用来区分合理概括与草率概括。需要多少证据，取决于总体的变异程度、抽样方法、所要求的精度以及结论的强度。足以识别初步模式的样本，可能不足以估计罕见事件的发生率。\n\n选取方式缺乏代表性\n\n即使样本量很大，如果观察对象的选取过程系统性地偏向某些情况而忽略另一些情况，样本仍可能产生误导。这属于抽样偏差问题。\n\n例如，一项关于图书馆服务的调查如果只面向到馆访客，就会排除不使用图书馆的人。调查结果或许能很好地描述参与调查的访客，却无法反映更广泛的社区人群。\n\n继续采用同一种有偏差的方法增加观察数量，并不一定能纠正这一问题。样本量和代表性是两个不同的考量。\n\n观察结果之间的依赖性\n\n大量观察结果所包含的独立信息，可能比其数量所暗示的更少。几篇报道可能都在重复同一份原始叙述，许多有缺陷的产品也可能都来自同一个生产批次。\n\n将这类观察结果视为相互独立的证据，可能夸大它们对一般性结论的支持力度。关键不仅在于有多少观察结果，还在于它们是如何产生的，以及彼此之间的关联有多密切。\n\n适用范围过广或确信程度过高\n\n结论可能超出实际研究所涉及的地点、时期、条件或类别。关于一家企业某个分支机构的证据，并不能自动确立适用于所有分支机构的主张；在受控条件下收集的证据，也不能自动证明产品在所有实际环境中的表现。\n\n将暂定的推断表述为确定事实，也是一种草率。“所有”“总是”“从不”等词对证据提出了格外严格的要求，不过，“通常”或“大多数”等概率性主张也可能缺乏充分支持。"
    },
    {
      "heading": "示例",
      "text": "观察结果 | 缺乏支持的概括 | 证据的局限\n同一个班的三名学生不喜欢某种考试形式。 | 学生普遍不喜欢这种考试形式。 | 样本量小，而且仅限于一个班。\n一项自愿参与的网络投票中，多数受访者支持某项提议。 | 多数居民支持这项提议。 | 参与者自行决定是否进入样本。\n某件产品在一次演示中表现良好。 | 该产品的每一件都会表现得同样好。 | 单次演示无法证明表现的一致性。\n几篇新闻报道描述了类似事件。 | 此类事件很典型，或正变得越来越常见。 | 报道的选取方式和报道范围的变化，未必反映总体中的实际发生频率。\n\n这些例子揭示的是证据支持上的缺口，并非证明这些概括为假。更多证据可能证实这些概括、对其加以限定，或将其推翻。"
    },
    {
      "heading": "相关概念与区别",
      "text": "轶事证据。 轶事描述某次具体的经历或事件。它可以证明某件事确实发生过，也可以启发值得研究的假说。当人们用这类证据来支持超出其证明能力的更宽泛结论时，就会出现草率概括。因此，轶事本身并不构成谬误。\n\n刻板印象。 有些刻板印象是将有限接触中形成的认识推广到整个社会群体。但这两个概念并不相同。刻板印象还可能表现为不加区分地将群体层面的判断套用于个人，而草率概括关注的是一般性主张本身是否缺乏充分支持。\n\n选择性取证。 选择性取证是指挑选有利证据，同时忽略相关的相反证据。它可能导致草率概括，但两者描述的是不同的缺陷：前者是选择性呈现证据，后者是概括缺乏充分支持。单凭任何一个标签，都无法判断这种选择是否出于故意。\n\n因果推断。 根据少数事件断定一个因素导致另一个因素，可能同时涉及草率概括和对因果关系的错误判断。后此因彼谬误特指将时间上的先后顺序视为因果关系的充分证据；它不一定涉及从小样本作出概括。\n\n归纳问题。 归纳问题关注的是：从已观察到的案例推及未观察到的案例，这种推理在哲学上总体而言有何正当依据。草率概括则是一种更具体的批评：即使按照日常归纳实践的标准，某个特定结论也超出了现有证据所能支持的范围。"
    },
    {
      "heading": "统计学处理",
      "text": "统计学通过抽样设计、估计和明确的假设，处理样本与总体之间的关系。置信区间可以表达特定统计程序下的抽样不确定性，但并不会自动将选择偏差、测量不准或目标总体定义错误等问题纳入考虑。\n\n对于一个理想化样本，若其中的 \\(n\\) 次观察相互独立、来自同一总体，且每次观察都记录某种属性是否存在，则样本比例 \\(\\hat p\\) 的标准差为\n\n\\[\\sqrt{\\frac{p(1-p)}{n}},\\]\n\n其中，\\(p\\) 为总体比例。这说明了为什么更大的独立样本通常能减少随机抽样变异，但并不能证明大规模便利样本具有代表性。\n\n因此，统计上的严谨不只是积累案例，还要求观察结果、所关注的总体与具体主张之间存在有合理依据的联系。"
    },
    {
      "heading": "判定的限度",
      "text": "样本小并不自动意味着论证构成谬误。一个得到充分确认的反例，就能驳倒一个全称主张：只需一只非白色的天鹅，就足以推翻“所有天鹅都是白色的”。这种推理并不试图估计非白色天鹅所占的比例。\n\n同样，一次观察就可能确立一个存在性主张——“至少存在一个这样的对象”——但不足以支持关于这类对象有多常见的概括。在相关背景知识的支持下，少量经过严格控制的观察，也可能为范围界定明确且狭窄的结论提供有力证据。\n\n因此，要判定某个论证是否属于草率概括，就必须明确其结论，并解释证据为何不足。仅仅称样本“太小”，或因为结论得出得很快就否定它，都不能证明存在这种谬误。"
    }
  ],
  "links": [
    "fallacy",
    "evidence",
    "inductive-reasoning",
    "deductive-reasoning",
    "logical-validity",
    "hypothesis",
    "causation",
    "post-hoc-fallacy",
    "problem-of-induction",
    "statistics",
    "confidence-interval"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}