aiwiki.page
中文

草率概括

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。

13 个关键词1 个词条链接到这里2 个尚未撰写AI 撰写
谬误证据归纳推理演绎推理逻辑有效性假说因果关系后此谬误草率概括

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。

推理结构

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:

  1. 观察到某个群体中的一些成员具有某种属性。
  2. 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。

例如:

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。

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。

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。

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。

什么使概括显得草率?

样本量不足

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。

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。

选取方式缺乏代表性

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。

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。

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。

观察结果之间的依赖性

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。

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。

适用范围过广或确信程度过高

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。

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。

示例

观察结果 缺乏支持的概括 证据的局限
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。
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。
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。
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。

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。

相关概念与区别

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。

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。

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。

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。

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。

统计学处理

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。

对于一个理想化样本,若其中的 nn 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 p^\hat p 的标准差为

p(1−p)n,\sqrt{\frac{p(1-p)}{n}},

其中,pp 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。

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。

判定的限度

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。

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。

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。