[!info] related notes

• 所属 MOC: logical-fallacies-moc
• 前置概念: argument-premise-and-conclusion
• 并列概念: red-herring-fallacy
• 易混淆概念:
• 关系笔记:

诉诸情绪谬误

一句话定义

诉诸情绪谬误不是“论证里出现了情绪”，而是情绪反应被拿来替代本来需要提供的事实、因果或价值前提。

常见形式包括诉诸恐惧、同情、愤怒、羞耻、骄傲、希望等。

典型结构

想到结论 C 会让我恐惧 / 愤怒 / 感动
∴ C 为真

或者：

如果你不接受方案 X，会发生一个令人恐惧的画面
∴ X 就是正确方案

情绪可以解释我们为什么在乎某件事，却通常不能独立证明关于世界的事实结论。

明显例子：诉诸同情

这个学生这学期经历了很多困难，所以他的错误答案应该判成正确。

困难可能是延期、补考、特殊支持等制度决策的重要因素，但不能改变一道数学题本身的真假。

这里混淆了：

我们应该如何对待这个人
≠
这个命题客观上是否正确

诉诸恐惧

如果不立刻购买这款安全软件，你的公司随时可能被黑得一无所有，所以这是唯一合理选择。

安全风险确实可能存在，但恐惧画面不能替代：

• 实际威胁模型；
• 当前防护缺口；
• 产品能力；
• 替代方案；
• 成本收益。

风险沟通可以令人担忧，但合理论证必须说明风险概率、影响和机制。

技术评审中的情绪替代

这个旧模块太恶心了，我看着就难受，所以必须全部重写。

“难维护”也许是真的，但“我很痛苦”本身不足以证明 full rewrite 是最优方案。

还需要比较：

渐进重构成本
vs
整体重写成本
vs
迁移风险
vs
业务收益

情绪可以是发现问题的信号，但不是完整决策模型。

AI 与情绪化语言

AI 生成文本有时会用强烈措辞放大一个本来证据有限的判断：

这是一个极其危险、令人震惊、绝不能容忍的问题。

这种语言容易让读者在还没检查证据前就接受结论。

审核时可以暂时删除形容词，只保留：

发生了什么？
证据是什么？
概率是多少？
结论是什么？

如果删掉情绪化语言后论证几乎空了，说明说服力主要来自情绪而不是证据。

情绪什么时候是合理相关信息

不能把价值讨论变成“只要有情绪就是不理性”。

例如：

某项政策会持续给大量人造成可避免的严重痛苦。

如果这些痛苦有可靠事实支持，而我们的伦理前提又认为“应减少可避免的严重伤害”，那么痛苦当然是重要理由。

结构是：

事实：政策会造成伤害
价值前提：应避免不必要伤害
∴ 应重新考虑政策

这里并不是“因为我感到难过，所以结论真”，而是情绪所对应的真实利益、伤害或价值进入了论证。

情绪也可以帮助沟通真实风险

例如消防安全教育展示火灾后果，可以让人理解风险的严重性。

只要：

• 风险是真实的；
• 表述没有系统夸大；
• 情绪材料没有替代概率和事实；

这种沟通不必然构成谬误。

判断方法

遇到强情绪内容时问：

1. 如果去掉恐惧、愤怒、同情等措辞，还剩哪些前提？
2. 这些前提本身足以支持结论吗？
3. 情绪对应的是实际伤害 / 价值，还是只是为了让我停止分析？
4. 结论是事实判断，还是价值决策？

如何回应

“这个后果确实令人担心，但我们把情绪和事实拆开：它发生的概率有多大？为什么方案 X 能降低它？有没有其他方案？”

或者：

“我理解这个案例很令人同情。现在需要再区分：这能支持怎样的政策调整，以及它是否能证明原来的事实命题。”

使用场景

• 广告与营销；
• 安全和风险讨论；
• 公共议题；
• 募捐与公益传播；
• 技术重构争论；
• AI 生成的强立场文本；
• 社交媒体标题。

一句记忆

情绪告诉你“这件事对我很重要”，但不会自动告诉你“关于它的判断一定是真的”。

快速自测

如果你真的关心用户，就应该支持我提出的这个 UI 重构方案。

“关心用户”是价值立场，但它没有证明这个具体方案确实改善用户体验。还需要用户研究、问题证据与方案比较。

来源

• HKU Critical Thinking Web, Fallacies and biases: https://philosophy.hku.hk/think/