[!info] related notes

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

诉诸多数谬误

一句话定义

诉诸多数谬误是把“很多人相信 / 使用 / 支持 P”直接升级成“所以 P 是真的、正确的或最好的”。

典型结构：

很多人相信 P
∴ P 为真

或者：

很多人都选择 X
∴ X 一定是最佳选择

问题在于，人数描述的是流行程度，而真假和优劣通常还需要独立证据。

明显例子

大家都说这种偏方有效，所以它肯定有效。

即使真的“很多人都说”，仍然可能受到安慰剂效应、自然恢复、选择性报告等影响。

技术场景

现在所有团队都在上微服务，所以我们的项目也应该上微服务。

“很多团队采用”可以说明它值得研究，但不能自动证明它适合当前团队。

还需要比较：

• 团队规模；
• 部署复杂度；
• 组织边界；
• 独立扩缩容需求；
• 故障隔离收益；
• 运维成本。

因此：

流行
→ 可以提高“值得调查”的优先级

流行
≠
自动完成技术选型论证

为什么多数有时确实是证据

不能反过来认为“多数意见永远无价值”。

如果问题本身就是关于偏好或社会行为，那么多数直接相关：

大多数用户更喜欢 A 还是 B？

此时高质量用户调查就是核心证据。

某些场景还有网络效应：

哪个即时通讯软件对我更实用？

“我的联系人多数使用哪个”会真实影响产品价值。

同样，在专家判断中，相关领域的专家共识也与普通“很多人相信”不同。专家共识之所以重要，不只是因为人数多，而是因为这些判断背后通常共享专业训练、方法和证据体系。

流行度能证明什么

看到“很多人都……”时，先问结论属于哪一类：

关于流行本身

X 是当前最常用的框架之一。

用户量、下载量等可以直接支持。

关于事实真假

X 的某个技术原理一定正确。

人数不能替代技术证据。

关于价值和选择

X 是最适合我的方案。

流行度可能是一个因素，但需要结合自己的目标与约束。

从众压力

这种谬误之所以常见，是因为“别人都这样”同时提供了心理压力：

• 怕落后；
• 怕显得无知；
• 怕脱离群体；
• 把社会接受度误当成事实正确度。

因此广告经常使用：

百万用户都在选择……

这可以是真实市场信息，但如果结论偷偷变成“所以质量必然最好”，就跨了一步。

AI 与技术趋势

AI 很容易根据 GitHub star、社交媒体热度或若干热门帖子回答：

“目前最佳方案是 X。”

更好的判断应该拆成：

X 很流行 —— 事实层
为什么流行 —— 解释层
X 是否符合当前约束 —— 决策层

三个问题不能合并。

什么情况不是诉诸多数

• 用户偏好调查本来就在测“多数偏好”；
• 网络效应使用户数量直接影响产品效用；
• 市场采用率被当成生态成熟度的一个指标，而不是唯一指标；
• 相关专家共识作为高质量证据的一部分。

关键标准是：“很多人”与当前结论之间到底有没有相关机制？

如何回应

“大家都这么选，说明这个方案值得认真考虑。但要证明它适合这里，还需要看它解决的问题和我们的约束是否相同。”

或者：

“多数人相信这一点，能说明它流行；我们还需要独立证据判断它是否为真。”

使用场景

• 技术选型；
• 消费决策；
• 健康谣言；
• 投资热潮；
• 社交媒体观点；
• AI 推荐与趋势判断。

一句记忆

人多可以证明“很多人这么想”，但不能自动证明“他们想得对”。

快速自测

这个 JavaScript 库有 100k GitHub stars，所以代码质量一定比只有 5k stars 的库好。

Stars 可以反映关注度，却不能单独保证设计质量、维护状态、安全性或是否适合当前项目。

来源

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