[!info] related notes

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

演绎推理与归纳推理

一句话定义

演绎推理追求“只要前提真，结论就不可能假”；归纳推理则让前提提高结论为真的可能性，但通常不保证结论。

两种支持关系

演绎

前提为真
   ↓
结论必须为真

例如：

所有 HTTP 404 响应都是 4xx。 这个响应是 404。 所以它是 4xx。

只要前提成立，结论不能错。

归纳

证据越强
   ↓
结论越值得相信
但仍可能出错

例如：

过去 30 次这个接口超时，28 次都是上游供应商故障。 这次又出现同样的超时模式。 所以这次很可能也是上游供应商故障。

即使前提全真，也仍可能刚好是另一种原因。

通俗理解

演绎像“锁死结果”的规则题；归纳像“根据已有证据下注”。

所以评价方式不同：

• 演绎论证问：有效还是无效？
• 归纳论证问：支持强还是弱？证据够不够？

不能因为一个归纳结论有例外，就说它“逻辑上完全错误”；也不能因为一个结论概率很高，就把它写成演绎必然。

一个常见混淆：结论语气过强

证据：

这 10 个用户都更喜欢新版本。

合理结论可能是：

这批受访用户总体更喜欢新版本；新版本可能更受目标用户欢迎。

过强结论则是：

所有用户一定都更喜欢新版本。

这里问题往往不是“完全没有证据”，而是结论的强度超过了证据能支持的程度。

常见归纳形式

枚举归纳

观察一部分样本，推测更大总体。

抽样的 500 名用户中 70% 选择 A，因此总体用户很可能更偏向 A。

强弱取决于样本量、抽样方式和总体差异。

类比推理

两个对象在若干相关方面相似，因此推测另一个方面也相似。

类比不是天然谬误，关键在于：相似点是否与待推结论相关。

因果推理

看到共同变化或干预后的结果，推测原因。

这里尤其要警惕混杂因素、反向因果和时间先后被误当因果。

最佳解释推理

根据已有证据，选择当前最能解释现象的假设。

故障排查、医学鉴别、侦查和科学研究都大量使用它。

使用场景

科学和新闻

很多研究结论本质是归纳性的。正确语言通常是“支持”“相关”“增加可能性”，而不是“证明所有情况下必然如此”。

软件 Debug

日志特征 + 历史故障模式 + 环境变化
→ 最可能的根因假设
→ 再做验证实验

这不是纯演绎，而是归纳 + 可证伪验证。

面试与招聘

“做过三个项目”只能作为能力的证据之一，不会演绎地推出“工程能力一定强”。

日常生活

经验判断大部分属于归纳。逻辑训练不是让你停止归纳，而是让你知道自己到底有多确定。

易混淆点

演绎有效不代表前提真

见 有效性与健全性。

归纳有例外不代表归纳没价值

天气预报可能失败，但仍然可以基于证据提供有价值的概率判断。

“很可能”不要偷偷变成“一定”

这是现实讨论里最常见的推理膨胀之一。

快速自测

过去十年这座城市九月都至少下过一次雨，因此今年九月一定会下雨。

判断：这是归纳推理，却用了“一定”这种演绎式强度；证据并不足以保证结论。

更稳妥的表达是：

根据过去十年的情况，今年九月下雨是相当合理的预期，但历史记录不能保证必然发生。

来源

• Open Logic Project, forall x: Calgary, Part I: https://forallx.openlogicproject.org/
• HKU Critical Thinking Web: https://philosophy.hku.hk/think/