[!info] related notes

• 所属 MOC: logical-fallacies-moc
• 前置概念: deductive-and-inductive-reasoning
• 并列概念:
• 易混淆概念:
• 关系笔记:

草率概括谬误

一句话定义

草率概括谬误是从过少、偏置或不具代表性的样本，推出关于更大总体的强结论。

它的问题通常不是“用了例子”，而是：证据覆盖的范围，比结论声称的范围小得多。

典型结构

我观察到少量 A 具有性质 P
∴ 所有 / 大多数 A 都具有性质 P

或者：

我接触到的一批 A 都是 P
∴ 整个 A 类群通常都是 P

真正要问的是：这批样本为什么足以代表总体？

最明显的例子

我遇到过两个态度很差的销售，所以销售这个职业的人都不真诚。

两个个体不足以支持对整个职业群体的普遍判断。

这里往往还发生了一个量词膨胀：

有两个
↓
很多
↓
大多数
↓
所有

每往上跳一层，都需要更多证据。

样本量不是唯一问题

即使样本很多，也可能草率概括。

例如：

我在一个“机械键盘爱好者”论坛调查了 5000 人，90% 都认为机械键盘比薄膜键盘好，所以 90% 的所有电脑用户都更喜欢机械键盘。

5000 看起来很大，但样本来自机械键盘爱好者社区，选择机制本身就严重偏置。

所以归纳质量至少要看：

• 样本量；
• 样本如何被选中；
• 样本是否覆盖总体关键差异；
• 是否存在幸存者偏差、自选择偏差等；
• 结论到底声称“有人”“常见”“多数”还是“所有”。

技术场景：几个案例不能代表整个技术栈

我看过三个 Next.js 项目，代码都很乱，所以 Next.js 项目天然难维护。

这最多说明：

你看到的三个项目维护质量很差。

要推出框架层面的结论，还需要比较：

• 项目规模；
• 团队经验；
• 架构习惯；
• 版本；
• 对照框架；
• 更广泛样本。

技术社区里大量“X 很垃圾，我见过的项目都……”其实都需要先做这个检查。

招聘场景：项目数量与能力

这个候选人只有一个个人项目，所以工程能力肯定一般。

这可能是一条弱证据，但远不足以构成确定结论。

反过来也一样：

他 GitHub 上有十个项目，所以一定工程能力很强。

数量可能与能力相关，但还要看项目真实性、复杂度、代码质量、维护周期和个人贡献。

这类错误常来自把一个代理指标直接泛化成整个能力判断。

AI 回答中的草率概括

AI 很容易把几个案例写成趋势：

“很多开发者现在都从 React 转向 X。”

如果依据只是几篇帖子或若干社交媒体案例，就可能是样本不足。

检查时要问：

• “很多”是多少？
• 数据从哪里来？
• 样本是否只来自一个社区？
• 有没有基准总体？

什么情况不是草率概括

归纳本来就是从样本推总体，不能因为“不是 100% 确定”就叫谬误。

例如，设计良好的随机抽样即使只调查总体的一小部分，也可能对总体提供很强的概率支持。

关键不在于：

“是不是观察了全部人？”

而在于：

“样本是否足够、有代表性，而且结论强度是否和证据匹配？”

与反例的关系

如果对方声称：

所有 A 都是 P。

那么一个真实反例就足以推翻它。

但如果对方只是声称：

大多数 A 是 P。

一个反例不能推翻“大多数”。

这和 谓词逻辑与量词 直接相关：不同量词需要不同强度的证据与反驳。

如何回应

不要只说：

“你这是以偏概全。”

更精确的回应是：

“你现在的证据来自这几个样本，但结论覆盖了整个群体。我们需要知道这些样本为什么具有代表性，以及是否有更系统的数据支持这个外推。”

使用场景

• 对职业、地区、年龄群体的刻板印象；
• 产品评价；
• 技术框架优劣讨论；
• 用户调研；
• 面试判断；
• 社交媒体趋势判断；
• AI 从少量资料总结“行业现状”。

一句记忆

你看到的世界，可能只是你的样本；别让样本偷偷冒充总体。

快速自测

我身边五个同学都不用 Facebook，所以现在年轻人基本都不用 Facebook。

问题：样本小、来自同一社交圈，而且没有说明能否代表“年轻人”这一巨大总体。

更合理的结论最多是：

我身边这几个同学都不用 Facebook。

来源

• HKU Critical Thinking Web, Fallacies and biases: https://philosophy.hku.hk/think/
• 形式基础：演绎推理与归纳推理