逻辑谬误 MOC
现实论证中常见逻辑谬误的学习地图，按错误发生在对象、前提、支持关系、因果、选项与语言等位置组织，并强调谬误名称不是自动反驳。
[!info] related notes
- 上级 MOC: 逻辑学 MOC
- 相邻 MOC: 认知偏差 MOC
- 基础概念: 论证、前提与结论、有效性与健全性
- 关系笔记: 逻辑谬误与认知偏差的区别与关系
逻辑谬误 MOC
知识总览
filters:
and:
- 'file.ext == "md"'
- 'file.inFolder("z")'
- 'this.file.links.contains(file)'
- 'file.path != this.file.path'
formulas:
knowledge: 'file.asLink(title)'
properties:
formula.knowledge:
displayName: 知识
note.description:
displayName: Description
note.mastery:
displayName: Mastery
views:
- type: table
name: 知识总览
order:
- formula.knowledge
- note.description
- note.mastery
columnSize:
formula.knowledge: 280
note.description: 760
note.mastery: 56这张地图解决什么问题
逻辑谬误（fallacy）不是“我不同意的观点”，也不是一个看到关键词就能套用的骂人标签。
更好的理解是：
某个论证看起来具有说服力，但它的前提、相关性、支持关系、因果链、选项设置或语言使用存在系统性缺陷。
学习谬误真正要训练的是：
先重建对方最强的论证
→ 找出前提和结论
→ 指出具体哪一步支持关系失败
→ 最后才考虑这个失败是否有一个常见谬误名称当前已整理的高频谬误
1. 攻击错对象
不是回应论证，而是把注意力转向提出论证的人或一个被歪曲的版本。
2. 人为缩窄选项
- 虚假两难谬误：把现实中的多个可能性压成“只能 A 或 B”。
3. 前提偷偷包含结论
- 循环论证与乞题：把待证明的结论直接或隐蔽地塞回前提。
4. 借来源替代证据
- 不当诉诸权威：把权威身份当成结论必真的保证，而忽略专业相关性、共识和独立证据。
5. 因果链推得过远
6. 从局部证据外推过度
这两者常同时出现，但关注点不同：草率概括更强调样本不足以代表总体，Cherry-picking 更强调完整证据存在，却被选择性呈现。
7. 让讨论离开原问题
- 转移话题谬误：引入另一个相关或无关话题 B，让大家忘记原本需要回答的 A。
它和稻草人需要区分：稻草人是把 A 歪曲成 A’ 再攻击；Red Herring 则更多是从 A 转向另一个 B。
8. 用“证据之外的东西”补足证据
- 诉诸无知谬误：把“尚未证明 P”错误升级成“所以非 P 已被证明”，或反过来。
- 诉诸多数谬误：把“很多人相信 / 使用 / 支持”直接当成事实为真或方案最佳的充分证据。
- 诉诸情绪谬误：让恐惧、同情、愤怒、羞耻或希望替代本来需要提供的事实和推理。
这三类很适合一起理解，因为它们都在证据链不够时使用了另一种心理上很有吸引力的东西：
不知道另一边是否成立 → 当成自己的证明
很多人相信 → 当成事实证明
感觉很强烈 → 当成事实证明但需要保留边界：
- 如果某证据按假设本应很容易被检测到，那么长期“没有发现”确实可以成为反向证据；
- 多数偏好在用户研究、社会行为和网络效应里可能直接相关；
- 情绪所对应的真实伤害、利益和价值可以进入规范性论证。
因此不是看到“没人证明”“大家都”“令人恐惧”就自动判错，而是检查它们在当前结论中承担了什么逻辑角色。
9. 让语言在论证中改变含义
- 语义歧义谬误：同一个关键词在论证前后使用不同含义，却让读者误以为概念始终一致。
它对哲学、技术和 AI 长文本尤其重要，因为“自由、公平、安全、智能、理解、自动、类型安全”等抽象词非常容易发生概念漂移。
一个实用检查法是直接展开定义：
不要只说“系统安全”
↓
改成“传输已经使用 TLS”一旦把模糊词换成具体命题，很多隐藏的推理跳跃会立即暴露。
10. 在规则和证明标准上不一致
可以这样区分：
特殊辩护：规则旁边开后门
移动球门：把终点线往后搬合理例外和合理升级当然存在。关键分别是：
- 例外能否给出与规则目的相关、对同类案例一致适用的理由；
- 新标准是否由新证据、新风险或新需求正当地触发，并承认原标准下原目标已经完成。
这组逻辑与软件工程里的统一 rubric、acceptance criteria、版本化需求尤其直接相关。
相邻主题：认知偏差
逻辑谬误这一层的高频主干已经建立。与它紧邻、但不应混为一谈的是 认知偏差 MOC。
目前已经整理：
两层的区别与连接集中在 逻辑谬误与认知偏差的区别与关系。
粗略记忆：
逻辑谬误
→ 重点看“论证结构哪里出了问题”
认知偏差
→ 重点看“人的判断机制为什么系统性偏向某个方向”例如 Cherry-picking 是呈现 / 论证层面的选择性证据，而 confirmation bias 更强调人为何倾向主动寻找和记住支持自己信念的材料；二者经常相互促进，但不是同一个概念。
判断一个谬误的统一模板
遇到一个疑似谬误时，按下面顺序分析：
1. 结论是什么？
不要先猜谬误名称。
2. 前提是什么？
包括没有明说的隐含前提。
3. 哪条前提真正与结论相关？
有些话虽然是真的，但与结论无关。
4. 支持强度够吗？
从“可能”推到“一定”、从“有人”推到“所有人”，通常就是支持强度膨胀。
5. 证据集合完整吗？
尤其检查：
- 样本是否代表总体；
- 有没有被省略的反例；
- 时间窗口是否被选择；
- 有没有只报告成功案例。
6. 因果是不是被多推了一步？
看到“导致、造成、因此”时问：
- 只是相关吗？
- 只是先后发生吗？
- 有没有共同原因？
- 有没有反向因果？
7. 讨论还在回答原问题吗？
把原命题 A 写下来，再问当前内容 B 是否能明确画出回到 A 的支持关系。
8. 核心词在前后还是同一个意思吗？
尤其把“安全、自由、正常、智能、自然、成功”等抽象词替换成具体定义，再检查推理是否仍成立。
9. 标准对双方一致吗？
问：
- 相同条件下是否使用相同规则？
- 例外是否有独立理由？
- 证明标准有没有在证据出现后临时改变？
10. “不知道 / 很多人 / 情绪很强”是不是在冒充证据？
分别检查：
没有证据 ≠ 相反结论已证明
流行度 ≠ 普遍真理
情绪强度 ≠ 事实强度但同时判断这些信息在特定场景是否真的与结论相关。
11. 能构造反例吗？
如果在前提都成立时结论仍可能失败，演绎推理就无效。
12. 最后再命名
名称只是索引，不是分析本身。
最重要的警告：Fallacy Fallacy
即使一个人给出了有谬误的论证，也不能因此推出他的结论一定是假。
例如：
“地球是球形的，因为我最喜欢的演员说是。”
“因为演员说”当然不是好的证据，但“地球是球形的”仍然可以因为其他独立证据而为真。
所以：
这个论证失败
≠
这个结论必假这与 有效性与健全性 的区分直接相关。
如何回应谬误，比喊名字更重要
不推荐：
“你这是稻草人谬误。”
更好的回应：
“我原本主张的是 A，你现在反驳的是更强的 B。即使你成功反驳 B，也还没有回应 A。我们先确认是不是在讨论同一个命题。”
不推荐：
“相关不等于因果！”
更好的回应：
“现在只观察到 A 与 B 同时变化。要支持 A 导致 B，还要区分共同原因、反向因果和其他同期变化。”
不推荐：
“你在 Cherry-pick。”
更好的回应：
“这些是全部结果还是筛选结果？纳入标准是什么？把反方向的数据放回来后，结论还成立吗？”
不推荐：
“你在偷换概念。”
更好的回应：
“前面‘安全’指的是 TLS 传输加密，后面结论却变成了系统整体安全。先把两个定义分开，再看还缺哪些前提。”
逻辑学习的目标是让讨论更清楚，不是赢得谬误名称比赛。
使用场景
- 网络争论与评论区；
- 新闻标题和短视频论证；
- 商业广告；
- 面试与职场讨论；
- 哲学和社会议题；
- 产品方案评审；
- 软件性能与故障归因；
- Benchmark 与模型评测；
- AI 生成内容审核。
尤其对 AI：模型很擅长生成语言流畅但支持链薄弱的论证。因此除了事实核查，还应该检查：
证据是不是代表总体？
有没有隐藏反例？
相关有没有被写成因果？
内容是不是实际回答了原问题？
核心概念有没有在长文本里漂移？
不同候选是不是用了同一套标准？学习方法
每个谬误只在能回答下面四个问题后才算真正掌握：
- 它的抽象结构是什么？
- 为什么这个结构不能支持结论？
- 能给出一个现实中不明显的例子吗？
- 什么情况下同样的语言形式其实是合理的？
第四个问题尤其重要，因为很多所谓“谬误”不是关键词触发，而取决于语境和证据。
主要参考
HKU Critical Thinking Web 把 fallacies and biases 与 argument analysis、basic logic、scientific methodology 放在同一个批判性思维体系里，非常适合这条支线：
https://philosophy.hku.hk/think/
形式逻辑基础则回到 Open Logic Project：
Digital Biome