귀납적 추론 특성, 유형 및 예

그 귀납적 추론 그것은 특정한 관측에 기초한 일반화 된 이론을 만들려고 시도하는 사고 유형입니다. 연역적 추론과 달리, 그것은 다른 유사한 상황에 적용될 수있는 결론을 도출하기위한 구체적인 데이터를 기반으로합니다.

좋은 귀납적 추론을 수행하려면 많은 수의 관측을 수행하고 그 사이의 패턴을 찾고 수집 된 데이터로 일반화 할 수 있어야합니다. 나중에, 그 일반화는 설명이나 이론을 만드는데 사용될 수있다..

귀납적 추론은 과학과 일상 생활에서 모두 사용됩니다. 그 결론은 연역적 추론과 같은 다른 논리적 과정에서 얻은 결론만큼 오류가 없지만 모든 유형의 이론, 예측 또는 행동 설명을위한 기초 역할을 할 수 있습니다.

귀납적 추론의 과정이 수행 될 때, 도달 된 결론은 확실하다는 것이 아니라 확률이 높다. 그러나 이런 유형의 사고를 적용 할 때 여러 가지 유형의 편향이 생겨서 인수가 유효하지 않게됩니다.

색인

• 1 특성
  • 1.1 콘크리트에서 일반으로 간다.
  • 1.2 귀하의 결론은 틀림없이 틀림 없습니다
  • 1.3 적용시 오류가 발생할 수 있습니다.
• 2 가지 유형
  • 2.1 일반화
  • 2.2 통계 삼단 논법
  • 2.3 단순 유도
  • 2.4 유추에 의한 추론
  • 2.5 인과 관계 추론
• 3 추론과의 차이점
  • 3.1 출발점
  • 3.2 인수
  • 3.3 결론의 타당성
• 4 예
• 5 참고

특징

콘크리트에서 장군에게 간다.

귀납적 추론의 주된 특징은 그것을 사용할 때 주어진 현상에 관한 일반적인 이론을 창조하기 위해 사용되는 일련의 구체적인 데이터로 시작한다는 것입니다. 유도를 수행하는 기본 방법은 일련의 구체적인 사례를 관찰하고 공통점이 무엇인지 찾아 보는 것입니다.

예를 들어, 새로운 조류 종을 연구하는 생물 학자는 그가 발견 한 모든 표본에 검은 깃털이 있음을 깨닫습니다. 이로 인해 미래에 발견되는이 종의 다른 동물도이 색의 깃털을 가질 가능성이 있다고 결론을 내립니다.

귀납적 추론은 작동 방식으로 인해 "상향식 논리"라고도합니다. 이것은 공제가 작동하는 방식에 반대되는데, 특정 상황에 대한 결론을 도출하는 데 사용되는 일반 이론에서 출발합니다.

사회 과학은 본질적으로 연역적 추론보다는 귀납적 추론을 사용하는 경향이있다. 따라서 심리학이나 심리학과 같은 학문 이론의 많은 부분은 많은 수의 개인을 관찰하고 전체 인구에 대한 특성을 일반화함으로써 만들어졌다.

결론은 확률이 높습니다.

연역적 추론을 할 때, 전제가 사실이고 논증이 잘 구성된다면, 결론은 항상 사실 일 것이다. 그러나 귀납적 추론에서 이것은 일어나지 않는다. 논리가 잘 사용되는 경우에도 논쟁의 결과는 결코 확실 할 수는 없지만 그것이 틀릴 수도 있습니다.

이것은 귀납적 추론을 사용하여 작업 할 때 항상 확률을 말하기 때문에 발생합니다. 우리가 전에 넣었던 검은 새들의 예에서, 다른 색의 동물이 그 종의 모든 표본이 동일한 색조를 갖는다는 주장을 해체해야만 할 것입니다.

그러나 모든 유형의 귀납 추론이 똑같이 신뢰할만한 것은 아닙니다. 표본이 커질수록 표본이 많을수록 일반적으로 인구가 더 많아 질수록 (즉, 우리가 연구하고자하는 집합과 유사 할수록) 어떤 종류의 오류가있을 확률은 낮아집니다.

예를 들어, 투표 의도에 대한 설문 조사를 실시 할 때, 무작위로 선정 된 10,000 명의 사람들에게 대학 수업에서 50 명으로 구성된 그룹에게 설문 조사가 수행되는지 묻는 것이 훨씬 더 신뢰할 수 있습니다.

 적용시 오류가 발생할 수 있습니다.

우리는 귀납적 추론에 의해 이끌어 낸 결론이 틀림 없지 만, 그럴 가능성이 있음을 이미 보았다. 이는 논리적 프로세스가 올바르게 수행 된 경우에도 발생합니다. 그러나 다른 유형의 추론과 마찬가지로 유도를 수행 할 때 실수를하는 것이 가능합니다.

귀납적 추론을 사용할 때 발생하는 가장 일반적인 오류는 연구되는 상태를 진정으로 대표하지 않는 예에 의존하는 것입니다. 예를 들어 심리학에 대한 많은 비평가들은 과학이 많은 사람들이 일반 학생들과 함께 대학생과 함께 실험을하고 있다고 지적합니다.

가장 일반적인 오류 중 하나는 우리가 시작한 데이터가 불완전한 매우 적은 수의 경우에 우리의 결론을 기반으로하는 것입니다. 귀납적 추론을 통해 실제로 신뢰할 수있는 결론에 도달하려면 최대한 많은 데이터를 기반으로해야합니다..

마지막으로, 우리가 충분한 자료를 갖고 있고 표본이 일반적으로 인구를 대표한다고하더라도, 사고 바이어스 때문에 우리의 결론이 잘못되었을 수도 있습니다. 귀납적 추론에서 가장 일반적인 것은 확증 편향, 가용성 편향, 플레이어 오류.

유형

기본적 메커니즘은 귀납적 추론의 과정에서 항상 유지됩니다. 그러나 일련의 특정 데이터에서 모집단에 대한 일반적인 결론에 도달하는 데는 여러 가지 방법이 있습니다. 다음으로 우리는 가장 일반적인 것을 볼 것입니다..

일반화

귀납적 추론의 가장 간단한 형태는 더 큰 모집단에 대한 결론을 도출하기 위해 작은 표본을 관찰하는 것에 근거합니다.

공식은 다음과 같습니다 : 샘플의 비율이 특성 X를 갖는 경우, 일반 인구의 동일한 비율이 그것을 가질 것입니다.

기본 일반화는 일반적으로 비공식 설정에서 발생합니다. 실제로, 그것은 종종 무의식적으로 발생합니다. 예를 들어 학교에 다니는 한 학생은 30 명의 급우를 관찰하며 5 명은 학부모가 따로 있습니다. 이것을 보면 일반화를 할 수 있고 소수의 성인 만이 분리되어 있다고 생각할 수 있습니다..

그러나,보다 신뢰성 있고 과학적인 형태의 일반화가있다. 첫 번째는 통계적 일반화입니다. 이 작업은 기본 작업과 비슷하지만 더 큰 모집단에서 체계적으로 데이터를 수집하고 결과를 수학적 기법을 사용하여 분석합니다..

5000 명의 사람들에 대한 전화 조사가 그들의 정치적 소속에 대해 수행된다고 가정 해 봅시다. 이 샘플 중 70 %는 "왼쪽"으로 식별됩니다. 표본이 일반 인구를 대표한다고 가정하면 해당 국가의 주민 중 70 %가 좌파로 간주 될 수 있습니다.

통계 삼단 논법

통계 삼단 논법은 특정 현상에 대한 결론을 이끌어내는 일반화에서 출발하는 귀납적 추론의 한 형태입니다. 이 방법을 사용할 때 결과가 발생할 확률을 조사하여 개별 사례에 적용합니다..

예를 들어, 결혼 생활의 80 %가 이혼으로 끝나는 나라에서는 새로 결혼 한 부부가 이혼을 끝내기 쉽다고 말할 수 있습니다.

그러나 연역 논리에서 삼단 논법으로 일어나는 것과는 달리,이 결과는 오류가 없습니다 (결혼이 성공할 확률은 20 %입니다).

통계 삼단 논법을 사용할 때 두 가지 다른 문제가 발생할 수 있습니다. 한편으로 우리가 도달 한 결론에 도달하지 못하는 경우의 비율을 무시하는 것은 매우 쉽습니다. 다른 한편으로는 규칙에 예외가 있기 때문에 일반화 할 수 없다고 생각하는 것이 일반적입니다.

단순 유도

단순 유도는 일반화와 통계 삼단 논법의 결합이다. 이것이 속한 그룹에 영향을 미치는 전제에서 개인에 대한 결론을 추출하는 것으로 구성됩니다. 수식은 다음과 같습니다.

그룹의 비율 X에는 특정 속성이 있음을 알고 있습니다. 이 그룹에 속한 각 개인의 경우이 속성을 나타내는 확률은 X입니다. 예를 들어, 그룹의 구성 요소 중 50 %가 내향 적이면 각 개인이이 특성을 나타낼 확률이 50 %입니다.

비유로 추론하기

귀납적 추론의 가장 일반적인 형태의 또 다른 유형은 두 그룹 또는 다른 개인을 비교하여 유사점과 차이점을 예측합니다. 전제는 이것입니다 : 두 사람이 한 세트의 특성을 공유한다면, 그들은 다른 사람과 비슷하게 될 것입니다.

유추에 의한 추론은 일상과 마찬가지로 과학과 철학과 같은 공식 분야에서 매우 일반적입니다. 그러나 그 결론은 항상 정확하지는 않기 때문에 일반적으로 생각의 보조적인 방법으로 만 유용하다고 간주됩니다.

예를 들어, 우리가 두 사람을 관찰하고 그들이 내면적이고, 독서 사랑하고, 기질이 비슷한 것을 발견했다고 상상해 봅시다. 나중에 우리 중 한 명이 클래식 음악에 관심이 있다는 것을 유추하면, 유추에 의한 추론은 두 번째 음악이 클래식 음악에도 흥미가있을 것이라고 말합니다..

인과 관계 추론

우리는 두 가지 현상이 항상 동시에 발생한다는 것을 관찰 할 때, 우리의 첫 번째 충동은 그 중 하나가 다른 하나의 원인이라고 생각하는 것입니다. 이러한 유형의 귀납 추리는 원인 추론으로 알려져 있습니다.

이러한 유형의 추론은 동시에 발생하는 두 가지 현상이 "이상한 변수"라고 불리는 우리가 알지 못하는 세 번째 현상에 의해 야기 될 수 있다는 문제점을 가지고 있습니다. 그러므로 인과 적 추론은 매우 일반적이지만 과학과 같은 분야에서 유효하다고 여겨 질 충분한 증거를 제공하지 못한다..

잘못된 인과 관계 추론의 고전적인 예는 아이스크림 소비와 바다에서 익사로 인한 사망자 수 간의 관계입니다. 두 가지 현상은 일년 중 특정시기에 더 많이 발생하는 경향이 있습니다. 그래서 우리가 인과 관계 추론을 사용한다면, 그들 중 하나가 다른 하나를 유발하고 있다고 결론을 내릴 수 있습니다..

그러나 논리적 인 설명은 처음 두 가지를 유발하는 세 번째 변수가 있다는 것입니다. 이 경우 여름철에 기온이 올라가면 사람들이 더 많은 아이스크림을 먹고 바다에서 더 자주 목욕하고 이로 인해 익사가 증가합니다.

연역적 추론과의 차이점

출발점

연역적 추리와 유도 적 추론의 첫 번째 근본적인 차이점은 연역적 추리와 유추 추론의 두 가지 근본적인 차이점이다. Deductive reasoning은 "top-down logic"으로 알려져 있습니다. 왜냐하면 일반적인 이론으로 시작하고 특정 사례에 대한 결론을 이끌어 내기 때문입니다..

반대로, 우리는 귀납적 추론을 "상향식 논리"라고도합니다. 이것은 그 과정이 반대이기 때문입니다 : 추론은 구체적인 데이터에서부터 시작되며 일반적인 현상에 대한 논리적 인 결론에 도달하는 것입니다.

인수

논리에서 논쟁은 전제와 결론으로 ​​구성된 추론입니다. 연역 논리에서 논증은 유효하다 (잘 만들어진 경우) 또는 유효하지 않은 경우 (전제가 서로 관련이 없거나 결론이 잘못 추출 된 경우). 반면에, 그들은 또한 진실 일 수 있습니다 (전제가 사실이라면) 또는 거짓 일 수 있습니다.

이것은 귀납적 추론에서 같은 방식으로 작동하지 않습니다. 이러한 유형의 논리에서 논쟁은 강력 할 수 있습니다 (일어날 확률이 높으면) 또는 약합니다. 동시에 강한 주장은 설득력을 발휘할 수 있습니다 (근거가있는 전제가 사실이라면) 또는 확실하지 않을 수 있습니다.

결론의 타당성

이 두 가지 유형의 추론의 마지막 차이점은 결론의 타당성과 관련이있다. 연역 논리에서 전제가 사실이고 논증이 잘 구성된다면, 결론은 절대적으로 모든 경우에 해당 될 것입니다.

대조적으로, 귀납적 추론에서 논쟁이 강하고 전제가 사실 일지라도, 결론은 항상 사실 일 수는 없다. 이것이 우리가 논쟁을 설득하는 이유이며, 어떤 논쟁이 아니라는 것입니다..

예제들

아래에서 우리는 일상적으로 수행 할 수있는 귀납적 추론의 몇 가지 예를 보게 될 것입니다.

- 후안은 땅콩을 먹을 때마다 기침을하며 아프다. 후안은 땅콩에 알레르기가 있어야합니다..

- 선생님은 수업에서 파워 포인트 프레젠테이션을 사용하면 학생들이 더 많은 관심을 보이고 있음을 관찰합니다. 교사는 파워 포인트를 사용하면 학생들의 동기 부여가 향상된다는 결론을 내 렸습니다..

- 변호사는 과거에 그가 가진 것과 유사한 사건이 어떻게 해결되었는지 연구하고 항상 좋은 결과를 얻은 전략을 찾습니다. 이 때문에 그는 자신의 경우에 그것을 사용하면 자신의 목표를 달성 할 것이라고 결론을 내렸다..

참고 문헌

1. "Deductive vs. Inductive ": Diffen. 날짜 : 2010 년 3 월 20 일부터 Diffen까지 : diffen.com.
2. "Deductive Reasoning vs. 귀납적 추론 ": 실천 과학. 작성일 : 2019 년 3 월 20 일부터 Live Science : livescience.com.
3. "유추 추론 정의 및 예"in : Balance Careers. 20110 년 3 월 20 일 The Balance Careers에서 회복됨 : thebalancecareers.com.
4. "귀납 추리의 예": 귀하의 사전. 검색 : 2019 년 3 월 20 일부터 귀하의 사전 : examples.yourdictionary.com.
5. "귀납적 추론": Wikipedia. 20110 년 3 월 20 일, Wikipedia에서 가져온 것 : en.wikipedia.org.