귀납적 추론 : 특성, 유형 및 예 - 심리학 - 2026

귀납적 추론은 특정 관측 일반화 된 이론을 만드는 방법에 대해 생각의 일종이다. 연역적 추론과 달리, 다른 유사한 상황에 적용 할 수있는 결론을 도출하기 위해 구체적인 데이터에 의존합니다.

좋은 귀납적 추론을 수행하려면 많은 수의 관찰을 수행하고 그 사이의 패턴을 찾고 수집 된 데이터에서 일반화 할 수 있어야합니다. 나중에 그 일반화를 사용하여 설명이나 이론을 만들 수 있습니다.

출처 : pexels.com

귀납적 추론은 과학과 일상 생활에서 모두 사용됩니다. 그 결론은 연역적 추론과 같은 다른 논리적 과정에서 얻은 결론만큼 오류가 없지만 모든 종류의 이론, 예측 또는 행동 설명의 기초가 될 수 있습니다.

귀납적 추론 과정을 수행 할 때 도달 한 결론은 오류가 아닌 것보다 다소 가능성이 있다고합니다. 그러나 이러한 유형의 사고를 적용 할 때 다양한 유형의 편견이 발생하여 주장이 무효화 될 수 있습니다.

형질

콘크리트에서 일반으로 이동

귀납적 추론의 주요 특징은 그것을 사용할 때 특정 현상에 대한 일반적인 이론을 생성하는 데 사용되는 일련의 특정 데이터로 시작된다는 것입니다. 귀납법을 수행하는 기본 방법은 일련의 특정 사례를 살펴보고 공통점을 찾는 것입니다.

예를 들어, 새로운 종의 새를 연구하는 한 윤리학자는 그가 발견 한 모든 표본에 검은 깃털이 있다는 것을 알게됩니다. 이 때문에 그는 미래에 만나는이 종의 다른 동물 도이 색의 깃털을 가질 가능성이 있다는 결론에 도달합니다.

작동 방식 때문에 귀납적 추론은 "상향식 논리"라고도합니다. 이것은 특정 상황에 대한 결론을 도출하는 데 사용되는 일반 이론에서 시작하는 추론이 작동하는 방식과 대조됩니다.

본질적으로 사회 과학은 연역적 추론보다 귀납적 추론을 훨씬 더 많이 사용하는 경향이 있습니다. 따라서 심리학이나 심리학과 같은 학문 이론의 대부분은 많은 개인을 관찰하고 전체 인구에 대한 특성을 일반화함으로써 만들어졌습니다.

당신의 결론은 가능성이 있고 오류가 없습니다

연역적 추론을 수행 할 때 전제가 사실이고 주장이 잘 구성되어 있다면 결론은 항상 사실입니다. 그러나 귀납적 추론에서는 그렇지 않습니다. 논리가 잘 사용 되어도 논쟁의 결과는 절대 오류가 없지만 틀릴 가능성이 있습니다.

이것은 귀납적 추론으로 작업 할 때 항상 확률에 대해 이야기하기 때문에 발생합니다. 우리가 이전에 넣은 검은 새의 예에서, 다른 색의 동물이 그 종의 모든 표본이 같은 색조를 가지고 있다는 주장을 해체하는 것처럼 보이기 만하면됩니다.

그러나 모든 유형의 귀납적 추론이 똑같이 신뢰할 수있는 것은 아닙니다. 우리가 보는 표본이 클수록 일반 모집단을 대표할수록 (즉, 연구하려는 세트와 더 비슷할수록) 어떤 종류의 오류가있을 가능성이 줄어 듭니다.

예를 들어 투표의도에 대한 설문 조사를 진행할 때 50 명의 학생으로 구성된 대학 수업에서 설문 조사를 실시하는 것보다 무작위로 선택한 사람 1 만 명을 묻는 것이 훨씬 더 신뢰할 수 있습니다.

적용시 오류가 발생할 수 있습니다.

우리는 귀납적 추론에 의해 도출 된 결론이 오류가 아니라 단순히 가능성이 있음을 이미 보았습니다. 이는 논리적 프로세스가 올바르게 수행 된 경우에도 발생합니다. 그러나 다른 유형의 추론과 마찬가지로 귀납법을 수행 할 때 실수를 할 수 있습니다.

귀납적 추론을 사용할 때 발생하는 가장 일반적인 실수는 연구중인 조건을 실제로 대표하지 않는 예에 의존하는 것입니다. 예를 들어, 과학으로서의 심리학에 대한 많은 비판자들은 실험이 보통 사람들보다 대학생들에게 종종 수행된다는 점을 지적합니다.

가장 일반적인 오류 중 하나는 시작하는 데이터가 불완전한 매우 적은 수의 경우에 대한 결론을 내리는 것입니다. 귀납적 추론을 통해 진정으로 신뢰할 수있는 결론에 도달하려면 가능한 한 많은 데이터를 기반으로해야합니다.

마지막으로, 충분한 데이터가 있고 표본이 일반 인구를 대표하는 경우에도 사고 편향으로 인해 결론이 잘못되었을 수 있습니다. 귀납적 추론에서 가장 일반적인 것 중 일부는 확인 편향, 가용성 편향 및 플레이어 오류입니다.

종류

기본 메커니즘은 항상 귀납적 추론 과정에 남아 있습니다. 그러나 일련의 특정 데이터에서 모집단에 대한 일반적인 결론에 도달하는 방법에는 여러 가지가 있습니다. 다음으로 우리는 가장 일반적인 것들을 볼 것입니다.

일반화

가장 간단한 형태의 귀납적 추론은 더 많은 모집단에 대한 결론을 도출하기 위해 작은 표본을 관찰하는 것입니다.

공식은 다음과 같습니다. 표본의 비율에 특성 X가 있으면 일반 모집단의 동일한 비율이 X를 갖게됩니다.

기본 일반화는 비공식적 설정에서 발생하는 경향이 있습니다. 사실, 그것은 종종 무의식적 인 수준에서 발생합니다. 예를 들어, 한 학교의 한 학생이 30 명의 급우 중 5 명만이 별거중인 부모를 관찰했습니다. 이것을 보면 일반화를 할 수 있고 소수의 성인 만이 떨어져 있다고 생각할 수 있습니다.

그러나 더 신뢰할 수 있고 과학적인 형태의 일반화가 있습니다. 첫 번째는 통계적 일반화입니다. 작업은 기본 작업과 유사하지만 더 많은 인구에서 체계적으로 데이터를 수집하고 수학적 기술을 사용하여 결과를 분석합니다.

5,000 명의 사람들이 정치적 소속에 대해 전화로 설문 조사를 받았다고 가정 해 봅시다. 이 샘플 중 70 %는 "좌익"이라고 답했습니다. 표본이 일반적으로 인구를 대표한다고 가정하면 해당 국가의 주민 70 %가 자신을 좌파로 간주 할 것이라고 추론 할 수 있습니다.

통계적 삼단 론

통계적 삼단 론은 특정 현상에 대한 결론을 도출하기 위해 일반화에서 시작하는 귀납적 추론의 한 형태입니다. 이 방법을 사용하면 결과가 발생할 확률을 연구하고 개별 사례에 적용합니다.

예를 들어 결혼의 80 %가 이혼으로 끝나는 나라에서 막 결혼 한 부부가 헤어질 가능성이 매우 높다고 말할 수 있습니다.

그러나 연역 논리의 삼단 법과 달리이 결과는 오류가 없습니다 (결혼이 성공할 확률이 20 %입니다).

통계적 삼단 법을 사용할 때 두 가지 다른 문제가 발생할 수 있습니다. 한편으로, 우리가 도달 한 결론이 성취되지 않은 경우의 비율을 무시하는 것은 매우 쉽습니다. 반면에 규칙에 예외가 있기 때문에 일반화 할 수 없다고 생각하는 것도 일반적입니다.

간단한 유도

단순 귀납법은 일반화와 통계적 삼단 법의 조합입니다. 개인이 속한 그룹에 영향을 미치는 전제에서 개인에 대한 결론을 도출하는 것으로 구성됩니다. 공식은 다음과 같습니다.

그룹의 비율 X에는 특정 속성이 있습니다. 해당 그룹에 속한 각 개인의 경우이 속성도 제시 할 확률은 X입니다. 예를 들어 그룹 구성원의 50 %가 내성적 인 경우 각 개인은이 특성을 제시 할 확률이 50 %입니다.

유추에 의한 추론

귀납적 추론의 가장 일반적인 형태 중 하나는 서로 다른 두 그룹 또는 개인을 비교하여 유사점과 차이점이 무엇인지 예측하는 것입니다. 전제는 이것이다 : 두 개인이 한 세트의 특성을 공유하면 다른 사람들도 비슷할 가능성이 더 큽니다.

유추에 의한 추론은 과학과 철학과 같은 형식적인 학문과 우리의 일상 생활에서 매우 일반적입니다. 그러나 그 결론이 항상 정확한 것은 아니므로 일반적으로 보조적 사고 방법으로 만 유용한 것으로 간주됩니다.

예를 들어, 우리가 두 사람을 관찰하고 두 사람이 모두 내성적이고 독서를 좋아하며 비슷한 기질을 가지고 있음을 발견했다고 상상해보십시오. 나중에 그들 중 하나가 클래식 음악에 관심이 있다는 것을 관찰한다면, 유추에 의한 추론은 두 번째도 아마 그럴 것이라고 말할 것입니다.

인과 추론

두 현상이 항상 동시에 발생하는 것을 관찰 할 때, 우리의 첫 번째 충동은 그중 하나가 다른 현상의 원인이라고 생각하는 것입니다. 이러한 유형의 귀납적 추론을 인과 적 추론이라고합니다.

이러한 유형의 추론은 동시에 발생하는 두 가지 현상이 "이상한 변수"라고하는 우리가 모르는 세 번째 현상에 의해 발생할 수 있다는 문제를 가지고 있습니다. 따라서 인과 추론은 매우 일반적이지만 과학과 같은 분야에서 유효한 것으로 간주 될 충분한 증거를 제공하지 않습니다.

잘못된 인과 추론의 전형적인 예는 아이스크림 소비와 바다에서 익사하여 사망 한 사람의 수 사이의 관계입니다. 두 현상 모두 연중 특정시기에 더 많이 발생하는 경향이 있습니다. 따라서 인과 적 추론을 사용하면 둘 중 하나가 다른 하나를 유발한다고 결론을 내릴 수 있습니다.

그러나 논리적 설명은 처음 두 개를 유발하는 세 번째 변수가 있다는 것입니다. 이 경우 여름철에 기온이 상승하여 사람들이 아이스크림을 더 많이 마시고 바다에서 더 자주 목욕을하게되어 익사로 인한 사망자가 증가합니다.

연역적 추론과의 차이점

포인트

연역적 추론과 귀납적 추론의 첫 번째 근본적인 차이점은 둘 다의 출발점입니다. 연역적 추론은 일반 이론으로 시작하여 특정 사례에 대한 결론을 도출하기 때문에 "하향식 논리"로 알려져 있습니다.

반대로 우리는 귀납적 추론을 "상향식 논리"라고도하는 것을 이미 보았습니다. 이는 과정이 반대이기 때문입니다. 추론은 구체적인 데이터에서 시작되고 일반적인 현상에 대한 논리적 결론에 도달하는 것입니다.

인수

논리에서 논증은 전제와 결론으로 ​​구성된 추론입니다. 연역적 논리에서 논증은 유효하거나 (잘 구성된 경우) 유효하지 않을 수 있습니다 (전제가 서로 관련이 없거나 결론이 잘못 도출 된 경우). 반면에, 그들은 또한 참 (전제가 참인 경우) 또는 거짓 일 수 있습니다.

이것은 귀납적 추론에서 같은 방식으로 작동하지 않습니다. 이러한 유형의 논리에서 논쟁은 강하거나 (일어날 확률이 높으면) 약할 수 있습니다. 동시에 강력한 주장은 설득력이있을 수도 있고 (그들이 근거한 전제가 사실이라면) 설득력이 없을 수도 있습니다.

결론의 타당성

이 두 가지 유형의 추론 간의 마지막 차이점은 결론의 타당성과 관련이 있습니다. 연역적 논리에서 전제가 사실이고 주장이 잘 구성되어 있다면 결론은 절대적으로 모든 경우에 사실이 될 것입니다.

반대로 귀납적 추론에서는 주장이 강력하고 전제가 사실이더라도 결론이 항상 사실은 아닙니다. 그것이 우리가 진정한 주장이 아니라 설득력있는 주장을 말하는 이유입니다.

예

아래에서는 우리가 일상에서 수행 할 수있는 귀납적 추론의 몇 가지 예를 더 볼 것입니다.

-후안은 땅콩을 먹을 때마다 기침을하고 아프다. 후안은 땅콩 알레르기가있는 것 같습니다.

-한 교사가 수업에서 PowerPoint 프레젠테이션을 사용할 때 학생들이 더 많은 관심을 보이는 것을 관찰합니다. 교사는 PowerPoint를 사용하면 학생들의 동기를 높이는 데 도움이 될 것이라고 결론지었습니다.

-변호사가 과거에 손에 들고 있던 것과 유사한 사건이 어떻게 해결되었는지 연구하고 항상 좋은 결과를 낳은 전략을 찾습니다. 이로 인해 그는 자신의 경우에 그것을 사용하면 자신의 목표도 달성 할 것이라는 결론에 도달합니다.

참고 문헌

1. "연역적 vs. Inductive”in : Diffen. 검색 일 : 2019 년 3 월 20 일 Diffen : diffen.com.
2. "연역적 추론 vs. 귀납적 추론 "in : Live Science. 검색 일 : 2019 년 3 월 20 일 Live Science : livescience.com.
3. "귀납적 추론 정의 및 예": The Balance Careers. 검색 일 : 2019 년 3 월 20 일 The Balance Careers : thebalancecareers.com.
4. "귀납적 추론의 예"in : Your Dictionary. 검색 날짜 : 2019 년 3 월 20 일 Your Dictionary : examples.yourdictionary.com.
5. "귀납적 추론"in : Wikipedia. 검색 일 : 2019 년 3 월 20 일 Wikipedia : en.wikipedia.org.