Induktívne argumenty

Odôvodňovanie pomocou platných argumentov je typické pre disciplíny, akými sú napr. právo, filozofia alebo teológia. Tieto a im príbuzné oblasti budujú svoje poznanie najmä na základoch deduktívneho uvažovania, a preto, prirodzene, v odôvodnení priorizujú deduktívnu platnosť. Oveľa častejšie sú však možnosti nášho poznania limitované a odôvodnenia len čiastočné. Ak napríklad biológ skúma konkrétnu formu života, pracuje len s obmedzeným počtom exemplárov a na jeho základe sa pokúša poznatky zovšeobecniť aj na tie jedince, ktoré ešte nepreskúmal a ani nikdy nepreskúma. Preto sa môže ľahko stať, že niektoré zovšeobecnenia sa neskôr ukážu ako nepravdivé. Objaví sa skutočnosť (napr. vďaka novým prístrojom), ktorá vyvráti doterajšie hypotézy, a preto nesmieme zabúdať, že induktívne odôvodnenie je len provizórne a neúplné. Nemôžeme ho však obísť, keďže mnohé naše poznatky sú naozaj založené na obmedzenom prístupe k informáciám, a to nehovoríme len o bežnom poznaní, ale aj o vedeckom.

Argument je induktívne silný, ak vzhľadom na informácie obsiahnuté v premisách, je  (i) záver skôr pravdivý ako nepravdivý, resp. (ii) je rozumnejšie očakávať pravdivosť záveru ako jeho nepravdivosť. (Bowell – Kemp, 2002, s. 94)

Induktívne argumenty majú najčastejšie podobu buď štatistických zovšeobecnení, alebo aplikácií. V prvom prípade usudzujeme o skupine objektov (vecí, udalostí, procesov, živočíšnych druhov atď.) na základe povahy jej vzorky (konkrétneho príkladu danej veci, udalosti alebo procesu). V druhom prípade uvažujeme o konkrétnych vzorkách na základe povahy skupiny. Štatistické zovšeobecnenia (Sinnott-Armstrong – Fogelin, 2009, s. 217) vedú od výrokov o konkrétnych objektoch k všeobecným tvrdeniam; štatistická aplikácia smeruje od všeobecných tvrdení k tvrdeniam o konkrétnych vzorkách (Sinnott-Armstrong – Fogelin, 2009, s. 225), pričom všeobecné výroky nie sú kategorickej povahy.

 

Štatistické zovšeobecnenie

Z limitovaného poznania niekoľkých príkladov uvažujeme o skupine ako celku:

            1. Ján je amatérsky cyklista a doping neberie. 

            2. Petra je amatérskou cyklistkou a doping neberie.  

            .

            .

            .

            20. Jozef je amatérsky cyklista a doping neberie. 

                  Preto pravdepodobne:

            21. Žiaden amatérsky cyklista doping neberie.   

 

Odôvodnenie záveru je slabé, je založené na veľmi malej vzorke amatérskych cyklistov. Úspech štatistických zovšeobecnení závisí v prvom rade od veľkosti preskúmanej vzorky objektov v porovnaní s celkovou veľkosťou skúmanej množiny (Sinnott-Armstrong – Fogelin, 2009, s. 220). Hoci nie je v našich silách preskúmať dostatočný počet vzoriek, ešte stále môžeme sformulovať induktívne silné zdôvodnenie na základe aj malého počtu reprezentatívnych vzoriek (Sinnott-Armstrong – Fogelin, 2009, s. 222). Typickým príkladom sú prieskumy verejnej mienky, ktoré sú založené na takej štruktúre skúmanej vzorky, ktorá odzrkadľuje štruktúru celej populácie. Ideálny spôsob zvyšovania induktívnej sily argumentu by mal spočívať v maximalizácii počtu čo najreprezentatívnejších vzoriek.

 

Štatistická aplikácia

V prípade štatistických aplikácií usudzujeme o prvkoch na základe štatistických informácií o triedach a množinách, do ktorých patria:

 

(A1)     1. 85 % Banskobystričanov volí stranu Y.

            2. Ján je z Banskej Bystrice.

            Preto pravdepodobne:

            3. Ján volí stranu Y.

 

V prípade argumentu (A1) usudzujeme na základe správania väčšiny Banskobystričanov o správaní jedného z nich. Ak je prvá premisa argumentu (A1) pravdivá, Ján bude voliť stranu Y s veľkou pravdepodobnosťou. Ide o induktívne silný argument. Takým je však aj tento:

 

(A2)   1. 2 % Banskobystričanov volí stranu Z.

          2. Jozef je z Banskej Bystrice.

          Preto pravdepodobne:

          3. Jozef nevolí stranu Z.

 

Bowell, T. – Kemp, G. (2002): Critical Thinking: A Concise Guide. London: Routledge.

Sinnott-Armstrong, W. – Fogelin, R. (2010): Understanding Arguments. An Introduction to Informal Logic. Wadsworth: Cengage Learning.