逻辑 · 批判性思维

概念

批判性思维是对"断言及其依据"进行有目的、有纪律的审查：这个结论凭什么成立？证据够不够？有没有别的解释？

它不是抬杠、不是怀疑一切、更不是显得聪明。

$$\text{批判性思维}=\text{求真}+\text{对己对人用同一把尺子}$$

一句话区分：形式逻辑管"推理形式是否有效"，批判性思维管"前提是否可靠、证据是否充分、有没有漏掉别的可能"。形式逻辑是内核，批判性思维是它在真实世界里的用法。

原理

一、论证的四个零件

任何论证都能拆成：

零件	含义
结论（主张）	想要你接受的那句话
前提（理由）	支撑结论的事实或假设
隐含前提	没说出来但推理必须依赖的假设——谬误最常藏在这里
推理	从前提到结论的跳跃方式（演绎 / 归纳 / 溯因）

拆解的通用动作：先找结论（"所以""因此""可见"后面），再找前提（"因为""由于""鉴于"后面），最后补出隐含前提。补不出来的部分，往往就是论证的漏洞。

二、证据分级

不同证据的说服力差距巨大，从弱到强大致是：

级别	证据类型	说明
1	个人经验、轶事	"我朋友吃了就好了"——样本量为 1，无对照
2	权威说法	可引用，但权威也会错，需看是否有证据支撑
3	观察性研究（相关性）	能发现线索，不能定因果
4	对照实验	控制变量，能初步定因果
5	随机对照试验（RCT）	随机分组消除混淆变量，医学金标准
6	系统综述 / 元分析	汇总多个高质量研究，级别最高

样本量与可重复性是两个独立指标：样本再大，不能复现的结果也不可靠；能反复复现的小样本结论，往往比一次性的大样本更可信。

三、相关 ≠ 因果

两个量同时变化有三种可能：A 导致 B、B 导致 A、第三方 C 同时导致两者。

经典例子：冰淇淋销量与溺水人数高度正相关——真因是"夏季高温"这个第三方变量。把相关当因果，就会推出"禁售冰淇淋能防溺水"的荒唐结论。

判定因果需要：时间先后（因在前）、剂量-反应关系、排除混淆变量、有合理的机制解释。

四、可证伪性

一个说法如果不能设想出"什么情况下它是错的"，它就不属于科学命题（波普尔）。"明天可能下雨也可能不下"永远正确，也因此毫无信息量。

好的假设是可被检验的："提高缓存命中率能把接口平均响应时间降到 50 ms 以内"——这个说法可以被数据否定，因此有信息量。

五、常见认知偏差

偏差	表现
确认偏误	只搜集支持自己观点的证据，忽略反例
幸存者偏差	只看到"活下来"的样本，忽略沉默的失败者
锚定效应	第一个数字影响后续所有判断（报价、估值）
可得性偏差	越容易想起的例子，越觉得常见（飞机失事 vs 车祸）
沉没成本	已投入的成本影响继续与否的决策（其实不该影响）
从众效应	因为很多人相信所以相信
后见之明	事后觉得"我早就知道"

对策：主动找反例（证伪而非证实）、看基础比率而非个案、把决策与已投入成本脱钩。

示例

例 1：拆一个"技术选型"论证

某团队宣称："A 框架比 B 框架快，因为 A 的官方基准测试（benchmark）成绩高出 30%，所以我们应该把现有系统全量迁移到 A。"

按四个零件拆：

零件	内容
结论	应该全量迁移到 A
前提	A 的官方基准测试比 B 快 30%
隐含前提	①基准场景与我们的业务负载一致；②性能是唯一/首要决策因素；③迁移成本与风险可接受
推理	归纳 + 决策

逐条审查：

• 前提本身：官方基准通常由开发方设计，场景偏向自家优势；要求给出可复现的测试方法与原始数据
• 隐含前提①：我们的瓶颈是 IO 还是 CPU？如果瓶颈在数据库，框架那 30% 对端到端延迟几乎无影响
• 隐含前提②：迁移还要考虑生态、团队熟悉度、维护成本、招人难度
• 隐含前提③：全量迁移的回归风险、停机窗口——是否需要先做一个模块试点？

修正后的结论：在真实业务负载下做 A/B 对照压测，选取一个非核心模块试点，用端到端指标（P99 延迟、错误率、开发效率）而非框架基准来决定是否扩大范围。

同一个结论（要不要迁移）没变，但决策依据从"别人的测试"换成了"自己的数据"——这就是批判性思维的实际产出。

例 2：识别幸存者偏差

"老一辈的程序员都说当年用记事本写代码照样做出好东西，所以现代 IDE 不是必需的。"

问题：说话的这批人是留下来的成功者；当年因为工具落后而放弃的人不会发声。样本是被结果筛选过的，天然偏向"工具不重要"。

补充数据维度后结论会变：看整体学习曲线、新手留存率、大型项目协作效率，工具的收益就很明显。

实操清单：收到一个断言时问六句

1. 谁说的？ 有无利益关系、专业背景、原始出处？
2. 怎么知道的？ 是个案、相关研究，还是对照实验？
3. 有没有漏掉反例？ 主动搜索反对意见与失败案例
4. 有没有别的解释？ 相关之外是否存在第三方变量
5. 结论是否被证据支持，还是被夸大？ 证据支持"有一定效果"却宣称"彻底解决"，就是夸大
6. 换成什么说法我可能就错了？ 事先想好退出条件（可证伪性）

要点

要点与常见误区

1. 批判性思维要对自己用得最狠。用它只挑别人的错，是最常见的误用——先审自己的立场与偏好（确认偏误）。
2. 区分"我不认同结论"与"论证有缺陷"。论证有缺陷时结论可能仍为真，只是没被证明；反过来，论证漂亮也不代表结论正确（前提可能假）。
3. 区分事实与观点：事实可验证（"P99 是 230 ms"），观点含价值判断（"这太慢了"）。混用二者是很多争论的根源。
4. 相关不等于因果，也不等于无关。正确的追问是"机制是什么、混淆变量排除没有"。
5. 个案不能推翻统计结论，但可以提示新方向。"我认识一个人抽烟活到 90 岁"不能否定统计结论，但它可能提示基因差异这个新变量。
6. 权威与共识不是证据本身，但值得加权。要看权威有没有给出可核查的证据链。
7. 警惕"不可证伪"的表述：永远正确的说法没有信息量；好的判断标准都带退出条件。
8. 成本不对称时要更谨慎：错误的迁移、错误的投资决策代价很高，值得多花一倍时间做验证。

小结

• 批判性思维 = 求真 + 对己对人一把尺子，不是抬杠。
• 拆解论证四件套：结论、前提、隐含前提、推理；漏洞多半藏在没说出口的假设里。
• 两条最有用的判据：证据分级（个案 → 对照 → RCT → 元分析）与相关 ≠ 因果。
• 加上对自身认知偏差（确认偏误、幸存者偏差、沉没成本）的警惕，就足以应付绝大多数日常与技术决策。
• 常见论证谬误的具体清单，见下一篇 逻辑 · 常见论证谬误。

下一篇：逻辑 · 常见论证谬误