帰納的推論

何度も観察した金属が加熱によって膨張したことから、次に加熱する同種の金属も膨張すると予測するのが帰納的推論の一例です。調べた標本の傾向から母集団の割合を推定する一般化も、この推論に含まれます。これに対して演繹的推論では、妥当な形式と真の前提がそろった結論は真です。帰納の結論は観察済みの内容を越えるため、強い証拠があっても例外の可能性が残ります。このように情報を広げる性質が、拡張的という呼び名の由来です。

帰納の強さを観察件数だけで評価すると、重要な条件を落とします。どの母集団について結論するのか、標本をどう選んだか、各事例が独立しているか、結果を同じ基準で測ったかが重要です。利用者の感想を集める調査で、満足した人だけが回答しやすい仕組みなら、回答件数が増えても母集団の評価には回答者の偏りが残ります。標本の選び方と欠測の構造を示すことで、どの範囲まで結論を広げられるかが分かります。

デイヴィッド・ヒュームは、過去に観察した規則性から未観察の事例へ進む推論の根拠を問い直しました。未来が過去と似るという見込みには、論理だけから埋められない飛躍があります。また、帰納が過去に成功したという事実から今後の信頼性を導く説明は、正当化したい帰納を再び使います。これが帰納の問題です。焦点となるのは、経験にもとづく予測を合理的に支える原理です。人が経験から予測するという事実を認めたうえで、その根拠を問います。

現代の帰納論理やベイズ的な方法は、証拠が仮説をどの程度支持するかを確率で表し、追加証拠に応じて確信度を更新します。この方法の利点は、不確実性と仮説間の差を共通の尺度で示せる点です。ただし、事前確率、標本、観測モデルの選び方は結果へ影響します。確率計算が与えるのは条件を明示した評価であり、未観察事例の真理の保証とは別です。そのため、どの仮定を置き、どのデータで更新したかも併記します。

タロットの記録で観察できるのは、カード、向き、配置、質問、事前に書いた読み、後から確かめた結果です。複数の記録から「このカードは連絡の到来を予測する傾向がある」と推論するなら、対象期間、判定基準、記録対象を先に定める必要があります。一致と不一致を同じ方法で残し、後知恵で意味を広げた例や結果を確かめられない例は別の欄にまとめます。自分で選んだ少数の成功例だけから広い規則を導くと、選択の偏りが生じるためです。将来の独立した記録で予測を試すと、手元の標本だけに合う説明かを確かめられます。演繹的推論、ベイズ更新、反証主義をたどれば、必然的な導出、確信度の更新、失敗し得るテストという役割の違いも明確です。