Соединенный метод сходства и различия

Этот метод представляет собой комбинацию первых двух методов, когда путем анализа множества случаев обнаруживают как сходное в различном, так и различное в сходном.

Схема рассуждения:

Первый случай: АВС — явление " у" происходит Второй случай: GLB — явление " у" происходит Третий случай: GBC — явление " у" происходит Четвертый случай: АС — явление " у" не происходит Пятый случай: GL — явление " у" не происходит Шестой случай: GC — явление " у" не происходит.

По-видимому, В является причиной явления " у"

Например, требуется определить причину отравления ряда работников химического предприятия, которые занимались приготовлением различных растворов. Согласно соединенному методу сходства и различия ход мысли может быть таким:

Отравление получили те, кто готовил растворы А, В, С

Отравление получили те, кто готовил растворы А, К, Е

Отравление получили те, кто готовил растворы А, Р, О

Не получили отравление тс, кто готовил растворы В, С, X

Не получили отравление тс, кто готовил растворы К, E, G

Не получили отравление те, кто готовил растворы Р, О, L

Вероятно, приготовление раствора А явилось причиной отравления ряда работников.

Метод сопутствующих изменений

Если исследуемое явление изменяется определенным образом всякий раз, когда видоизменяется одно из предшествующих обстоятельств, то это обстоятельство можно предположительно считать причиной исследуемого явления.

Схема рассуждения:

Первый случай: ABCD — дает явление «у» .

Второй случай: A₁BCD — дает явление «у₁» .

Третий случай: А₂ВСР — дает явление " у₂"

По-видимому, А находится в причинной связи с «у» .

Например, независимо друг от друга в разных сферах исследования были составлены два графика: график солнечной активности и график динамики сердечно-сосудистых заболеваний (в частности, инфарктов). Сопоставление графиков дало сенсационный результат: они практически совпадали, что позволило заключить, что, вероятно, рост активности Солнца вызывает рост заболеваемости (смертности) сердечников.

Метод остатков

Если сложное обстоятельство вызывает сложное явление и известно, что часть обстоятельств вызывает определенную часть этого явления, то вероятно, что оставшаяся часть обстоятельств вызывает оставшуюся часть явления.

Схема рассуждения:

После АВС наступает сложное явление авс

Известно, что: А вызывает а

В вызывает в

По-видимому, С является причиной с

Классическим примером применения метода остатков служит открытие планеты Нептун. В Солнечной системе орбиты планет Урана и Нептуна находятся друг за другом на удалении около 1,5 млрд км. При наблюдении планеты Уран было обнаружено ее отклонение от величины орбиты, несмотря на то что силы тяготения других планет оставались неизменными и никак не могли влиять на отклонение орбиты Урана. Французский астроном Леверье, используя метод остатков, выдвинул гипотезу о существовании неизвестной планеты и описал некоторые ее характеристики. Вскоре, в 1847 г., немецкий астроном Галле открыл планету Нептун.

В зависимости от схемы, по которой получен данный индуктивный вывод, его следует отнести к тому или иному методу.

Что касается оценки правильности применения методов индуктивного исследования, то необходимо руководствоваться следующим:

• — чем больше рассмотрено случаев и чем разнообразнее обстоятельства в них, если к тому же установлено точно, что сходны эти случаи лишь в одном-единственном обстоятельстве, тем строже соблюдены требования метода сходства•,
• — чем строже обеспечена идентичность всех, кроме одного из обстоятельств в обоих исследованных случаях, тем правильнее соблюдены требования метода различия. При этом должно быть точно установлено, что эти случаи различны лишь в одном-единственном обстоятельстве;
• — чем надежнее наши сведения: 1) что все, кроме одного обстоятельства, в рассмотренных случаях неизменны, 2) что изменение этого единственного обстоятельства находится в причинном соответствии с изменением явления, причину которого мы ищем, тем точнее вывод по методу сопутствующих изменений•,
• — чем надежнее наши данные о причинах уже изученных частей явления, тем надежнее будет умозаключение по методу остатков о существовании ранее неизвестного обстоятельства.

По индукции могут быть получены также статистические выводы — умозаключения, в которых на основании знания о том, что некоторые из рассмотренных предметов класса К обладают каким-то признаком Р, а другие из предметов этого класса не обладают признаком Р, делается вывод о том, что определенная часть (выраженная обычно в процентах) предметов исследуемого класса обладает данным признаком.

Заключение

обычно имеет вид: «…% предметов класса К имеют признак Р» .

Например: «Хулиганские действия в 95 из 100% совершаются в состоянии алкогольного опьянения» .

Статистические выводы представляют собой особый вид неполной индукции.

Таким образом, статистическое обобщение — это умозаключение неполной индукции, в котором установленная в посылках количественная информация о частоте определенного признака в исследуемой группе (образце) переносится на все множество явлений этого рода.

Учитывая трудности выявления причинных зависимостей, анализ таких массовых событий позволяет определить устойчивое распределение интересующих ученых случайных признаков. Количественная информация, выражающая устойчивые тенденции развития, имеет важное практическое значение для формирования внутренней и внешней политики, профилактических мероприятий по борьбе с наркоманией, взяточничеством и т. п. Анализ массовых событий ведется чаще всего путем не сплошного, а выборочного исследования отдельных групп и образцов, а затем логического переноса полученных результатов на все их множество. Вывод в этом случае осуществляется в форме статического обобщения.

В отличие от индукции через перечисление при отсутствии противоречащего случая в посылках статистического умозаключения фиксируется следующая информация:

• 1) общее число объектов, составляющих исследуемую группу или образец случаев;
• 2) число случаев, где присутствует признак, который интересует исследователя;
• 3) частота проявления интересующего признака.

Для построения схемы статистического обобщения введем следующие условные обозначения: S — исследуемый образец; р — интересующий исследователя признак; т — общее число наблюдаемых случаев; п — число благоприятных случаев, когда явление обладает признаком - частота признака; К — популяция, или множество явлений, на которые распространяется частота признака.

Частота появления признака р в образце S представляет собой отношение числа благоприятных случаев п к общему числу исследуемых явлений т:

F (p) = n / m.

Так, статистическая информация о посещаемости студентов занятий показывает, что 95 из 100 случаев посещаемость зависит от качеств преподавателя и возможности получить у него зачет/ экзамен. Значит, что при таком требовательном и интересном преподавателе, как Иванов, и возможность получить зачет по итогам посещаемости определяется как 95/100, т. е. составляет 95%.

Статистическое обобщение, будучи видом неполной индукции, относится к числу недемонстративных умозаключений. Логический переход от посылок к заключению в данном случае дает лишь проблематичное знание. Степень обоснованности статистического обобщения зависит от специфики исследуемого образца: его величины по отношению к популяции и представительности (репрезентативности). Если образец приближается к популяции по объему, то обобщение является более основательным, так как возможность ошибки становится минимальной.

Репрезентативность обобщения предполагает и меру его представительности, т. е. насколько разнообразие элементов в образце отражает их разнообразие в популяции.

Тщательность статистического описания исследуемого образца и корректность логического переноса частоты признака на популяцию обеспечивают высокую вероятность, а следова;

тельно, и эффективность статистических обобщений в различных областях научного и практического знания.

В практике научных эмпирических исследований рассмотренные методы могут применяться как в отдельности, так и в различных сочетаниях. Естественно, что любое сочетание методов способно лишь усилить их познавательные возможности.