30秒サマリ
- 三種の推論は「どの方向に論理を動かすか」が根本的に違う。演繹=規則→結果、帰納=事例→規則、アブダクション=観察→原因仮説
- アブダクションだけが「まだ見ていない原因・説明」を新たに生成できる。「発見の論理」と呼ばれる唯一の推論
- 医療診断では三種が順番に働く——アブダクション（仮説生成）→演繹（検証）→帰納（法則更新）
- 使い分けの鍵: 「原因が不明」→アブダクション、「仮説の検証」→演繹、「法則の発見」→帰納
- アブダクションはホームズの推理の実態。「演繹だ」と本人が言っていても、不完全な証拠から最善説明を選ぶ操作はアブダクション
背景と知識地図
このセクションでは、三種の推論がどう違うかを理解できる。
推論には大きく三つの様式がある。「どの方向に論理を動かすか」という点で根本的に異なる。
演繹 はルールから結論を導く推論だ。
例: 「全ての人間は死ぬ・ソクラテスは人間だ→ソクラテスは死ぬ」。
前提が正しく推論の形式が妥当であれば、結論は必然的に真になる。
数学的証明・法律解釈・ソフトウェアの仕様検証など「すでに確立した規則から確実な結論を引き出したい場面」で力を発揮する。
弱点は新しい知識を生まない点にある——前提の外に出られない。
帰納 は事例を積み上げてルールを見つける推論だ。
例: 白い白鳥を千羽観察して「白鳥は白い」と結論する。
観察事例を積み上げて普遍的パターンを引き出す。
科学的仮説の補強・市場トレンド分析・機械学習のモデル訓練がその応用例だ。
ただし確率的な推論であり、千一羽目に黒鳥が現れれば反証される。
つまり、哲学の「帰納の問題」と呼ばれる構造的な脆弱性がある。
アブダクション は、事実を見て「これを一番うまく説明できる原因は何か」を探す推論だ。
19世紀にアメリカの哲学者チャールズ・サンダース・パースによって体系化された。
「アブダクションだけが新しいアイデアを導入できる唯一の論理操作だ」という主張がある。
つまり、科学的発見の論理そのものとみなされた。
後にIBE（最良説明への推論: Inference to the Best Explanation）という名称で現代の認識論（知識の成り立ちを問う哲学）に接続し直された。
医師が症状から病名を絞る行為・名探偵の推理・地震波から地殻構造を推定する地球物理学——いずれもアブダクションの典型例だ。
構造を一行で
このセクションでは、三種の違いを一目で把握できる。
演繹: 規則 + ケース → 結果（確実、新情報なし） 帰納: ケース + 結果 → 規則（確率的、新法則を生成） アブダクション: 規則 + 結果 → ケース（仮説的、新原因を生成）
古典的な教材でも三種の推論は同一シナリオで定式化されてきた。
演繹と帰納は「すでにある情報の整理」だ。
アブダクションだけが「まだ見ていない原因・説明を作り出す」。
同一シナリオで三つを見る——医師の診察室
このセクションでは、三種の推論が現実の診断でどう順番に働くかがわかる。
患者が「腹痛と息切れ」を訴えて来院した。
ステップ1: アブダクション（最初に起動）
観察: 腹痛 + 息切れという症状の組み合わせ。
→「膵炎・肺炎・肺塞栓・心筋梗塞のどれかが、この症状を最もよく説明する」
→ 原因の候補を生成する。確証はない。「何も確定前提がないため演繹は使えない」段階。
ステップ2: 演繹（仮説が立ったら）
前提: もし膵炎なら → アミラーゼ・リパーゼが上昇するはずだ。
→ 検査 → 陰性 → 「膵炎ではない」と確定。
→ 既知の法則を使って候補を絞る。新情報は生まない。
ステップ3: 帰納（データが蓄積されたら）
過去の類似症例: この症状パターンの患者の多くは肺塞栓だった。
→「この患者も肺塞栓の可能性が高い」という確率的判断。
→ 繰り返しのデータから法則を更新する。
三つは対立していない。診断という一つのプロセスの中で順番に働く。
実事例
このセクションでは、三種の推論が歴史的・日常的にどう使われてきたかがわかる。
同じシナリオで三種を見る——豆の例
三種の推論を同一シナリオで比較するための古典的な例題だ。
演繹: この袋の豆はすべて白い（規則）＋この豆は袋から取り出した（ケース）→ だからこの豆は白い（結果）。規則の「適用」。
帰納: 何度も取り出すたびに白かった（ケース+結果の繰り返し）→ この袋の豆はおそらくすべて白い（規則の発見）。
アブダクション: テーブルに白い豆がある（結果）＋白い豆だけ入った袋がある（規則）→ この豆はあの袋から取り出されたのだろう（ケースの仮説）。
シャーロック・ホームズの推理（アブダクション）
ホームズは自分の推理を「演繹」と呼んでいた。
しかし哲学的には、実際の手法はアブダクションだというのが定説だ。
靴の泥・葉巻の香り・手の胼胝・未完成の手紙という断片から「インド帰りの医師」という人物像を導く。
前提から必然的に導いているのではなく、最も説明力の高い仮説を選んでいる。
つまり、アブダクションの教科書的な例だ。
ダーウィンの自然選択説（三種の協働）
帰納: ガラパゴス諸島で島ごとにフィンチのくちばしが違うことを繰り返し観察した。
→「環境が異なると種の特徴が異なる」という傾向が見えた。
アブダクション: 種ごとの特徴の差 + 生存率の差から「環境に適した特徴を持つ個体が生き残る自然選択」という仮説を立てた。
データから必然的に導けるのではなく、観察を最もよく説明するメカニズムを発明した操作だ。
演繹: 自然選択説が真なら → 地理的に隔離された集団は異なる方向に進化するはずだ。
→ 後続研究で検証した。
自己理解への応用（偏愛の発見）
「免許落としたイスラム系女性には手を差し伸べた、老人や生活保護者には動かない——なぜか」という問いはアブダクションの起動条件そのものだ。
観察（動いた/動かなかった）が先にあり、それを最もよく説明する変数（「構造的不公平」）を生成する。
演繹でも帰納でもない。「なぜこの差があるのか」という異常への反応がアブダクションを発火させる。
使い分けの基準
このセクションでは、「今どの推論を使えばいいか」の判断基準がわかる。
「今、何が不明なのか」で決まる。
- 原因が不明（観察はあるが説明がない）→ アブダクション
- 仮説はあるが正しいか不明 → 演繹で検証
- 法則が不明（事例は積み上がっているが規則がない）→ 帰納
研究者のコンセンサスとして共有されている判断基準:
- 知識が完備で法則が明確 → 演繹
- データが豊富・法則未知 → 帰納
- 観察が不完全・説明が必要・前例が少ない → アブダクション
アブダクションの質を決める二変数
このセクションでは、アブダクションを「うまく使える人」と「使えない人」の差がわかる。
1. 異常への感度: 驚けない人はアブダクションが起動しない。
「なんとなく違う」で終わらせず「なぜ違うのか」を問えるかどうかが分かれ目だ。
2. 仮説の在庫: 「最良の説明」を生成するには、候補となる説明の引き出しが多いほどいい。
ホームズが推理できるのは犯罪・解剖・化学の知識が膨大だからだ。
具体的には、知識量が仮説の質の上限を決める。
未解明・次の問い
- アブダクションで生成された仮説を「良い仮説」と「悪い仮説」に選別する基準は何か（アブダクションへの批判との関係）
- 自己理解においてアブダクションを意図的に強化する訓練は可能か
- 帰納の「どれくらいのサンプル数で法則化してよいか」という閾値判断の基準