Antigravity Agent
2a2a1ad3b1
- 10_Wiki/Topics/Thinking & Reasoning/ 다수 신규 토픽 추가 (3C, 4P, 5 Whys, 7S, 80/20 법칙, 인과관계, 디자인 씽킹 변형 등) - Premium/Logic Tree/ 11개 파일 → Thinking & Reasoning 으로 흡수 - Premium/Thinking & Reasoning/ 동기화 갱신 - memory/long_term.json + .DS_Store 자동 갱신 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
61 lines
4.1 KiB
Markdown
61 lines
4.1 KiB
Markdown
---
|
|
id: 귀납법
|
|
title: "귀납법"
|
|
category: "10_Wiki/Topics"
|
|
status: "draft"
|
|
verification_status: "conceptual"
|
|
canonical_id: ""
|
|
aliases: []
|
|
duplicate_of: ""
|
|
source_trust_level: "B"
|
|
confidence_score: 0.85
|
|
created_at: 2026-05-24
|
|
updated_at: 2026-05-24
|
|
review_reason: ""
|
|
merge_history: []
|
|
tags: ["research", "mutually exclusive collectively exhaustive 원칙"]
|
|
raw_sources: ["NotebookLM Synthesis"]
|
|
applied_in: []
|
|
github_commit: ""
|
|
---
|
|
|
|
# [[귀납법]]
|
|
|
|
## 🎯 한 줄 통찰 (One-line insight)
|
|
개별적인 구체적 사실들로부터 공통된 흐름과 경향성을 파악하여 논리적 가설과 주장을 도출하는 경험 중심의 사고 방식 [1, 2].
|
|
|
|
## 🧠 핵심 개념 (Core concepts)
|
|
- **구체적 사실의 축적:** 여러 지점에서 발생하는 개별적인 정보와 데이터를 수집하여 근거로 활용함 [1, 2].
|
|
- **개연성 및 경향성 분석:** 수집된 사실들 사이의 흐름이나 공통적인 특징을 읽어내어 일반적인 방향성을 추출함 [1, 2].
|
|
- **가설 수립 및 추론:** 데이터와 논거를 바탕으로 '주장' 혹은 '가설'을 수립하는 논리 전개 과정을 거침 [1, 2].
|
|
- **확실성의 보완:** 주장의 가능성을 100% 보장할 수 없다는 특성 때문에, 보다 확실한 증거가 될 수 있는 구체적 정보 수집에 집중함 [1-4].
|
|
|
|
## 🧩 추출된 패턴 (Extracted patterns)
|
|
- **추론 구조 패턴:** **데이터(Data) → 논리적 근거(Logical Basis) → 주장(Claim/Hypothesis)** 의 순서로 사고가 전개됨 [1, 2].
|
|
- **경험적 논리 구축:** 보편적 일반론을 사용하는 연역법과 달리, 실제 현장에서 얻은 경험과 사례를 논리에 접목함 [1, 2].
|
|
|
|
## 📖 세부 내용 (Details)
|
|
- 귀납법은 전문적인 식견이 부족한 일반인이나 실무자도 자신의 **경험 세계를 논리에 접목**할 수 있게 돕는 유용한 도구임 [1, 2].
|
|
- 주장을 뒷받침하기 위해 일반론이 아닌 **구체적인 사실(정보)**을 여러 곳에서 수집하며, 이를 바탕으로 일반적인 경향을 파악함 [1, 2].
|
|
- 비즈니스 현장에서의 대표적 예시로 신제품 반응 분석이 있음:
|
|
- **구체적 사실:** 수도권, 중부권, 남부권 등 각 지역별로 신제품에 대한 긍정적인 반응과 높은 만족도가 보고됨 [1, 2].
|
|
- **논리적 근거:** 과거 사례에 비추어 초기 반응이 이 정도 수준이라면 성공 가능성이 높음 [3, 4].
|
|
- **귀납적 결론:** "이번 신제품은 히트 상품이 될 가능성이 매우 높다"는 가설적 주장을 도출함 [1, 2].
|
|
- 귀납법은 연역법과 달리 결론이 도출되더라도 그것이 항상 100% 참임을 보장하지는 않으며, 이를 보완하기 위해 **더 많은 양의 구체적 증거와 정보**를 수집하려는 노력이 필수적임 [1-4].
|
|
|
|
## ⚖️ 모순 및 업데이트 (Contradictions & updates)
|
|
- **연역법과의 대비:** 보편적 일반론에서 시작하여 필연적 결론을 내는 연역법에 비해, 귀납법은 개별적 사실에서 시작하여 확률적 가설을 세운다는 점에서 논리적 성격이 다름 [1, 2].
|
|
- 소스 내에서는 귀납법의 결론이 100% 보장되지 않는다는 점을 한계가 아닌, '가설 수립'을 위한 실천적 방법론으로 설명하고 있음 [1, 2].
|
|
|
|
## 🛠️ 적용 사례 (Applied in summary)
|
|
- **신제품 시장 반응 분석:** 수도권·중부권·남부권의 긍정적 소비자 데이터를 기반으로 해당 제품의 성공 가설(히트 상품 가능성)을 수립하는 데 적용됨 [1, 2].
|
|
- **로지컬 씽킹 커리큘럼:** 비즈니스 커뮤니케이션 기술 중 하나인 '연역/귀납 말하기' 구성 요소로 포함되어 교육됨 [5, 6].
|
|
|
|
## ✅ 검증 상태 및 신뢰도
|
|
- **상태:** draft
|
|
- **검증 단계:** conceptual (실제 비즈니스 가설 수립 로직으로 활용됨)
|
|
- **출처 신뢰도:** B (전문가의 로지컬 씽킹 및 기획 교육 자료 기반)
|
|
- **중복 검사 결과:** 신규 생성 (New discovery)
|
|
|
|
## 📝 변경 이력 (Change history)
|
|
- 2026-05-24: Initial draft generated via Datacollector_MAC P-Reinforce engine. |