> ## Documentation Index
> Fetch the complete documentation index at: https://meta.niceshare.site/llms.txt
> Use this file to discover all available pages before exploring further.

# 摘樱桃谬误

> 摘樱桃谬误是只挑有利证据、忽略关键反证的推理错误。了解其起源、识别方法与适用边界。

<Info>
  **类别**: 谬误<br />
  **类型**: 因果与归纳谬误<br />
  **来源**: 科学方法与法律论证中的“整体证据”原则<br />
  **别名**: 选择性取证
</Info>

<Note>
  **快速回答** — **摘樱桃谬误**（Cherry Picking）是通过只展示支持性材料、隐藏反向证据来制造错误结论的推理偏差。实务上最有效的防线是：先定义完整证据集合，再用同一标准评估支持与反对信息。
</Note>

## 什么是摘樱桃谬误？

**摘樱桃谬误**（Cherry Picking）指从整体证据中挑出“看起来有利”的子集，并把它伪装成全貌。

> 如果样本是在看到结果后才被挑选出来的，结论可信度应立刻下调。

它常见于媒体叙事、团队看板、政策争论和个人判断，因为“可见片段”很容易被误当成“真实全体”。

### 摘樱桃谬误的三层理解

* **入门**：留意是否只展示成功案例、最佳区间或短时间窗口。
* **实践**：追问“排除了什么、为何排除、排除规则是否事前确定”。
* **进阶**：把选择机制、基准率与发表偏差放在同一框架里审查，把“缺失证据”也当证据。

## 起源

该概念在经典逻辑中已存在，现代语境由统计学、循证医学与可重复性运动共同强化。科学共同体和法律实践长期强调：主张应接受“整体证据”检验，而非“有利片段”检验。

研究报告规范与系统综述方法的发展，本质上都在降低选择性报告和事后叙事拼接。

## 核心要点

摘樱桃不只是某张图表有问题，而是整个证据流水线被偏置。

<Steps>
  <Step title="选择规则必须前置">
    如果纳入标准在看到结果后才写，就可能被反向调参以服务既定结论。
  </Step>

  <Step title="反证是诊断信息，不是噪音">
    与结论相反的数据常用于揭示边界条件，而非简单“作废”结论。
  </Step>

  <Step title="时间窗口可被用来造趋势">
    有策略地挑选起止时间，能人为制造增长或下滑叙事。
  </Step>

  <Step title="透明度胜过话术">
    明确展示样本范围与剔除逻辑，能显著提升决策质量与信任。
  </Step>
</Steps>

## 应用场景

当证据质量决定高成本决策时，可优先落地以下做法。

<CardGroup cols={2}>
  <Card title="产品分析">
    在排优先级前，同时呈现核心指标与被省略分群。
  </Card>

  <Card title="公共传播">
    公布完整分母与不确定区间，而不只给戏剧化个案。
  </Card>

  <Card title="招聘与绩效评估">
    覆盖完整周期数据，避免只看峰值月份或极端事件。
  </Card>

  <Card title="个人学习复盘">
    同步记录失败尝试和放弃路径，而不是只记成功案例。
  </Card>
</CardGroup>

## 经典案例

一个典型案例是围绕 1998 年《柳叶刀》Wakefield 论文形成的“疫苗与自闭症”误导叙事。该主张放大了极小且不具代表性的样本，而后续大规模流行病学研究并未发现 MMR 疫苗与自闭症存在因果关联。英国部分地区在 2000 年代早期的 MMR 接种率曾从 90% 以上降至约 80%，随后出现麻疹反弹。该案例说明：选择性证据足以先改变公众行为，再被更完整证据纠正。

## 边界与失效场景

并非所有筛选都构成谬误。只要标准事先定义、方法上可辩护、执行上一致，聚焦分析是合理的。

当标准随结果变化、反证被隐藏、或只传播情绪上“顺手”的样本时，摘樱桃风险显著上升。

## 常见误区

准确识别要区分“必要聚焦”与“操控性省略”。

<AccordionGroup>
  <Accordion title="任何摘要都是摘樱桃">
    不是。只要范围和排除规则清晰、可复核，摘要可以是高质量表达。
  </Accordion>

  <Accordion title="只有坏动机才会出现">
    不是。认知舒适区与时间压力也会让人无意中做出选择性取证。
  </Accordion>

  <Accordion title="数据越多就一定解决">
    不一定。若筛选逻辑与呈现逻辑不透明，再多数据也可能被误导使用。
  </Accordion>
</AccordionGroup>

## 相关概念

与下列页面联读，可更好区分“证据问题”与“解释问题”。

<CardGroup cols={3}>
  <Card title="德州神枪手谬误" href="/zh/fallacies/texas-sharpshooter">先看到点，再画靶心。</Card>
  <Card title="幸存者偏差谬误" href="/zh/fallacies/survivorship-bias-fallacy">忽略不可见失败会系统性失真。</Card>
  <Card title="确认偏误" href="/zh/effects/confirmation-bias">更偏好支持既有立场的信息。</Card>
</CardGroup>

## 一句话总结

<Tip>
  判断结论前，先看“整篮证据”，而不是只看被挑出来的樱桃。
</Tip>
