COGNITIVE BIASES (pág 52)

§ 1 O que é cognitive bias?

Apesar de não definir-se cognitive bias no livro, esse viés descreve-se como uma
grande parte das características relativamente bem estabelecidas do inconsciente
humano que afetam a formação de crenças. Considere, por exemplo, o argumento:

“Alguns pitbulls mordem, tendo em vista que todos os pitbulls são cães, e alguns cães
mordem”

Isso não é um bom argumento. Pela mesma estrutura lógica, é possível concluir que
alguns pitbulls são pastores alemão, o que é absurdo. O argumento em si, porém, não é o
viés cognitivo. Porque sabemos que a conclusão do argumento é verdadeira, demora-se
uns instantes para perceber que o argumento é ruim, e o viés cognitivo da questão é, na
verdade, a tendência a avaliar o argumento pelo crédito da conclusão. Tal tendência é
denominada belief bias.

§ 2 Confirmation Bias:

Semelhante ao belief bias, há um famoso viés, denominado confirmation bias. O viés

de confirmação é a nossa inclinação a considerar mais forte a evidência que apoia nosso
ponto de vista. Por exemplo, um democrata considera abundante as evidências de que a
Fox News é tendenciosa. Um republicano, por outro lado, pode considerar as exatas
mesmas evidências fracas e pouco convincentes. Não há uma fronteira definitiva entre
cognitive bias e belief bias. Ambos são expressões do inconsciente que nos levam a
pensar que nosso lado da questão é o correto.

§ 3 Heurística

Alguns vieses cognitivos envolvem heurística – regras gerais que seguimos

inconscientemente ao estimarmos probabilidades. Um exemplo é o availability heuristic,
que envolve assinalar uma probabilidade a um tipo de evento baseado na frequência em
que se pensa em/expõe a ele. Por exemplo, após assistir múltiplas notícias de quedas de
avião ou abuso infantil, é possível superestimar a probabilidade desses eventos
ocorrerem.

§ 4 Heurística se relaciona a:

O availability heuristic pode estar relacionado ao anecdotal fallacy, que se baseia em

evidência anedótica [explicar a definição], e ao false consensus effect, que se refere à
inclinação a assumir que nossas atitudes, e as atitudes das pessoas ao nosso redor, são
compartilhadas pela sociedade como um todo [1].

§ 5 bandwagon effect

O bandwagon effect, outro viés cognitivo, é a tendência inconsciente de alinhar o

próprio pensamento ao de outras pessoas. Por exemplo, os autores do livro passam
testes e quizzes aos alunos utilizando smartphones com um software que mostra
instantaneamente a opinião da classe em um gráfico de barra projetado em uma tela. Não
raro, se a opinião exibida começa a tender a determinada resposta, quase todo mundo
muda para tal opção – mesmo que ela seja incorreta ou ilógica. Marqueteiros estão
familiarizados com esse viés.

§ 6 in-group bias

Outro fator cognitivo é o in-group bias. Em geral, é mais fácil formar opiniões negativas
de pessoas que não pertencem à nossa igreja, partido, nacionalidade etc. Podemos tão
bem considerar membros do nosso grupo como mais variáveis, com mais individualidade
entre si, ao passo que consideramos os membros de um grupo diverso como
indistiguíveis entre si, conformistas a esteriótipos. Além disso, denomina-se fundamental
attribution error a tendência a não considerar que o comportamento alheio é tão restrito e
aprisionado por eventos e circunstâncias quanto nosso próprio comportamento seria caso
estivéssemos em sua posição [2].

[1]: See L. Ross, “The ‘False Consensus Effect’: An Egocentric Bias in Social
Perception and Attribution Processes,” Journal of Experimental Social Psychology 13, no.
3 (May 1977): 279–301.

[2]: E. E. Jones and V. A. Harris, “The Attribution of Attitudes,” Journal of Experimental

Social Psychology 3 (1967): 1–24. For in-group biases, see Henri Tajfel, Human Groups
and Social Categories (Cambridge, England: Cambridge University Press, 1981).

Chapter 3 points:

• The premise of a good inductive argument doesn’t demonstrate its conclusion; it

supports it.

• BALANCE OF CONSIDERATIONS: Much everyday reasoning requires weighing

considerations for and against thinking or doing something. Such reasoning is
called balance of considerations reasoning. Here is an example: Should assault
weapons be banned? On the one hand, doing that would violate the Second
Amendment to the U.S. Constitution. But on the other hand, when guns were
outlawed in Australia the number of accidental gun deaths fell dramatically; that
would probably happen here, too. It is a tough call.

• Sometimes it helps to put the argument aside and ask yourself, “What is this person
trying to prove?” In any case, the first and essential step in understanding an
argument is to spot the conclusion, which sometimes is left unstated.

Although obscurity can issue from various causes, four are paramount: excessive
vagueness, ambiguity, excessive generality, and undefined terms.

When a claim is too vague to convey appropriately useful information, its level of
vagueness is not acceptable. For example, if you tell your mechanic you have an engine
problem, he or she will ask you to be more specific. If we tell you that missing too many
classes will have consequences, you will ask us for more details. If the rental car agent
tells you there will be refueling charges if you return the car with less than a full tank, you
would do well to ask if these include costs other than for gasoline.

Grouping Ambiguity
There is a special kind of semantic ambiguity, called grouping ambiguity, that results
when it is not clear whether a word is being used to refer to a group collectively or to
members of the group individually

“Lawn mowers create more air pollution than dirt bikes do” is something a dirt biker
might say in defense of his hobby. And, because it is ambiguous, there is an interpretation
under which his claim is probably true as well as one under which it is probably false.
Taken collectively, lawn mowers doubtlessly create more pollution because there are many
more of them. Individually, we’d bet it’s the dirt bike that does more damage.

Definitions, or the lack of them, can cause great confusion in argumentation. Consider
the following “argument”

Whenever you can, you act so as to satisfy your desires.

Acting to satisfy your desires is acting selfishly.
Therefore, whenever you can, you act selfishly.

We hope you’re not persuaded by this. If you look carefully at this argument you should
notice that hidden in it is an odd “definition” of acting selfishly—acting so as to satisfy your
desires. Indeed, given this definition, you act selfishly whenever you can. But the ordinary
understanding of acting selfishly is putting your own interests above those of others. Given
the ordinary definition of the phrase, you do not necessarily always act selfishly.
If an argument leads to a surprising result, the first thing to do is check definitions!

As we just said, an argumentative essay generally has four components:

A statement of the issue
A statement of one’s position on that issue
Arguments that support one’s position
Rebuttals of arguments that support contrary positions

Ideally, your essay should begin with an introduction to the issue that demonstrates that
the issue is important or interesting. This is not always easy, but even when you are not
excited about the subject yourself, it is still good practice to try to make your reader
interested. Your statement of the issue should be fair; that is, don’t try to state the issue in
such a way that your position on it is obviously the only correct one. This can make your
reader suspicious; the burden of convincing him or her will come later, when you give your
arguments.

Some language practices are particularly unfair to women. Imagine a conversation

among three people, you being one of them. Imagine that the other two talk only to each
other. When you speak, they listen politely; but when you are finished, they continue as
though you had never spoken. Even though what you say is true and relevant to the
discussion, the other two proceed as though you were invisible. Because you are not
being taken seriously, you are at a considerable disadvantage. You have reason to be
unhappy.

Picture a research scientist to yourself. Got the picture? Is it a picture of a woman? No?
That’s because the standard picture, or stereotype, of a research scientist is a picture of a
man. Or, read this sentence: “Research scientists often put their work before their personal
lives and neglect their husbands.” Were you surprised by the last word? Again, the
stereotypical picture of a research scientist is a picture of a man.

Chapter 4 (just skimmed through):

 For a more thorough treatment, see www.freepress.net/ownership chart.

“In my view, having worked for two of these companies, network news personnel
actually bend over backwards—at times too far—trying to avoid even a hint of bias. And
having written for the nation’s three largest papers, I conclude that most bias is confined to
the opinion pages, where it belongs.
However, the media landscape is changing in ways that do, indeed, involve bias. It’s the
overt posturing of Fox News Channel on the right, MSNBC on the left, and dozens of
opinion-based Internet sites serving both sides. What these outlets share is an obsessive
desire to protest each other’s slanted reporting.”

Funt, Peter, “Examining Media ‘Bias,’” Monterey

• Like the rest of us, people in the news media sometimes make mistakes; they
sometimes accept claims with insufficient evidence or without confirming the
credibility of a source.
• The media are subject to pressure and sometimes to manipulation from government
and other news sources.
• The media, with few exceptions, are driven in part by the necessity to make a profit,
and this can bring pressure from advertisers, owners, and managers.

Jumping through the chapters in fallacy and deductive reasoning

Chapter 11

§§§§§§§§§§§§§§

ANALOGIAS

§ 1 explicando a analogia

Um argumento por analogia defende que B tem um atributo porque A, similar a B, tem
tal atributo
Elementos comparados (A e B) = Analogues
A = Premise-analogue (ou sample analogue)
B = Conclusion-analogue (ou target analogue)
Atributo = attribute of interest

Por exemplo:
Bill é um democrata.
Logo, seu irmão Sam é um democrata.

Os analogues deste argumento são Bill e Sam. Argumenta-se que o conclusion-

analogue (B, Sam) tem o attribute of interest (ser um Democrata) porque se diz que o
premise-analogue (A, Bill) também o tem.

Outro exemplo:
 Wolves thrive on raw meat.
Therefore, dogs will thrive on raw meat.

The analogues in this argument are wolves and dogs. It is argued that the conclusion-
analogue (dogs) will have the attribute of interest (thriving on raw meat) because the
premise-analogue (wolves) are said to have it.

One more example:

Darby is an excellent dog-sitter.

Therefore, she would be an excellent babysitter.

The analogues in this argument are Darby’s performance as a dog-sitter and Darby’s
performance as a babysitter. The conclusion-analogue (her performance as a babysitter) is
argued to have the attribute of interest (being excellent) because the premise-analogue
(her performance as a dog-sitter) is said to have it.

Avaliação de Analogias:

Avaliar analogias não é ciência exata, e pede que confiemos também na

experiência/intuição. Há, no entanto, linhas gerais que auxiliam na avaliação de uma
analogia, posto que não sejam regras finais e definitivas.

(S)trong. Em geral, a analogia é mais forte quando:

(a) Há mais similaridades relevantes entre os analogues;

(b) Há maior número de premise-analogues similares ao conclusion-analogue;
(c) Há maior diversidade entre premise-analogues similares ao conclusion-analogue,
ou seja, premise-analogues diversificados e similares ao conclusion-analogue, se tiverem
uma característica em comum, sugerem que o premise-analogue também tenha tal
característica.

(W)eak. Em geral, a analogia é mais fraca quando:

(a) Há diferenças relevantes entre os analogues;

(b) Há mais contrary analogues, isto é, analogues que carecem de attribute of interest.
Contra-exemplos.

Exemplos:

1. Bill é um Democrata. Logo, seu irmão Sam é um Democrata.

2. Bill e seu irmão Sam são advogados e foram à mesma universidade. Bill é um
Democrata. Logo, Sam é um Democrata também.
3. Bill é um advogado, mas Sam não é. Bill foi pra Ohio State, mas Sam não foi pra a
faculdade. Bill é um Democrata. Logo, Sam também o é.
4. Bill tem 4 irmãos, incluindo Sam. Bill e seus outros três irmãos são Democratas.
Logo, Sam é um Democrata também.
5. Bill tem 4 irmãos, incluindo Sam. Todos os irmãos, incluindo Sam, são advogados.
Bill e três de seus irmãos são Democratas. Logo, Sam também é um Democrata.
6. Bill, um advogado, tem 4 irmãos, incluindo Sam. Um dos outros 3 vende carros
usados. Outro é um artista desempregado. O terceiro, é dono de um restaurante. Os três
e Bill são todos Democratas. Logo, Sam é um Democrata também.
 Comparando a força dos argumentos:

2 > 1 (S, a)
3 < 1, 2 (W, a)
4 > 1 (S, b)
5 > 4 (S, a)
6 > 4 (S, c)

Obs. O argumento considera que a fraternidade, profissão e escolaridade são

comparativos relevantes.

Lembre-se de que analisar cegamente as analogias de acordo com uma fórmula não é
exatamente a melhor ideia.

É possível questionar a similaridade entre os analogues, mostrando que há poucas

características em comum, ou muitas dissimilaridades, por exemplo, ou até mesmo
chamando atenção pra uma grande dissimilaridade, que torna impossível a comparação.

Finalmente, devemos mencionar que analogias lógicas são utilizadas para refutar
argumentos. Veja:

BILL: Since all Marxists are progressives, all progressives are Marxists.
JILL: Bill, that is a poor argument. That is like arguing that, since all dogs are animals,
all animals are dogs.

Por experiência própria, é melhor comparar o argumento “atacado” com um argumento

com o qual o argumentador discorda, do que com algo absurdo. É necessário que os
argumentos sejam similares e comparáveis; que de fato sejam analogias lógicas.

GENERALIZANDO DE UMA AMOSTRA (pg. 486):

É necessário um curso de estatística para de fato compreender generalizações. No

entanto, há 3 importantes princípios para avaliar uma generalização a partir de uma
amostra:

1. Quanto mais atípica a amostra (menos representativa do grupo; mais enviesada),

mais fraca a generalização. Nesse caso, há alguma variável desproporcionalmente
presente ou absente;
2. Quanto menos diversificado o exemplo, mais fraca a generalização;
3. São ineficazes as generalizações baseadas em amostras pequenas demais para
efetivamente espelhar a população como um todo. Se a população é homogênea,
no entanto, como os produtos industriais saídos da mesma máquina, uma
população pequena é suficiente. A inferência estatística, nesse caso, pode ser
satisfatoriamente precisa com amostras pequenas.

Exemplos de generalização:

a) Metade dos pêssegos do supermercado estão murchos. Logo, 50% dos pêssegos
são murchos.
b) OMG! Look at this rash! I’ll steer clear of this kind of plant next time.
 A generalização a) pode falhar devido ao erro descrito em 1. Se os pêssegos colhidos
estavam na prateleira há vários dias, provavelmente há muitos pêssegos que os outros
clientes preteriram. No dia a dia, às vezes o máximo que podemos fazer é garantir que as
amostras sejam diversificadas.
Em b), a população analisada é todas as plantas do tipo em questão. Apesar de a
amostra ser pequena e pouco diversificada, a generalização é razoável, tendo em vista
que a população é relativamente homogênea. A resposta fisiológica de uma pessoa ao
mesmo tipo de estímulo é geralmente consistente. Fazemos generalizações parecidas na
biologia; na anatomia, na botânica etc. [Além disso, apesar de nunca ter visto as
moléculas de água que tomei esta manhã, não o precisei para inferir its nourishment
power. David Hume disse algo parecido sobre pedaços de pão. Todos fazemos
generalizações]

GENERALIZAÇÃO CIENTÍFICA A PARTIR DE UMA AMOSTRA (pág 490)

Sampling framing é um conjunto de critérios claros – e científicos – que determinam se

algo é ou não membro de uma população, ou se tem o atributo de interesse.
As amostras são cientificamente escolhidas a fim de evitar biased samples, amostras
com alguma variável possivelmente associada ao atributo de interesse que não se
apresenta na mesma proporção na população. Random sampling – procedimento que dá
a mesma chance a qualquer membro da população de ser incluído na amostra – é a
forma mais comum de evitar uma amostra enviesada.
Porém, uma amostra nunca vai ter a mesma proporção de elementos com o atributo de
interesse que a população. Por exemplo, se a proporção de democratas em uma
universidade é de 30%, uma amostra aleatória provavelmente terá aproximadamente 30%
de democratas.

ASSERÇÕES CAUSAIS (pág 501)

§ Post hoc, ergo proper hoc:

As soon as my throat got scratchy I took Zicam. My sore throat went away and I never
caught a cold.
Therefore, maybe Zicam prevents colds.

Take out the word “maybe” and you have the fallacy known as post hoc, ergo propter
hoc.

ex.: The moment that declaration was made, oil prices jumped over $18 a barrel.
—Post hoc, ergo propter hoc from SENATOR JOSEPH BIDEN, criticizing a U.S. Senate
resolution declaring the IRG (Iranian Revolutionary Guard) a terrorist organization.

To arrive at causal hypotheses, one uses common sense and background knowledge of
causation and how things works. Yes, if your scratchy throat goes away, you might recall
that a raccoon had crossed your path before that happened. But it isn’t plausible to think it
made the sore throat go away, for, given normal experience, one cannot conceive of a
mechanism by which this might happen.

COMMON VARIABLE PRINCIPLE

John Stuart Mill called this principle of causal hypothesis formation “Method of
Agreement”: a variable common to multiple occurrences of something may be related to it
causally.

For example:

When several people in Kearney complained to their physicians about acute

intestinal distress, health officials investigated and found that all of them had eaten
tacos at the county fair.
Therefore, perhaps the tacos caused the distress.

This information logically justifies the hypothesis that tacos caused those intestinal
problems. The conjecture might then be tested by other means, such as testing the tacos
for salmonella bacteria.
O livro The Bell Curve, por exemplo, argumenta em favor da existência da supremacia
branca, em especial sobre negros. O argumento do livro – repleto de testes incorretos,
pseudocientíficos, e amostras enviesadas e generalizações racistas – é este:

Diversos povos negros africanos deram resultados baixos em testes de QI

Logo, a causa dos resultados dos testes é a inferioridade intelectual dos povos
africanos

Não há, no entanto, uma teoria que correlacione pigmento de pele à capacidade
cognitiva.

COVARIATION PRINCIPLE

Mill referred to this principle of hypothesis formation as the Method of Concomitant

Variation.
Example 1: if crime rates go up as gun sales increase, the two increases are correlated.
Even though “correlations don’t prove causation.” correlation suggests a hypothesis.
Example 2: From our background knowledge we can see how meat consumption might
cause prostate cancer, but we cannot see how hair length could cause arithmetic learning,
even if those are correlated.
Example 3: Jeff Fulcher read this book and then flew airplanes in Alaska. It does NOT
suggest a causal hypothesis, for it is difficult to think of a mechanism of cause and effect.

Example: manchas solares fazem os preços das ações de elevarem.

Analysis: a very good correlation between the appearance of large sunspots and rises
in the Dow Jones index is not enough to back up this general causal claim. A correlation,
though needed for a general causal claim, doesn't establish cause and effect by itself. It's
hard to imagine a common cause, but coincidence can't be ruled out. If we look around the
world long enough, we'll eventually find some phenomenon that can be correlated to the
rise and fall in stock prices. Even if there were a very exact correlation between the size of
the sunspots and the percentage of increase in the Dow Jones average two days later, we
still want a theory before we accept that this is cause and effect.

Ainda há o Paired Unusual Events Principle. This principle of hypothesis formation is

sometimes called the Method of Difference, terminology invented by the English logician
John Stuart Mill. These three principles only suggest a causal hypothesis.

§ Causas comportamentais:
 • Olivia isn’t talking to Emma because Emma insulted her.
• The union approved the contract because their members wanted to end the strike
• Christie was elected because he appealed to independent voters.

These statements explain the causes of behavior in terms of reasons and motives.
Reasons and motives are behavioral causes rather than physical causes, like a toilet
leaking is a physical cause of a wet floor.

Finally, formulating a causal hypothesis involves weighing various considerations, rather

than applying one or more of the three principles according to a formula.

CONFIRMANDO HIPÓTESES CAUSAIS

A confirmação de diversas hipóteses causais envolve mostrar que, sem a causa em

questão, o efeito em questão não ocorreria. A condição sem a qual o efeito não ocorreria
chama-se conditio sine qua non (condição sem a qual nada).

Ex: nós enxugamos o banheiro e desligamos a privada. O banheiro se manteve seco.

Religamos a privada, e o chão do banheiro voltou a umedecer. Logo, a causa da poça é a
privada vazando.

O efeito é a poça no banheiro, e a causa hipotética é a privada vazando. No nosso

entendimento de causalidade, não fosse o vazamento, o efeito não ocorreria. A privada é
o conditio sine qua non.
Agora, a pretentious snob poderia protestar: mas, se a a privada não tivesse água/água
não existisse/a gravidade não puxasse a água, a poça também não apareceria. Pode-se,
primeiramente, responder que a preocupação era apenas saber se a privada vazando era
causa, e era, independente das demais condições, mas, além disso, pode-se responder
(Richard L. Epstein) que as outras situações fazem parte das condições normais.

Existem 3 métodos de confirmação de hipóteses causais:

Randomized Controlled Experiments (RCE)

Escolhem-se aleatoriamente dois grupos com igual número de membros, chamados

grupo experimental (E) e grupo controle (C), e administra-se no grupo experimental a
causa hipotética (e somente a causa hipotética). Deve-se garantir que esta seja a única
diferença entre os dois grupos, o que torna relevante a aleatoriedade na escolha. Em
seguida, com os resultados e métodos estatísticos, se avalia a probabilidade da causa
hipotética ser a causa real. Veja:

Separaram-se 50 sujeitos em dois grupos de 25 membros cada. Todos foram

infectados com cold virus. Ao grupo experimental, administrou-se Zicam de acordo
com as instruções da embalagem. Ao grupo controle, placebo. Após duas semanas,
verificou-se que 18 dos membros do grupo controle e 10 do grupo experimental
tiveram resfriado, uma diferença que estatisticamente significante ao nível .05. Logo,
provavelmente o Zicam diminuiu a frequência de resfriados no grupo experimental.

§ 2 Affirming the consequent (AC)

X é a provável causa de Y
Y ocorreu
 Logo, X é causa de Y

É possível, no entanto, que a diferença no número de afetados tenha sido causada por
variáveis que não o Zicam? Não tem como estarmos 100% certos disso. Por isso é
necessário grande cuidado para garantir que os grupos sejam idênticos, exceto pela
administração da hipótese causal (no caso, o Zicam). A aleatoriedade é essencial para
que se exclua, por exemplo, a hipótese de que no grupo experimental haja mais pessoas
resistentes ao vírus, ou seja, para que tal variável esteja igualmente distribuída nos
grupos.

Ainda assim, não poderíamos considerar a pura coincidência? Estatisticamente, há

95% de chance de que o resultado não tenha sido coincidência. Ou seja, é “statistically
significant at the .05 level” que 72% do grupo controle tenha pego resfriado, e,
simultaneamente, que 40% do grupo experimental também o tenha.

O RCE é o procedimento padrão para investigar causas em populações. Há outros (em

especial, dois) métodos, menos efetivos, que o imitam:

Prospective Observational Studies (or cause-to-effect studies)

Se em RCE os dois grupos eram idênticos, separados apenas pela administração da

causa hipotética, em POS, um grupo é formado por sujeitos COM a variável causal, e
outro é formado por sujeitos SEM a variável causal. Veja:

Hipótese: festas causam queda no rendimento acadêmico.

Estudo: analisou-se o CR de 200 alunos, 100 dos quais frequentavam festas, e 100
que não frequentavam. Foi observado que, dos 100 alunos festeiros, 60 tinham CR abaixo
da média, e, dos demais estudantes, 20 também tinham CR abaixo da média. É
estatisticamente improvável que tão somente a aleatoriedade tenha gerado tal resultado.
Conclusão: a hipótese é verdadeira

O problema desse método é que, enquanto no RCE havia cuidado para que os grupos
divididos fossem idênticos entre si, excetuando-se pelo fator causal estudado – a
aleatoriedade favorecia a homogeneidade mesmo em relação a variáveis não
consideradas,- é impossível garantir que os grupos do POS sejam idênticos. Podem
existir outras variáveis relevantes e causas não consideradas. Por exemplo, na população
de festeiros, podem haver mais alunos do primeiro período, que dormem em quartos
baratos e barulhentos. O quarto barulhento é um confounding variable (ou lurking
variable). Logo, as festas não seriam a causa da queda de rendimento, e sim os quartos
barulhentos. É possível garantir que entre os grupos haja número igual de alunos do
primeiro período, mas podem haver outras variáveis não consideradas.

Retrospective observational studies (or effect-to-cause studies)

Enquanto em POS os grupos eram divididos entre a presença ou não do suspeito fator
causal, e era analisada a presença dos efeitos em cada grupo, em ROS, fazemos o
contrário: dividimos os grupos de acordo com o efeito observado, e analisamos a
frequência do fator causal em cada grupo. Veja:

Entrevistaram-se 200 alunos, 100 dos quais estavam de recuperação, enquanto

os outros 100 não estavam. Foi observado que, dos 100 alunos reprovados, 60
frequentavam festas, e, dos demais estudantes, 20 também eram festeiros. É
 estatisticamente improvável que tão somente a aleatoriedade tenha gerado tal
resultado. Logo, festas causam queda no rendimento acadêmico

Como em POS, não é possível dizer categoricamente que os grupos são comparáveis.
Eles podem, excluindo-se o fator causal, não serem iguais.

CAPÍTULO 12: MORAL, LEGAL AND AESTHETIC REASONING

§ 1 Moral reasoning principle x Moral principle

§ 2 Consistency Principle

§ 3 Moral Reasoning Principle 2

§ 4 Examples on those moral principles

§ 4 Moral Principle

§ Is – Should

MAJOR PERSPECTIVES IN MORAL REASONING

§ 1 What is Consequentialism

§ 2 Utilitarism

§ 3 Problems with Utilitarism

§ 4 Other consequentialist theories

§§§§§§§§
§§§§§§§§
§§§§§§§§
§§§§§§§§
§§§§§§§§