破晓：当人文遇见代码 / The Dawn: When Humanities Meets Code

1.1 地下室里的革命：1949 年，一位修士与一千万张打孔卡片

1949 年的冬天，意大利米兰附近的加利亚诺小镇（Galliano），空气中弥漫着潮湿的石头味与拉丁文祷词。一座有着四百年历史的耶稣会修道院——圣体学院（Collegio San Carlo）——的地下室里，一位 36 岁的修士正蹲在地上，小心翼翼地把一张张长方形的厚纸片分类堆放。那些纸片上密密麻麻打着一排排小方孔，每一张代表托马斯·阿奎那（Thomas Aquinas）著作中的一个拉丁单词。修士名叫罗伯托·布萨（Roberto Busa, 1913–2011），他的头发已经因为多年的伏案工作而稀疏，但眼睛里燃烧着一种近乎偏执的炽热。

他要做的事情，在今天看来近乎疯狂：把十三世纪神学家阿奎那的全部著作——大约 1100 万个拉丁词汇、180 余部作品、跨越三千多万字的鸿篇巨制——整理成一份可检索的"语词索引"（Index Thomisticus）。如果用传统的人工抄写与编排方式，这项工作需要几十位学者耗费一生的时间。但布萨选择了一条从未有人走过的路：把文本交给机器。

他写信给 IBM 公司的创始人托马斯·沃森（Thomas J. Watson），询问能否用当时最先进的打孔卡片机（Punched Card Machine）来处理这些拉丁文本。沃森本人是个虔诚的新教徒，对这位意大利修士的"将神学语料交给计算机"的想法产生了浓厚兴趣。IBM 同意提供技术支持，并派遣工程师团队前往意大利。他们为拉丁语专门设计了新的打孔编码方案，因为拉丁语的词形变化远比英语复杂——一个动词可能有上百种变形，每一个变形都承载着不同的语法含义与神学意涵。

这项工程持续了将近三十年。最终，布萨团队产出了 56 卷的《托马斯索引》（Index Thomisticus），收录了超过 1100 万个词形变化的统计信息。这不仅是一部神学工具书，更被后世公认为"数字人文"（Digital Humanities, DH）这门学科的诞生证明——因为它首次系统性地将人文文本转化为可计算的数据对象，并通过对这些数据的结构化处理，生成新的人文知识。

> *"I had the idea of doing the Index when I was still a young student of philosophy in 1936. But I had to wait until the machines were available."* > ——Roberto Busa, 1996

布萨的故事之所以震撼人心，不在于技术上的"先进"——今天任何一台笔记本电脑都能完成他当年用整个 IBM 工程团队完成的工作——而在于他提出了一种全新的思维方式：人文学者不必在文本之外进行诠释，而可以把文本本身交给机器，让人与机器协作，从中发现肉眼看不到的规律。当他在地下室里一张张翻动那些打孔卡片时，他实际上在为整个人文学科装上了一套全新的感官。

这种"新的感官"包含三种能力：第一，远观的能力（distant reading），让你不再只能细读一本经典，而是同时俯视十万本书的宏观图景；第二，细辨的能力（pattern detection），让你发现那些隐藏在词频、搭配、共现关系中的隐性模式；第三，再造的能力（remediation），让你用图表、网络、地图、互动界面等新形式，重新"看见"那些原本只存在于纸面上的文化记忆。

七十多年后，当我们坐在屏幕前，用 Python 处理《全唐诗》、用网络可视化展示《红楼梦》的人物关系、用主题模型挖掘《人民日报》七十年的议题变迁时，我们其实是站在布萨开辟的道路上。他证明了：技术不是人文学科的敌人，而是它延伸出去的第三只眼睛。

1.2 数字人文的三重定义：对象、工具与诠释

如果我们把"数字人文"看作一个硬币，那么它至少有两面，而大多数误解只看到了其中一面。

第一种误解来自技术乐观主义者：他们认为数字人文就是"用计算机做文学研究"，是"文学研究的升级版"。这种理解把数字人文窄化为一种方法论——一种更快、更精确、更"科学"的研究方式。在这种视角下，计算机是新的显微镜，人文学者是观察者，文本是切片。

第二种误解来自人文保守主义者：他们把数字人文视为一种威胁——冰冷的算法将取代细腻的诠释，量化将淹没质性，工程师将取代学者。这种焦虑有其历史根源：从十九世纪实证主义（positivism）到二十世纪结构主义，每一次"科学化"的浪潮都让人文学者担心自身的合法性。

两种误解都有其道理，但都不完整。数字人文的本质，不在于"用计算机代替人文学者"，而在于"为人文学者装上新的感官"。这句话听起来抽象，但它指出了一个关键区别：数字人文的目标不是自动化诠释（automated interpretation），而是增强诠释（augmented interpretation）。让我们用一个更精确的定义来切入。

数字人文的三重定义（The Threefold Definition of DH）

| 维度 | 中文 | 英文 | 含义 | |------|------|------|------| | 对象 | 数字化的人文材料 | Digital Objects | 经数字化处理或原生数字的文本、图像、音视频、空间数据等 | | 工具 | 计算方法与算法 | Computational Methods | 用于分析、检索、可视化、建模的算法与软件 | | 诠释 | 人文问题与意义建构 | Humanistic Interpretation | 围绕历史、审美、价值、伦理的批判性思考 |

这三者缺一不可。如果只有"数字化对象"和"计算方法"，那是数据科学；如果只有"数字化对象"和"人文诠释"，那是传统人文学科的延伸。只有当三者同时在场时，数字人文才真正成立。

让我们逐层拆解。

第一重：数字化对象（Digital Objects）

数字人文的研究对象并非天然就是数字的。在大多数情况下，它需要经历一个"数字化"（digitization）的过程：将纸质文献转化为文本（OCR 或人工录入），将照片转化为像素，将口述史转化为音频，将地理位置转化为坐标。这个过程看似简单，实则充满了诠释学的抉择。

举个例子：当我们决定把《全唐诗》录入数据库时，我们要回答一系列问题——是只录入正文，还是连注释、异文、版本异同一起录入？是按原诗行的格式录入，还是按"诗题—作者—正文—意象—情感"的现代分类结构录入？每一个选择都是一种诠释，都将影响后续所有分析的可能结果。这与传统文献学的"校勘"工作一脉相承——只不过，校勘的对象从异文变成了数据模型。

但与此同时，数字人文也研究原生数字对象（born-digital objects）。微博、推特、豆瓣评论、电子游戏、虚拟世界中的文化实践——这些都是当代文化的重要组成部分，如果人文学者只研究印刷时代的遗产，他们将无法理解当下的文化变迁。

第二重：计算方法（Computational Methods）

这是数字人文最显眼的特征，也是误解最多的部分。常见的计算方法包括：

• **文本挖掘**（Text Mining）：分词、词性标注、命名实体识别、关键词提取
• **主题模型**（Topic Modeling）：如 LDA（Latent Dirichlet Allocation），用于发现文本集合中的潜在主题结构
• **网络分析**（Network Analysis）：将人物、概念、地点建模为节点，将关系建模为边，分析网络的结构与演化
• **情感分析**（Sentiment Analysis）：自动识别文本中的情感倾向
• **地理信息系统**（GIS）：将文本中的空间信息映射到地图上
• **可视化**（Visualization）：将复杂数据转化为图形，以便人眼发现模式
• **机器学习**（Machine Learning）：分类、聚类、预测

但请注意：方法不是目的。使用 LDA 不等于在做数字人文，就像使用 Excel 不等于在做经济学研究。数字人文的方法选择，必须回答一个具体的人文问题。如果一个方法不能带来新的洞见，那么无论它在技术上多么炫酷，都只是自我感动。

第三重：人文诠释（Humanistic Interpretation）

这是数字人文区别于数据科学的根本所在。数据科学家关心的是"模型准不准、预测准不准"；人文学者关心的是"这个发现意味着什么、它如何改变我们对历史/文学/文化的理解"。当我们用文本挖掘发现"唐诗中'月'字的出现频率在盛唐时期达到高峰"时，这本身只是一个统计学事实；但当我们追问"为什么盛唐诗人特别偏爱明月意象""这种偏爱与当时的政治氛围、宗教信仰、科举制度有何关系"时，我们就进入了人文诠释的领域。

人文学者的训练赋予他们一种独特的能力：从特殊性中识别普遍性，从细节中看见结构，从结构中读出意义。数字工具提供的是"看见"的可能性，而诠释提供的是"理解"的深度。两者结合，才能产生真正的数字人文洞见。

> *"Digital Humanities is not about the humanities being transformed by digital tools. It is about the digital being transformed by humanistic questions."* > —— Johanna Drucker（一位当代数字人文的代表性学者）

1.3 七十年演进史：从打孔卡片到生成式 AI

数字人文不是一个静止的领域，而是一个持续演化的生态系统。它的七十年历程，大致可以分为四个阶段。

第一阶段：起源期（1949–1980），机器即索引

这一阶段的代表人物就是布萨。技术特征是打孔卡片机、磁带存储、早期计算机（如 IBM 1401）。研究范式是"文本的机器索引化"——主要工作是制作语词索引、词频统计、检索工具。这一阶段几乎没有真正的"分析"，更像是一种新的"整理工具"。但它的意义在于证明了：人文学者可以使用机器。

这一阶段的另一个标志性项目是 1960 年代开始的"圣经语料库"（Biblical Concordances）和"古典拉丁文库"（Classical Latin Texts）的数字化尝试。但真正奠定数字人文形态的，还是布萨的 Index Thomisticus。

第二阶段：建库期（1980–2000），文本即语料库

1980 年代，个人电脑开始普及，光盘存储让大规模文本数据库成为可能。这一阶段的代表项目包括：

• **英美"古登堡计划"（Project Gutenberg, 1971–）**：将公版书籍电子化，是最早的开放文本库之一。
• **"美国国家人文基金"资助的"文本编码倡议"（Text Encoding Initiative, TEI, 1987–）**：制定了一套基于 XML 的文本编码标准，至今仍是人文领域最广泛使用的标记语言。
• **"中国古典文献的数字化"** ：北京大学的"全宋诗分析系统"、台湾的"汉学研究中心"数据库、中央研究院的"汉籍电子文献"等，都是这一时期的重要成果。

这一阶段的范式是"语料库语言学"（Corpus Linguistics）的兴起。研究方法主要是基于大规模语料库的词频统计、搭配分析、语义韵研究。但批评者指出，这种方法容易陷入"数据囤积"（data hoarding）的陷阱——建了大量数据库，却没有真正产生洞见。

第三阶段：网络期（2000–2015），连接即洞见

互联网与 Web 2.0 的兴起，让数字人文从"封闭的语料库"走向"开放的网络"。这一阶段的代表项目包括：

• **"谷歌图书"（Google Books, 2004–）**：将千万册图书数字化，并提供了 n-gram 查看器，让任何人都可以研究词频的历史变迁。
• **"文学与计算实验室"（Literature and Computation Lab）**：在美国、欧洲、中国高校陆续成立。
• **"GIS 与历史学"（GIS and History）**：将历史事件、人物迁徙、文化传播映射到地图上，催生了"空间人文"（Spatial Humanities）这一子领域。
• **"社交媒体分析"（Social Media Analytics）**：Twitter、微博成为研究当代文化的新对象。

这一阶段的方法论突破是"网络分析"（Network Analysis）和"可视化"（Visualization）。研究者开始用节点—边图（Node-Edge Graph）展示《红楼梦》的人物关系，用热力图（Heatmap）展示《人民日报》七十年的议题演变，用地图叠加（Map Overlay）展示李白诗歌的地理分布。

第四阶段：智能期（2015–至今），算法即对话

2015 年前后，深度学习（Deep Learning）开始在自然语言处理（NLP）领域取得突破；2022 年底，生成式 AI（Generative AI）的爆发则彻底改变了数字人文的研究方式。这一阶段的代表特征包括：

• **大规模预训练模型**（如 BERT、GPT、Claude、文心、通义等）为人文文本分析提供了前所未有的能力——命名实体识别、关系抽取、风格模仿、文本生成都达到了"接近人类水平"。
• **多模态分析**（Multimodal Analysis）让文字、图像、音视频的联合分析成为可能。
• **人机协作**（Human-AI Collaboration）：研究者开始把 AI 视为"对话者"而非"工具"——不仅问它"答案是什么"，更问它"你为什么这么回答"、"如果我们换一种提问方式会怎样"。

但智能期也带来了新的挑战：当 AI 能写出模仿李白风格的诗时，李白风格的"原创性"意味着什么？当 AI 能自动总结文本主旨时，"阅读"这件事本身是否还有价值？当 AI 的训练数据中充满了人类历史的偏见时，如何避免算法放大这些偏见？这些问题的答案，将塑造未来十年数字人文的走向。

> 这四个阶段并不是简单的线性递进，而是叠加共存的。今天的学者可能同时使用打孔卡片时代的索引方法、20 世纪的语料库语言学、Web 时代的网络分析，以及生成式 AI 的对话能力——它们各有其适用场景，没有绝对的"高级"与"低级"。

1.4 本书的探险路线图：十五章的旅程

在我继续讲小雅的故事之前，让我先给你一张"探险路线图"。这本书共十五章，按主题分为三个部分，每一部分都是一个相对完整的子旅程，但它们也彼此呼应、层层递进。

```mermaid flowchart TD subgraph Part1["第一部分 基础筑基 Foundations"] C1["Ch.1 破晓<br/>数字人文的起源与定义"] C2["Ch.2 工具箱<br/>从命令行到 Jupyter"] C3["Ch.3 文本预处理<br/>让机器读懂人话"] end

subgraph Part2["第二部分 文本解密 Text Analytics"] C4["Ch.4 词频与搭配<br/>看见被忽视的细节"] C5["Ch.5 主题模型<br/>在海量文本中识别潜流"] C6["Ch.6 情感分析<br/>唐诗中的喜怒哀乐"] C7["Ch.7 风格与文体<br/>是模仿还是原创"] C8["Ch.8 网络分析<br/>人物、概念、关系"] C9["Ch.9 命名实体<br/>从文本到知识图谱"] C10["Ch.10 大语言模型<br/>人机协作的边界"] end

subgraph Part3["第三部分 人文重建 Humanities Reimagined"] C11["Ch.11 历史GIS<br/>在地图上重走丝绸之路"] C12["Ch.12 数字档案<br/>保存正在消失的记忆"] C13["Ch.13 视觉文化<br/>图像、视频与短视频"] C14["Ch.14 批判与伦理<br/>算法时代的偏见反思"] C15["Ch.15 未来已来<br/>数字人文的下一种可能"] end

C1 --> C2 --> C3 C3 --> C4 --> C5 --> C6 --> C7 --> C8 --> C9 --> C10 C10 --> C11 --> C12 --> C13 --> C14 --> C15

C1 -.引子.-> C8 C3 -.基础.-> C9 C10 -.工具.-> C14 C12 -.记忆.-> C15 ```

这张图看起来复杂，但请允许我用三段话来帮你解读它。

第一部分（1–3 章）回答"为什么"和"用什么"。第 1 章（你正在读的）建立整体认知；第 2 章介绍工具箱——从最简单的命令行到 Jupyter Notebook；第 3 章讲解文本预处理，让机器"读懂"人话。这一部分的目标是让你从"完全不懂数字人文"过渡到"能跑通第一个文本分析程序"。

第二部分（4–10 章）是本书的"技术核心"，但请不要被"技术"二字吓到——这些章节的每一篇都会以一个具体的文学、历史、哲学问题为出发点。比如第 6 章不是教你怎么写情感分析代码，而是和你一起追问：当我们让机器识别唐诗中的"悲伤"，机器看到的真的是"悲伤"吗？这种技术性与人文性交织的写法，是本书最重要的特色。

第三部分（11–15 章）把目光投向更宽广的人文领域。历史地理信息系统（GIS）让我们在地图上重走丝绸之路；数字档案学让我们思考如何保存正在消失的非物质文化遗产；视觉文化章节带我们进入图像、视频与短视频的世界；批判与伦理章节则直面算法时代的偏见与权力问题；最后一章，我们一起展望数字人文的未来。

图中虚线连接的几章是呼应关系。比如第 1 章的 Busa 故事提到"远观"和"细辨"的能力，这在第 8 章的网络分析中会再次出现；第 3 章预处理中的"分词"难题，会在第 9 章的命名实体识别中变成"命名边界"问题；第 10 章讨论的人机协作伦理，将在第 14 章展开深入辩论；第 12 章关于"数字记忆"的讨论，将为第 15 章的未来畅想提供支点。这种呼应不是重复，而是回旋上升——同一个问题，每过几章都会被推到一个更深的层次。

读这本书，你不必按顺序从头读到尾——它不是小说。但如果你是一个数字人文的初学者，建议至少先读完第 1 章和第 2 章，建立基础认知，然后再根据你的兴趣跳读。如果你已经有一些 Python 或文本处理的背