数字人文导论：从印刷到算法的范式转变 / Introduction to Digital Humanities: A Paradigm Shift from Print to Algorithms

第 1 章：数字人文导论：从印刷到算法的范式转变

Introduction to Digital Humanities: A Paradigm Shift from Print to Algorithms

> 核心问题 (Core Question): 数字人文作为学科的合法性基础是什么？它的方法论独特性体现在哪里？它对传统人文研究范式的冲击与补充如何理解？

章节引言

数字人文 (Digital Humanities, DH) 不是一个新词，但它显然是一种新研究形态。1946 年，意大利耶稣会学者 Roberto Busa 在罗马附近的一个修道院里，开始了一项在当时看来近乎疯狂的工作：用打孔卡 (punch cards) 处理托马斯·阿奎那全部著作中的语词索引。这套最终以《托马斯著作索引》(Index Thomisticus) 命名的工作，历时三十余年，整理出约 1100 万拉丁词次 (lemmata)，成为后来被广泛引用的"数字人文起源神话"。然而，Busa 的工作在 1949 年被 IBM 高级工程师 Thomas J. Watson 当面否定——这位创立了 IBM 的工程师认为用机器处理拉丁文语法基本上不切实际。事实证明，Watson 错了；但 Busa 也并非完全正确，因为他并未预见到自己点燃的星火会在七十年后扩展成一场几乎覆盖所有人文学科的范式重构。

这一章要回答三个层层递进的问题。其一，数字人文是否构成一门独立学科，它的学科边界在哪里、与计算语言学、信息科学 (Information Science)、数字社会学 (Digital Sociology) 如何区分？其二，数字人文的方法论独特性是什么，它在"远读 (Distant Reading)"与"近读 (Close Reading)"之间如何寻找张力平衡？其三，对于一个具体项目，数字人文的方法论生命周期 (methodological lifecycle) 究竟由哪些环节构成，它与传统的人文研究流程差异何在？回答这三个问题，我们将为之后的数据采集、文本挖掘、可视化与阐释章节铺设共同的概念底座 (conceptual foundation)。

---

第一节：数字人文的源流——从 Busa 的索引到第四范式

1.1 概念史：什么是"Digital Humanities"？

数字人文一词的所指经历了显著漂移。最初，1940-1960 年代的主流称谓是"人文计算 (Humanities Computing)"，意指用计算机解决人文领域中的工具性问题，典型代表就是 Busa 的语词索引、文学统计 (literary stylometry) 以及约瑟夫神父 (Father Joseph) 时期的耶稣会信息处理中心。在那个阶段，"计算"是手段，"人文学科"是对象，两者之间没有发生范式层面的融合。

1990 年代末，随着互联网普及、语料库语言学 (corpus linguistics) 成熟，以及一批跨学科中心的建立（例如 1992 年牛津大学文本存档中心、1997 年阿尔伯塔大学 Heinrich F. Plett 主持的"计算人文协会")，学科标签开始转向"数字人文"。这一标签由 Blackwell 出版社 2004 年的 *A Companion to Digital Humanities* 以及 2006 年 *Digital Humanities Quarterly* 创刊正式确立。它意味着研究焦点从"计算机如何帮助人文学者"转为"数字技术如何重新定义人文学科的提问方式"。

一个值得注意的语义细节：英文 *Digital Humanities* 是复数名词——这一点往往是中文学界译介时被忽略的微妙之处。它暗示数字人文并不存在单一内核 (single kernel)，而是一个由多种方法、多个机构、不同议题组成的复数集合 (plurality)。这一点与"数字人文学 (Digital Humanit*y*)"这一强调单数学科身份的表述形成对照，后者往往更容易在制度化与学科身份 (disciplinary identity) 讨论中被采纳，但在方法论上则显得过于统一。

1.2 三次浪潮：工具、对象、范式

按斯坦福大学历史学家 *Wayne Graham* 与 *Melissa Terras* 在 2016 年提出的分期，可将数字人文的发展大致划分为三次浪潮（termed the "three waves of DH"）。这一分期并非唯一标准，但它能帮助我们把握学科转型的内在节奏。

第一次浪潮 (1950s-1990s)：工具化阶段

这一阶段的核心特征是计算机作为工具。代表性工作包括：

• **语料库建设 (corpus construction)**：布朗语料库 (Brown Corpus, 1961)、伦敦-奥斯陆语料库 (LOB Corpus, 1970s)、英国国家语料库 (BNC, 1991)。这些语料库最初服务于语言学，但被历史学家、文学研究者借用来做语词频率、共现与历史语义变化的研究。
• **文学统计 (stylometry)**: 1960 年代起，A. Q. Morton、Jack Burrows 的"灵魂指纹 (DNA of authorship)"研究；再到 2000 年代 Burrows 的 *Delta* 算法用于"作者归属 (authorship attribution)"。
• **编目与索引自动化**：Busa 的工作延续到数字目录 (digital catalogue)、手稿转录 (transcription)、电子文本校勘 (collation) 等方面，例如 1970 年代开始的 *Thesaurus Linguae Graecae* (TLG) 工程。

这一阶段的局限也很明显：研究的核心问题仍然遵循传统的语文学 (philology)、计量史学 (cliometrics)、文学批评传统，计算机只是替换或加快了原有流程的工具。它没有改变问题本身。

第二次浪潮 (2000s-2010s)：对象化阶段

2000 年代以后，数字本身成为研究对象。这一转变有两个标志性事件：

一是 Google Books N-gram 项目（2009 年公开）。Google 与 Harvard、Montreal 合作扫描了 1500-2008 年间约 520 万册图书，发布了 n-gram 频率数据库。它首次将"人类文化的语言习惯变化"作为可量化历史对象，直接催生了 *Culturomics* 这一名词（Michel et al. 2011 在 *Science* 上的论文被引用超过 5000 次）。批评者指出了其中的偏差——它偏向英文、物理学领域被过度采样、19 世纪以后的图书被高估——但它重新定义了"什么是文化史的可计算问题"。

二是文学实验室的兴起。斯坦福文学实验室 (Stanford Literary Lab, 2010) 由 Franco Moretti 创立，提出了"远读"概念 (将在 1.2 节展开讨论)。同期，普林斯顿 *Orbis* 项目、伦敦 *Big Data Approaches to Literary Studies* 会议、NEH 资助的 *Advanced Topics in Digital Humanities* MOOC 等，都标志着一个新研究共同体的形成。

第三次浪潮 (2010s-至今)：范式与方法论重构

第三次浪潮的特征在于方法论的深度嵌入。这一阶段开始出现的关键现象包括：

• **批判性数字人文 (Critical Digital Humanities)**：质疑前两阶段对"数据客观性"的预设，强调数据基础设施 (data infrastructure) 的政治性、算法偏见 (algorithmic bias)、研究劳动的隐性不平等 (Luka, Melbourne, 2016; Risam, 2018)。
• **多元文化与跨语言转向**：传统数字人文以英文文本为中心。CBDB (China Biographical Database)、中文学界 CBDB-PKUMODEL、欧洲数字人文联盟 (DARIAH) 等开始将非英语、多语种、非西方文字纳入视野。
• **AI 介入人文解释**：以 BERT、GPT 为代表的大语言模型 (LLMs) 在 2018-2024 间改变了文本分析的基本假设。NLP 不再只是"工具"，而是被视为"协作的解释者 (co-interpretor)"，引发人文研究中关于"算法是否具有解释力"的深度辩论。

值得指出的是，这三次浪潮并非线性取代，而是叠加共存：今天任何严肃的 DH 项目都同时调用语料库（第 1 波）、可计算的文化对象（第 2 波）、以及批判性的反思（第 3 波）。

1.3 "第四范式"与 Hey 命题

自然科学界的经验对数字人文的范式想象产生了重要影响。Jim Gray (Microsoft Research) 在 2007 年的演讲 "The Fourth Paradigm" 中提出：科学范式经历了实验 → 理论 → 计算仿真 → 数据密集型探索的演变。这一框架被不少数字人文学者直接借用，例如人文学者 *Willard McCarty* 在 2012 年出版的 *Humanities Computing* 中讨论了人文学科的"第四范式"可能性。

但人文学界对这一借用也有反思。计算社会科学 (computational social science) 的兴起很大程度上得益于可量化的行为数据（点击、购买、社交网络），而人文学科的核心文本——诗歌、神学论辩、戏剧、私人日记——恰恰难以用同样密度的方式"数据化"。换言之，第四范式的"数据"在自然科学可能是自动观测仪器产生的，而在人文学科则必须经过研究者主动的、解释性的、带有理论预设的转化。这一点将贯穿本书的核心方法论讨论。

1.4 第一节小结

数字人文不是"用电脑做的人文研究"这样简单的工具性定义。它经历了从工具化、对象化到方法论重构的三次浪潮，每一波都重新定义了何为"可计算的人文问题"。当我们今天讨论数字人文时，至少要将它同时理解为：(a) 一系列方法（distant reading, topic modeling, network analysis...）；(b) 一类基础设施（语料库、数据库、可视化平台）；(c) 一种反思姿态（对数据、算法、解释本身的批判性审视）。这一多义性，正是数字人文学科合法性争论的根源，也是它方法论独特性的来源。

---

第二节：方法论边界——远读、近读与宏微观的中介

2.1 方法论的十字路口：近读的危机与远读的可能

人文学科的经典方法是 close reading——对一文本的精读，强调语境、修辞、互文、细节。20 世纪之前，主流文学批评基本上都建立在这一方法之上。自 *New Criticism* (Brooks, Wimsatt) 以来，"the text itself"作为本体论对象，几乎屏蔽了文本的外部结构 (external structure)。然而，当我们要解释以下几个问题时，单纯的近读明显不够用：

1. 体裁演变：19 世纪英国小说的情节节奏如何在 200 部样本中分布？ 2. 作者网络：18 世纪启蒙时期的英国出版商如何通过共同作者群 (co-authorship) 形成小型共同体？ 3. 修辞迁移：某个隐喻如何在六个世纪的宗教文本中传播、变形？ 4. 跨国对比：清代奏折与同时期英国议会请愿书在论证结构上有何系统差异？

对这些问题，单纯读 5 本、50 本、500 本书都不够，我们需要读 5000、50000 本——这就是 distant reading 出场的位置。

"远读"一词由 Franco Moretti 在 2000 年的论文 "Conjectures on World Literature" 中正式提出，并在 2005 年的 *Graphs, Maps, Trees* 中进一步操作化。远读并非反近读，而是与近读建立协作关系的一种尺度转换 (scaling)。Moretti 形象地说，"treelets become forests"，文本不再是单位，而是数据点。远读的合法性挑战正是：当我们远离了具体的文本，是否还保留了人文解释的"质地 (textured density)"？

2.2 操作化的远读：从地图到主题模型

远读无法脱离具体的计算技术。下面我们逐一考察几种典型远读工具。

2.2.1 文本地理学 (Textual Geography)

将文本中的地名 (place names) 提取出来，在地图上绘制故事地理 (story geography)。斯坦福 *Orbis* 项目 (2012-2018) 用罗马帝国时期文献中的地名、旅行时间数据，重建了"罗马世界的可达性地图 (reachability map)"。它将一个著名的远读命题——"地理塑造叙事"——转化为可验证的可视化。

2.2.2 主题模型 (Topic Modeling)

2003 年由 David Blei 等人提出的 LDA (Latent Dirichlet Allocation) 在数字人文界的影响堪称结构性。它假设一篇文档由若干"主题 (topics)"的概率混合生成，每个主题是词项 (terms) 上的概率分布。在 DH 实践中，它常被用来回答诸如"某时代某文体的核心词项群组是什么"这样的问题。

一个关键细节：LDA 不"理解"词语的语义。它的"主题 1"可能是 {god, soul, faith, church, prayer}——这看似宗教主题，但模型并不知道这是"宗教"。把它解释为"宗教主题"是研究者自上而下 (interpretative overlay) 的标注。这一点在很多教科书里讲得不够清楚，但它正是数字人文中"模型作为对象"与"模型作为工具"两种使用方式的关键差异。

2.2.3 网络分析 (Network Analysis)

文本中的人物共现 (co-occurrence)、通信网络、引文网络、概念图谱，都可以转化为图 (graph) 形式，借助图论工具进行分析。在文学研究中，常见做法是抽取小说中的人物互动，构建共现网络，然后度量节点的中心性 (centrality)、聚类系数 (clustering coefficient)、社区结构 (community structure)。这种方法的代表作有 *Stanford Literary Lab* 的 Pamphlet Series。

2.2.4 词嵌入与文化测距 (Word Embeddings & Cultural Distances)

将文本中的词嵌入到向量空间 (vector space)，可以度量词之间的语义距离、文化距离。*Princeton Vertex* 项目 (2015) 使用词向量在不同年代语料上分别训练，度量词义的"漂移 (semantic drift)"。这一方法比 N-gram 更细粒度，能捕捉"同词不同义"的问题。

2.2.5 风格计量 (Stylometry)

利用词频统计、函数词比例 (function word ratios)、句长分布、罕见词 (hapax legomena) 等特征进行作者归属 (authorship attribution)、体裁识别、年代推断。经典案例 *Delta* (Burrows 2002) 使用前 2000 个高频词的 z-score 标准化度量文档之间的相似度。

2.3 近读 vs. 远读的张力：方法论的中介

远读与近读的关系，是数字人文方法论的第一个核心张力。下面我们引入一个有用的概念区分：诠释性近读 (interpretive close reading) 与 细粒度检测 (granular detection)。

• 诠释性近读由人文学者执行，关注文本的"意义质 (qualitative meaning)"，目标是对特定文本提出新的理解。
• 远读本质上是对**统计模式 (statistical patterns)** 的提取，本身不构成"意义"。它需要回到特定文本处与人文研究者协作，才能构成有意义的解释。

因此，数字人文中一种普遍但危险的诱惑是：将远读的统计结果直接当作对人文问题的回答。这是不可接受的。Moretti 自己从来没有宣称图、树、地图就是"答案"；它们是假设生成器 (hypothesis generators) 或视觉证据 (visual evidence)，最终仍然需要回到具体文本与历史语境。这种工作模式通常被描述为：

> "distant reading generates hypotheses; close reading tests them." ——这一表述已成为数字人文中常见的口号，但其严谨版本应理解为"远读假设、近读判断、循环往复"。

2.4 跨学科边界：与计算语言学、信息科学的区分

数字人文与计算语言学 (Computational Linguistics, CL) / 自然语言处理 (NLP) 的关系是一个容易混淆但又至关重要的话题。两者的核心差异在于：

| 维度 | 数字人文 (DH) | 计算语言学 / NLP | |------|--------------|----------------| | 目标 (goal) | 理解文化现象、历史变迁、文本意义 | 让机器处理自然语言或理解语言结构 | | 评估标准 (evaluation) | 是否产生了对文化/历史的有意义洞察 | 是否在标准任务（标注、分类、QA）上达到 SOTA | | 数据偏好 (data preference) | 强调历时 (diachronic)、异质、噪声大、规模可变 | 强调同步、大规模、相对干净、标准化 | | 理论资源 (theoretical resources) | 文学理论、历史学、哲学、批判理论 | 语言学理论、机器学习理论、概率/统计理论 | | 关于模型 (model stance) | 模型常被作为"理论对象"，批评其偏见 | 模型常作为"工程对象"，改进其指标 |

与信息科学的区别则集中于"数据 (data)"与"知识 (knowledge)"的侧重不同。信息科学的核心传统由图书馆学 (library science)、信息检索 (information retrieval)、知识组织 (knowledge organization) 等构成，关心"如何高效存取"以及"如何将经验式的文档整