数字人文导论：概念、历史与意义 / Introduction to Digital Humanities: Concepts, History, and Significance

当一位文学研究者面对莎士比亚全部作品的数千万字文本时，传统细读方法如何与大规模文本分析技术结合？当一位历史学家试图还原16世纪伦敦的城市空间与社会结构时，静态地图如何演变为动态的、可查询的GIS数据库？这些问题的答案，正藏在“数字人文”（Digital Humanities, DH）这一新兴交叉学科中。数字人文并非简单地将计算机技术应用于人文学科，而是从根本上重塑了人文学科的研究范式、证据范畴与成果形态。本章将带你从零开始，理解数字人文的核心概念、发展脉络与实践意义，回答一个根本问题：在人工智能与大数据时代，人文学者为何必须拥抱技术？

数字人文的定义与边界：超越“人文计算”

数字人文（DH）常被简化为“人文学科+计算机”，但这一定义遮蔽了其丰富的学术内涵与方法论自觉。要准确理解DH，必须厘清它与早期“人文计算”（Humanities Computing）的微妙区别，并把握其核心承诺。

人文计算：技术驱动的自动化时代

人文计算兴起于20世纪40-60年代，其核心愿景是利用计算机的高速运算能力自动化处理人文数据。1949年，耶稣会士罗伯托·布萨（Roberto Busa）启动“托马斯·阿奎那索引”（Index Thomisticus）项目，用IBM穿孔卡片机分析阿奎那著作中约1100万个词，耗时30年完成。这被视为人文计算的开山之作，目标明确：通过词频统计、关键词索引，辅助学者进行文本研究。同期，罗塞塔石碑项目（Rosetta Stone Project）使用计算机破译古埃及象形文字，展示了计算在语言解码中的威力。1960年代，文本编码倡议（Text Encoding Initiative, TEI）成立，制定了基于XML的文本编码标准，为人文学者提供了结构化标记文本的规范，使得文本能够被机器解析、检索和分析。

这一时期的特征鲜明：技术视角占主导，研究者多为计算机科学家或少数掌握技术的人文学者；问题通常由技术驱动——“计算机能为人文做什么？”；成果形式相对单一，主要是数据库、索引、专用软件；协作模式松散，人文学者常作为数据提供者而非平等合作者。人文计算取得了重大成就，但始终处于学术边缘，被视为“工具性”工作，未深刻改变人文学科的认识论基础。

数字人文：问题驱动与批判性实践

约2000年后，“数字人文”逐渐取代“人文计算”成为主流术语，标志着范式转变。这一转变由多重力量推动：网络技术普及使在线协作成为可能；开源软件降低了技术门槛；人文学者对自身研究方法的反思加深；同时，对技术中立神话的批判日益尖锐。数字人文的核心承诺可概括为：

1. 人文学科的问题驱动：研究始于人文问题，而非技术可能性。技术是服务人文探究的手段，而非目的。例如，研究文艺复兴时期艺术网络，问题可能是“哪些艺术家通过书信影响了米开朗基罗？”，然后选择网络分析方法，而非先找数据再问问题。 2. 批判性技术实践：DH学者不仅使用技术，更反思技术的政治、伦理与社会维度。算法是否隐含偏见？训练数据是否代表多元声音？数字存档是否加剧了全球知识不平等？这些批判使DH超越工具论，成为技术文化研究的一部分。 3. 跨学科协作：DH项目通常组建团队，包括人文学者、程序员、数据分析师、设计师、档案员。协作不是简单分工，而是知识融合——人文学者提供领域洞察与解释框架，技术人员实现方法并反馈技术约束。这种模式挑战了传统人文学科的个体研究范式。 4. 公开性与可复现性：DH强调开源工具、开放数据、透明方法。研究成果不仅以论文形式发表，还以可交互网站、代码库、数据集形式公开，允许他人验证、复用、扩展。这呼应了科学领域的可复现运动，但应用于人文学科，引发关于学术贡献评价的讨论。 5. 公众参与与知识民主化：许多DH项目通过众包（crowdsourcing）邀请公众参与，如转录历史手稿、标注图像。这既扩大了研究规模，也打破了学术壁垒，让知识生产更开放。

简言之，人文计算问“计算机能为人文做什么？”，数字人文问“人文问题如何通过计算得到新解答？同时，计算过程本身是否成为批判对象？”。下表对比了两者的关键维度：

| 维度 | 人文计算 (Humanities Computing) | 数字人文 (Digital Humanities) | |------|--------------------------------|------------------------------| | 核心问题 | 如何用计算机处理人文数据？ | 如何用计算回答人文问题？同时批判计算本身？ | | 技术角色 | 工具，自动化 | 方法，媒介，批判对象 | | 研究者角色 | 人文学者学习技术，或技术专家服务人文 | 跨学科团队协作，角色流动 | | 成果形式 | 数据库、索引、软件 | 交互式网站、数据可视化、数字档案、混合媒体、学术论文 | | 方法论 | 以技术为中心（如词频统计） | 以问题为中心，方法多元融合 | | 价值观 | 效率、精确、客观 | 公开、可复现、社会正义、多元声音、伦理反思 | | 学术地位 | 边缘，工具性 | 逐渐主流，被视为方法论创新 |

这种区分并非绝对，实践中存在连续谱。许多早期人文计算项目已具备DH雏形，而当代DH仍离不开基础计算。但理解这一演变，有助于把握DH的独特精神：它不是技术对人文的入侵，而是人文学者在数字时代对自身方法的自觉革新。

数字人文的多重定义

DH社区内部对其定义存在丰富对话。美国数字人文组织（ADHO）将其定义为“一个跨学科领域，从业者运用数字工具和方法进行人文学科研究、教学、出版，同时批判性分析数字文化对社会的冲击”。学者约翰·恩斯沃思（John Unsworth）提出DH的“七宗罪”：收藏、索引、搜索、比较、样式化、统计、映射——概括了核心计算活动。凯瑟琳·菲茨帕特里克（Kathleen Fitzpatrick）强调DH是“对学术成果形式本身的实验”。大卫·贝里（David Berry）则从批判视角称其为“数字人文批判”，关注算法权力与数据政治。

这些定义共同指向：DH既是实践领域，也是方法论反思；既产出具体项目，也参与更广泛的技术文化讨论。对于初学者，不必陷入定义之争，而应关注其核心精神：以人文学科的敏锐，审慎而创造性地运用计算，拓展研究边界，同时保持人文关怀。

历史脉络：从大型机到云端的演进

数字人文的历史可视为技术与人文学科不断对话、碰撞、融合的过程。将其分为三个阶段，有助于理解其演变逻辑与当代形态。

第一阶段：萌芽与奠基（1940s-1960s）

二战前后，计算机刚诞生，其巨大运算能力立即吸引人文学者。布萨的托马斯·阿奎那索引项目（1949-1980）是首个大规模人文计算项目，证明了计算机处理海量文本的可行性，但也暴露了早期局限：依赖穿孔卡片，修改困难；缺乏文本结构标记，只能做简单词频；项目周期长达数十年，非单人所能为。

同期，罗塞塔石碑项目（1960s）使用IBM 7090计算机，通过模式匹配破译古埃及文字，展示了计算在语言学中的应用。1964年，IBM研究员弗雷德里克·布鲁克（Frederick Brooks）在《机械脑》中预言计算机将改变学术研究，包括人文学科。

1960年代后期，计算机开始进入大学，但人文学者使用仍受限于编程技能与硬件成本。此时，文本编码的标准化需求浮现。1970年代，文学与语言学计算协会（Association for Literary and Linguistic Computing, ALLC）成立，1980年代，文本编码倡议（TEI）正式启动，1990年发布TEI P3 Guidelines。TEI基于XML，提供数百个元素标记文本结构、语义、版本信息，如`<l>`表示诗行，`<speaker>`表示说话人，`<gap>`表示原文缺失。TEI成为数字人文的基础设施，确保了文本的可交换、可长期保存、可多样化分析。没有TEI，后续的文本挖掘将缺乏结构化基础。

这一阶段的特点：技术先驱驱动，人文学者被动参与；硬件昂贵，软件原始；目标聚焦文本编辑与索引；项目多为长期、孤立的努力。但布萨、TEI等奠基了核心信念：文本可以（且应该）被结构化编码，以支持计算处理。

第二阶段：个人计算与学科化探索（1970s-1990s）

1970年代个人计算机（如Apple II, IBM PC）出现，价格下降，人文学者开始接触计算。但此阶段仍属“计算机辅助研究”，未形成独立领域。

关键发展包括：

• **语料库语言学**：1970年代布朗语料库（Brown Corpus）建成，标注词性，成为英语研究基准。后续发展出LOB语料库、COBUILD等，支持语言习得、文体分析。
• **数据库应用**：人文学者用dBase、FoxPro等管理文献卡片，但关系型数据库（如1980年代的dBASE III）未广泛用于复杂人文数据。
• **超文本实验**：1980年代，道格拉斯·恩格尔巴特（Douglas Engelbart）的NLS系统、泰德·尼尔森（Ted Nelson）的Xanadu项目设想非线性文本。1987年，Apple的HyperCard普及，允许创建带链接的卡片堆栈，影响了早期数字叙事。
• **早期数字档案**：1987年，珀尔修斯数字图书馆（P

第二阶段：个人计算与学科化探索（1970s-1990s）

1970年代个人计算机（如Apple II, IBM PC）出现，价格下降，人文学者开始接触计算。但此阶段仍属“计算机辅助研究”，未形成独立领域。

关键发展包括：

• **语料库语言学**：1970年代布朗语料库（Brown Corpus）建成，标注词性，成为英语研究基准。后续发展出LOB语料库、COBUILD等，支持语言习得、文体分析。
• **数据库应用**：人文学者用dBase、FoxPro等管理文献卡片，但关系型数据库（如1980年代的dBASE III）未广泛用于复杂人文数据。
• **超文本实验**：1980年代，道格拉斯·恩格尔巴特（Douglas Engelbart）的NLS系统、泰德·尼尔森（Ted Nelson）的Xanadu项目设想非线性文本。1987年，Apple的HyperCard普及，允许创建带链接的卡片堆栈，影响了早期数字叙事。
• **早期数字档案**：1987年，珀尔修斯数字图书馆（Perseus Digital Library）在塔夫茨大学启动，使用CD-ROM分发古希腊罗马文本、词典、考古图像，是早期“超文本百科全书”的典范。它采用SGML标记文本，为后来TEI奠定基础。

此阶段虽未形成“数字人文”标签，但培养了第一批既懂人文学科又懂技术的学者，积累了文本编码、数据库设计、超文本链接的经验。问题在于：项目仍孤立，缺乏共享标准；人文学者多作为用户而非设计者；学术评价体系未认可数字成果。

第三阶段：网络时代与学科成熟（2000s至今）

1990年代万维网（Web）诞生，彻底改变了数字人文。网络使资源共享、远程协作成为可能，DH从本地项目走向全球网络。

开源软件与平台化

2000年后，开源运动催生了一系列DH专用工具平台，极大降低了技术门槛：

• **Voyant Tools**（2003）：基于Web的文本分析工具，用户粘贴文本或输入URL，即可实时生成词频云、关键词上下文、词趋势图等。它让无编程基础的学者也能进行基础文本挖掘。
• **Omeka**（2008）：由乔治·梅森大学开发的在线展示平台，用于构建数字档案与展览。其“主题-项目”结构简化了元数据录入（支持Dublin Core标准），插件系统扩展功能（如地理地图、时间线）。许多小型博物馆、大学项目用Omeka快速上线数字馆藏。
• **Gephi**（2008）：开源网络可视化软件，支持大规模图数据（节点、边）的力导向布局、社区检测、中心性计算。艺术史学者用其分析艺术家合作网络，历史学者用其分析书信往来。
• **QGIS**（2002）：开源地理信息系统，替代昂贵的ArcGIS，支持栅格/矢量数据、空间查询、制图。历史GIS项目广泛采用。

这些工具共同特点是：免费、跨平台、社区支持、文档丰富。它们使DH从“需要编程”变为“需要配置”，扩大了参与群体。

众包与公众参与

Web 2.0的社交特性催生了“众包人文”（Crowdsourced Humanities）。项目设计让非专家公众参与数据处理，解决大规模转录、标注问题：

• **Transcribe Bentham**（2010）：伦敦大学学院（UCL）让公众在线转录杰里米·边沁（Jeremy Bentham）的手稿。边沁留下超6万页手稿，字迹潦草，专业转录需数十年。项目提供工具与指南，志愿者贡献超2万页转录，经学者审核后纳入《边翰全集》（Collected Works）。
• **Zooniverse**：最初为天文学众包（如星系分类），后扩展至人文。项目如**《旧泰晤士报》标注**（OCR纠正）、**《莎士比亚全集》情感标注**等，吸引数万志愿者。
• **中国“历史文献全文数据库”**：一些机构尝试众包校对明清档案，但面临方言、古字等特殊挑战。

众包不仅是劳动力补充，更是公众参与知识生产的民主化实践。它引发讨论：如何保证质量？如何认可贡献？如何处理数据所有权？

移动与传感器人文

智能手机与廉价传感器（GPS、加速度计、环境传感器）开启了“位置感知人文”（Location-Aware Humanities）：

• **步行者研究**：学者设计移动应用，让参与者记录城市漫步路线、声音、感受，结合GIS分析空间体验与身份、记忆的关系。
• **环境人文**：使用传感器监测城市噪音、空气质量，与历史档案对比，研究环境变迁的社会感知。例如，用声级计记录某街区噪音，叠加19世纪关于“城市喧嚣”的文学描述，探讨声音景观演变。
• **增强现实（AR）历史**：通过手机镜头，在现实场景上叠加历史图像、文本。如“Civil War Augmented Reality”项目，在战场遗址显示士兵日记、旧照片。

这些实践将身体、感官、空间重新引入数字人文，弥补早期以文本为中心的偏向。

人工智能与深度人文

2010年后，机器学习（尤其是深度学习）为DH带来新工具，但也引发新争议：

• **手写文本识别（HTR）**：传统OCR对印刷体有效，但对历史手稿（如中世纪抄本、19世纪书信）效果差。Transkribus平台使用深度学习（CRNN模型），在标注少量样本后，可自动转录复杂手迹，准确率达90%以上。欧洲多个档案馆用其处理数百万页手稿。
• **计算机视觉与艺术史**：卷积神经网络（CNN）用于图像分类、物体检测、风格分析。Google的“Art Camera”高分辨率扫描画作，算法自动识别笔触、颜料层，辅助鉴定与修复。但模型依赖训练数据，若数据以西方艺术为主，则对非西方艺术分析可能偏差。
• **自然语言处理（NLP）进阶**：除了词频，更复杂任务如：
• **命名实体识别（NER）**：自动提取文本中的人名、地名、时间，构建知识图谱。SpaCy、Stanza等库提供多语言模型，但针对历史文本需微调。
• **主题模型（LDA）**：从大量文档中发现隐含主题。例如，对19世纪美国报纸应用LDA，可发现“奴隶制”、“工业化”、“西进运动”等主题的演变。
• **情感分析**：判断文本情感倾向。用于研究文学情感模式、公众舆论历史变化。但历史语言的情感词典需定制，否则“ awful ”在18世纪可能意为“充满敬畏”而非“糟糕”。
• **生成式AI的争议**：ChatGPT等大语言模型能生成流畅文本，引发DH界激烈讨论。支持者视其为研究助手（如生成研究问题草稿、翻译古文字）；反对者警告其“幻觉”会污染学术、加剧抄袭、削弱批判思维。DH社区正制定伦理指南，要求透明披露AI使用。

AI不是魔法棒，它需要领域适应、质量控制、人文解释。DH学者必须参与AI开发，确保其服务于人文目标，而非相反。

核心方法论详解：技术如何重塑研究

数字人文的方法论是多元、动态的 toolbox（工具箱）。以下详解几种核心方法，展示其技术原理、人文学科应用与局限。

文本挖掘与计算文体学

文本挖掘（Text Mining）从非结构化文本中提取模式、趋势、知识。传统文学研究依赖“近读”（close reading）少数文本，文本 mining 支持“远读”（distant reading）——同时分析成千上万文本，发现宏观模式。

关键技术步骤

1. 文本预处理：

• **分词（Tokenization）**：将文本切分为词/标记。英文以空格/标点分割；中文需专门分词器（如Jieba、HanLP），因无显式分隔符。古汉语更复杂，需结合词典与统计模型。
• **停用词移除（Stopword Removal）**：过滤高频无信息词（如“的”、“是”、“the”、“and”）。但停用词列表需定制：在诗歌中，“the”可能重要；在宗教文本，“God”不应移除。
• **词干提取（Stemming）与词形还原（Lemmatization）**：将词归并为词干（如“running”→“run”）或词典原形（如“better”→“good”）。英文工具如Porter Stemmer、spaCy；中文因无屈折变化，通常跳过。
• **向量化（Vectorization）**：将文本转为数值向量，供机器学习。常用方法：
• **词袋（Bag-of-Words, BoW）**：忽略顺序，统计词频。简单但丢失语境。
• **TF-IDF**：词频-逆文档频率，突出文档特有词。公式：$\text{TF-IDF}(t,d) = \text{TF}(t,d) \times \log\frac{N}{\text{DF}(t)}$，其中 $t$ 为词，$d$ 为文档，$N$ 为总文档数，$\text{DF}(t)$ 为包含 $t$ 的文档数。
• **词嵌入（Word Embedding）**：如Word2Vec、GloVe，将词映射为稠密向量，语义相似词向量接近（如“king” - “man” + “woman” ≈ “queen”）。训练需大量语料，历史文本可能不足。

2. 分析技术：

• **词频与关键词分析**：最基础，但需结合语境。例如，比较莎士比亚悲剧与喜剧的词频，“death”在悲剧中更高，但需统计检验（如卡方检验）确认显著性。
• **主题模型（LDA）**：假设每文档是多个主题混合，每主题是词的概率分布。使用变分贝叶斯或吉布斯采样推断。需设定主题数 $K$，可通过困惑度（perplexity）或人工解读选择。例如，对18世纪英国小说