数字人文导论：人文学科的数字转向

第一章 数字人文导论：人文学科的数字转向

半个多世纪以前，一位意大利修道士坐在一台占据了整间办公室的计算机前，敲下了第一行代码，试图用机器统计十三世纪神学家托马斯·阿奎那的拉丁文著作中"存在"（esse）一词究竟出现过多少次。这位修道士名叫罗伯托·布萨（Roberto Busa），那台庞大的机器叫做 IBM 穿孔卡制表机，而他启动的项目，后来成为了人类历史上规模最为宏大的人文研究工程之一——《托马斯著作索引》（Index Thomisticus）。布萨的工作，构成了"人文计算"的起点，也悄然拉开了数字人文（Digital Humanities, DH）的序幕。今天，当你打开任何一个搜索引擎，输入"数字人文"四个字，你会得到上百万条结果：在线档案馆、可视化地图、文本挖掘工具、跨学科研究中心……一个曾经隐匿于象牙塔之中的领域，已经走入公众视野。那么，究竟什么是数字人文？它只是把人文学科的资料"扫进电脑"那么简单吗？它和计算机科学、数据科学有什么区别？它又将如何重新塑造我们阅读历史、解读文学、理解人类文明的方式？本章将围绕这些问题展开，为你绘制一幅数字人文的"入门地图"。

1.1 数字人文的诞生：从"人文计算"到独立学科

要理解一门学科，最好的方式往往是从它最初的问题意识讲起。数字人文的诞生，源于一个朴素却困扰了人文学者数百年之久的难题：当研究对象是人类自身创造的全部文本与文化产物时，人力何时抵达了它的边界？

1949 年，布萨向 IBM 公司提出了一个在当时看来近乎疯狂的请求：他希望借助机器，对阿奎那留下的约一千万字拉丁文著作进行词频统计、文本检索和语义标注，并构建一个可供检索的索引。在那之前，学者们要研究一位古典作家，往往需要耗费数十年时间在图书馆中逐页翻阅手稿；而布萨的设想是，让机器去做这些重复性的劳动，把学者解放出来，去思考更深层的、机器无法替代的问题。

布萨的工作从 1949 年延续到 1980 年代，最终产出了包含 1100 万条词条的索引，涵盖 118 卷出版物的庞大工程。它不仅是一项技术成就，更是一种方法论的宣示：在计算机与人的合作中，可以让"机器做机器擅长的事，人做人擅长的事"——前者是规模、速度与一致性，后者是判断、阐释与意义。这一理念，正是数字人文的精神内核。

从布萨的工程出发，数字人文经历了一段漫长而低调的孕育期，时间跨度近半个世纪。我们可以用一条线索串联它的关键节点：

```mermaid flowchart LR A[1949<br>布萨提出人文计算] --> B[1960s<br>语料库语言学兴起] B --> C[1970s<br>SGML编码标准诞生] C --> D[1980s<br>个人电脑普及] D --> E[1990s<br>互联网与人文计算中心] E --> F[2004<br>谷歌启动图书数字化] F --> G[2010<br>Ngram Viewer发布] G --> H[2010s<br>数字人文成为独立学科] H --> I[2020s<br>生成式AI深度介入] ```

这张时间线浓缩了一个核心趋势：计算能力从"专业人士的工具"逐渐变成"通用基础设施"，而人文学者也逐步从技术应用的边缘走向方法论创新的中央。

1960 年代，随着计算机进入大学，语言学家们率先拥抱了这一工具，语料库语言学（Corpus Linguistics）开始系统化地研究大规模真实语料中的语言模式。1970 年代，结构化文本编码标准 SGML（Standard Generalized Markup Language）诞生，它让文本可以被机器"理解"——不仅能显示字符，还能携带语义层信息。这一突破催生了 1980 至 1990 年代一系列数字人文项目，例如"英语古文书项目"（English Paleography Project）和著名的"伯克利马克文本档案"（Mark Twain Project），它们开始尝试以系统化的方式处理中世纪手稿与历史档案。

真正让数字人文从"小众实验"走向"学科自觉"的转折点出现在 21 世纪初。2004 年，谷歌宣布启动图书图书馆（Google Books Library）项目，誓言将全球图书馆的纸质藏书数字化。这一项目的副产品，是 2010 年正式发布的 Google Ngram Viewer，它让任何一位拥有浏览器的普通人都能查询过去五百年间任何词或词组在谷歌图书语料库中的出现频率——这是一件在数字人文诞生之初完全无法想象的事情。几乎同一时期，"数字人文"这一术语开始在北美和欧洲的大学里取代"人文计算"，标志着它已不再只是"用电脑帮助人文学科"，而是要成为一种独立的、跨学科的学术范式。

2010 年代以来，数字人文进入了"扩展期"。世界各地的研究中心如雨后春笋般成立：斯坦福大学文学实验室、伦敦国王学院数字人文系、莱比锡大学应用信息学研究所、清华大学计算语言学实验室等，迅速将这一领域推向主流。同时，伴随社交媒体、移动设备和物联网的普及，数字人文的研究对象也从古书手稿扩展到了推文、影像、城市空间等更广泛的人类文化痕迹。2020 年代以来，以大语言模型为代表的生成式 AI 进一步重塑了这一领域——研究者可以用自然语言与史料"对话"，让机器辅助撰写注释、整理目录，乃至生成可视化图表。一个全新的可能性图景正在徐徐展开。

理解这条历史脉络，对青少年读者而言至关重要：数字人文不是一夜之间冒出来的"网红学科"，而是数十年来计算技术与人类文化研究反复对话、互相塑造的结果。它的每一次跃迁，都呼应着一个更宏大的时代命题——当知识生产的工具发生变化时，认识世界的方式也将随之改变。

1.2 重新定义数字人文：三大核心特征

理解了数字人文的历史，我们就可以更准确地给它下一个定义。但要给它下定义并不容易，因为这门学科的边界常常是流动的、内涵丰富的。在学术界，比较被广泛接受的表述是：数字人文是一种将数字技术与人文问题相结合，以批判性、反思性的方式研究人类文化产物的跨学科领域。这一表述看似简洁，却浓缩了三层核心特征：跨学科性、数据驱动、方法创新。让我们逐一剖析。

1.2.1 跨学科性：技术与人文的双向奔赴

数字人文的第一大特征，是其鲜明的跨学科属性。它的研究者背景五花八门——历史学家、文学教授、语言学家、计算机科学家、图书情报学者、艺术家、社会学家常常出现在同一个项目组里。这种"混杂"不是简单的拼凑，而是源于问题本身的复杂性。

举个例子：如果你想研究"古代长安城中的女性活动空间分布"，仅靠历史文献是不够的，你需要考古遗址数据、唐代诗歌中的地理意象、地名考证、3D 城市复原、甚至古气候数据。一个文学研究者可能只关心诗中的意象，而考古学家关心实物，社会学家关心空间使用模式——数字人文要求这些视角彼此对话，并用统一的数据基础设施让它们能够相互检验、相互补足。

这种跨学科性，意味着数字人文学者必须扮演"译者"的角色：他们既要懂一点 Python 代码，又要能读懂艰深的史料；既要能设计数据库的字段，又要能解释一个文学意象为何重要。它不是要求每个人都成为全才，而是要求每个人都能"在其专业之外说一点点彼此能听懂的话"。

1.2.2 数据驱动：从"猜测"到"检验"

数字人文的第二大特征，是数据驱动的研究范式。传统人文学科的工作方式，常常被诟病为"举例式研究"——学者凭直觉选取几个文本片段，然后从中推演出一个普遍性的结论。这种方法当然有其合理性，人文学科的阐释本质上是不可完全还原的；但它也存在明显的风险：当样本量很小的时候，结论很容易被研究者无意识的偏见所左右。

数据驱动的方法，则提供了一种"大规模验证"的可能性。借助数字技术，学者可以让机器扫描成千上万的文本，从中识别反复出现的模式、趋势与例外。例如，要研究《全唐诗》中"月"的意象在不同时代的演变，一个数字人文研究者可以先用 OCR（光学字符识别）把数万首诗数字化，再用分词、词频统计、情感分析等工具量化"月"出现在不同诗体、不同作者群、不同地理区域中的频率与上下文。这种工作方式，让从前的"印象式判断"有了可被反复检验的数据基础。

但这里必须强调一个容易引起误解的地方：数据驱动 ≠ 数据决定论。在数字人文实践中，量化分析的结果永远不是终点，而是新问题的起点。当机器告诉你"明代小说中使用'忠'字的频率比宋代高了三倍"，真正的研究才刚刚开始——为什么会这样？这个差异背后反映了什么社会变迁？这些才是人文学者需要回答的问题。换言之，数字人文不是用机器替代人，而是用机器延伸人的视野，再由人去做机器做不到的事——意义阐释。

1.2.3 方法创新：从"近距离阅读"到"远距离阅读"

数字人文的第三大特征，是它催生了一系列新颖的研究方法。其中最有代表性的概念，是意大利裔美国学者弗朗哥·莫雷蒂（Franco Moretti）在 2000 年代提出的"远距离阅读"（Distant Reading）。与传统的"近距离阅读"（Close Reading，即精读单篇作品）相反，远距离阅读倡导把大量文本作为一个整体来看待，借助统计与计算的方法识别宏观模式。

要理解这一点，我们可以做一个类比：想象你站在一座图书馆的门口，俯瞰整个书库。如果你只看一本书，你最多只能了解一位作者。但当你能够"看见"整个书库的布局、分类、流通记录时，你会发现一些你站在书堆前永远不会察觉的现象——比如，19 世纪英国小说的平均长度在维多利亚时代缩短了三分之一，或者侦探小说在两次世界大战之间集中爆发。远距离阅读揭示的是"看不见的森林"，而近距离阅读揭示的则是"看得见的树木"。两者并非互相替代，而是互补共存。

除了远距离阅读，数字人文还发展出了网络分析（Network Analysis，用于研究人物关系、引文网络、概念传播）、地理信息系统（GIS，用于研究文学地理学、历史空间）、主题建模（Topic Modeling，用于自动识别大规模文本中的隐藏主题）、图像识别（用于分析古代绘画、广告图像、电影镜头）等众多新方法。每一种方法都像是一扇新的窗户，让人文学者看到此前不可见的图景。

这三大特征——跨学科性、数据驱动、方法创新——共同构成了数字人文的"基因图谱"。但仅有特征描述，还不足以让我们区分数字人文与它那些"近亲"，尤其是计算机科学和数据科学。让我们再深入一层，辨析几者之间的边界。

1.3 数字人文的边界：与计算社会科学、数据科学的分野

在日常语境中，"数字人文""计算社会科学""数据科学"这几个词常常被混用。它们确实有一些共同点——都依赖大规模数据、都使用相似的工具栈、都要求计算思维。但它们之间存在本质性的差异，这些差异不是技术上的，而是问题意识上的。

为了清晰地展现这三者的关系，我们可以从三个维度进行比较：

第一，研究对象不同。数字人文的核心研究对象是人类的文化产物——文本、图像、声音、空间、建筑、仪式等一切承载着人类意义的"痕迹"。计算社会科学的研究对象则是社会行为与社会结构——选举、迁徙、社交网络、消费模式等。数据科学则更具方法论属性，它关心的是如何从任何类型的数据中提取模式，研究对象并不固定，从蛋白质结构到金融交易、从交通流量到体育统计，都可以是它的舞台。

第二，对"意义"的态度不同。这是三者之间最本质的区别。在数据科学和计算社会科学中，"意义"通常被简化为"变量之间的统计关系"——例如，学历与收入的相关性，投票率与气候的关联，等等。这种抽象往往是有效的、富有解释力的。但在人文学科中，"意义"远不止于此——一个符号为什么被选择？一段历史叙述承载着怎样的权力关系？一首诗为何在这个年代被重新解读？这些问题的答案，无法被简单的相关性所穷尽。数字人文的独特之处在于，它要求在量化的同时，始终保留对意义的敏感，对阐释的开放。数字人文学者的工作，常常是"先用工具发现问题，再用文本追问意义"。

第三，对工具的态度不同。计算社会科学和数据科学倾向于把工具视为解决方案本身——更复杂的算法、更多的算力，往往意味着更好的研究。但在数字人文领域，工具常常被视为"问题的延伸"，而非"问题的终点"。一个人文计算项目的成败，往往不取决于代码的精妙，而取决于研究者是否提出了真正有意义的问题。一流的数字人文项目，可能只用了非常朴素的工具（一个电子表格、一段简单的 Python 脚本），却提出了划时代的问题；反之，一个技术炫目但问题空泛的项目，在学术上往往难以留下足迹。

为了把这种区分直观地呈现出来，我们可以用一张简明的对照表来梳理：

```mermaid flowchart TD subgraph DH[数字人文] DH1[研究对象：文化产物] DH2[核心问题：意义与阐释] DH3[工具角色：服务于问题] end subgraph CSS[计算社会科学] CSS1[研究对象：社会行为] CSS2[核心问题：机制与因果] CSS3[工具角色：模型与解释] end subgraph DS[数据科学] DS1[研究对象：泛化数据] DS2[核心问题：模式与预测] DS3[工具角色：方法论本身] end ```

这张图揭示了一个简洁的判断标准：数字人文与其他两者的边界，不在于工具，而在于"是否始终把意义阐释放在中心位置"。当一个项目把数据本身的处理视为终点时，它更接近数据科学；当一个项目把数据用于解释社会机制时，它更接近计算社会科学；而当一个项目在处理数据的同时，始终强调"意义的不可还原"，让数据为阐释服务而非取代阐释时，它就是典型的数字人文。

理解这种区分非常重要，因为它提醒我们：学习数字人文，并不是学习更复杂的算法，而是学习一种新的提问方式。一个数字人文项目最关键的产出，往往不是某项技术突破，而是"我们因此看到了以前看不到的东西"这一类判断。

1.4 案例剖析：Google Ngram Viewer 与文化变迁的可视化

理论层面的辨析之后，让我们把目光投向一个具体的案例，把抽象的概念落到实践中。Google Ngram Viewer 是迄今为止最广为人知的数字人文工具之一，它的简洁性、可访问性与争议性，使它成为绝佳的教学案例。

1.4.1 Ngram Viewer 是什么

Ngram Viewer 的核心数据结构非常简单：N-gram——即文本中连续的 N 个词。Unigram（1-gram）是单个词（如"战争"），Bigram（2-gram）是两个相邻的词（如"第一次世界大战"），以此类推。Google Books Library 项目数字化了来自全球 40 余家图书馆的约 5000 万册图书，覆盖 1500 年至 2019 年的多种语言，构成一个规模空前的"人类书面文化遗产数字档案"。Ngram Viewer 允许用户输入任意词或词组，选择年份范围，即可查看这些词在指定年份图书中出现的相对频率（每 10 亿词的词次），并以曲线图的形式呈现。

从 2010 年正式发布至今，Ngram Viewer 已经成为人文研究者、记者、教师乃至普通公众探查文化变迁的"利器"。它的可视化界面简洁到极致：上方是输入框，下方是曲线图——任何一个会打字的人都可以使用。

1.4.2 三个有代表性的发现

要展示 Ngram Viewer 的研究潜力，我们可以看三个具体的发现。

发现一：工业革命中"机器"与"自然"的语义对峙。如果你在 1750 至 1900 年的语料库中查询 "machine"（机器）和 "nature"（自然）的频率曲线，你会发现一个耐人寻味的现象：1750 年前后，"nature" 的频率远高于 "machine"；而到了 1870 年前后，"machine" 的频率几乎追平了 "nature"，并在 19 世纪末实现了反超。这个简单的频率对比，揭示的不只是词汇偏好的变化，更是工业革命期间人类心智版图的剧烈调整——"机器"从一个边缘词汇走向日常语言的核心，本身就是现代性进程在语言层面的投射。

发现二：女性主义浪潮的语言印记。如果你查询 "feminism"（女权主义）、"suffragette"（女性参政权论者）、"MeToo" 等词的频率曲线，你会发现它们呈现明显的"阶梯式爆发"——19 世纪中后期的女权运动、20 世纪 70 年代的第二波女性主义浪潮、2017 年以来的 #MeToo 运动，每一次社会运动都在语言的曲线上留下了清晰的痕迹。这提醒我们：文化变迁不仅被亲历者书写，也被语言自身默默记录。而 Ngram Viewer 的价值，就是把这种"记录"放大到我们肉眼可见的程度。

发现三：技术伦理词频的缓慢爬升。查询 "ethics of artificial intelligence"（人工智能伦理）、"data privacy"（数据隐私）、"climate change"（气候变化）等词，你会发现它们在 1990 年代之前几乎不存在，在 2000 年代后才缓慢爬升，2010 年代进入陡升区。这与互联网普及、社交媒体兴起、深度学习革命等关键节点高度吻合。重大技术变革往往会触发人们对自身处境的反思，而这种反思，最先表现为新词的诞生与扩散。

1.4.3 Ngram Viewer 的方法论价值

从以上几个例子中，我们可以提炼出 Ngram Viewer 在方法论上的三重价值。

第一，它让"文化变迁"成为可量化的对象。在过去，研究文化变迁往往依赖思想史家的"印象式叙述"，这种叙述难免带有作者的视角偏差。Ngram Viewer 虽然不能取代阐释，但它提供了一种横向的可比较数据，让不同的阐释都可以在同一个经验事实上进行检验。

第二，它揭示了"看不见的群体"。个人作者写下的作品，往往只占图书总量的极小比例，绝大多数是没有进入文学史的匿名文本。通过 Ngram Viewer，我们能"听见"被文学史遗忘的大多数人的语言，这是一种民主化的视角。

第三，它让跨语言、跨时段比较成为可能。一位历史学者可以坐在书桌前，用同一套工具同时比较英语、法语、中文、日语中"自由""平等""民族"等概念在 1800 年以来的扩散路径。这种工作方式，在数字人文诞生之前是不可思议的。

1.4.4 Ngram Viewer 的局限与争议

但讲完它的价值，我们必须同样认真地讨论它的局限性。这正是数字人文研究精神的核心——既要信任数据，又要批判数据。

局限一：语料的偏差。谷歌图书数字化项目并非随机抽样。它严重偏向英语出版（截至 2019 年，英语约占 60% 以上）、偏向欧美出版机构、偏向 19 世纪以后的图书。这意味着从中得到的曲线，对于中世纪欧洲或非西方文明，可能并不准确。一个简单的例子是：用 Ng