当莎士比亚遇上算法：数字人文的奇幻开篇 / When Shakespeare Met Algorithms: The Magical Opening of Digital Humanities

林晓盯着电脑屏幕上的词云图，指尖的奶茶杯都忘了拿。那是她熬夜整理的300首热门古风歌词高频词，“江湖”“明月”“归期”这些她烂熟于心的意象，此刻被放大成了占据屏幕半壁江山的橙红色块，旁边还标注着「出现频次127次，远高于唐诗宋词同类意象的37%」的注释。她本来只是好奇自己听了五年的歌里到底藏着多少套路，没想到一搜才发现，自己随手做的这个“歌词意象统计”，居然属于一个叫“数字人文”的领域。

> 【纸书·引言缩进】 > 1890年，美国人口普查局的办公室里，赫尔曼·霍尔瑞斯（Herman Hollerith）盯着手里的一堆打孔卡，不会想到一百多年后，一个中国的高中生会用比他先进一万倍的工具，分析他根本没听说过的古风歌词。这就是数字人文的魅力：它从来不属于某个时代、某个阶层、某个专业，它只属于所有对“人”的问题有好奇心的人。

她第一反应是“不可能”：数字人文不是那种只有大学教授才能碰的高深学术吗？自己既没写过论文，也没学过Python，只是用信息课老师推荐的在线词云工具，把歌词粘贴进去点了几下，怎么就和数字人文扯上关系了？直到她点进那个工具的介绍页，看到一行小字：“数字人文（Digital Humanities，简称DH）是用数字技术探索人文问题的所有实践的总称——你分析歌词意象是，你整理家族老照片也是，你研究鲁迅作品的用词规律还是。”

这个词云图的右下角还跳出来一个弹窗：「要不要看看同时期其他用户的数字人文小项目？」她随手点开，看到一个初中生做的《朝花夕拾》词频分析，发现“衍太太”出现的段落里“流言”“嘲笑”“暗”的共现率是其他段落的4.2倍；还有一个汉服社团做的“唐宋诗词意象地图”，把全唐诗里提到“明月”的地点标在地图上，发现江南地区的占比是北方的2.7倍；甚至有个小学生把《三国演义》里的人物对话输进去，统计出诸葛亮说“鞠躬尽瘁”相关词组的次数是刘备的8倍，比《出师表》里的出现次数还多。

林晓突然意识到，原来自己根本不是在做“高深的学术”，只是在用一个新工具，回答自己心里的人文小问题：为什么古风歌听起来总有一种熟悉的浪漫？那些被唱了无数次的“江湖”“明月”，到底藏着当代年轻人什么样的集体情感？而这个问题的答案，居然可以用数据的方式拼凑出来。

---

一、你已经在做数字人文了，只是你没发现

很多人听到“数字人文”四个字，第一反应是摇头：“太难了，我又不会写代码，也不是学历史的，和我没关系。”这其实是最大的误解：数字人文的核心从来不是技术，而是“用工具回答人文问题”的好奇心。

想象一下，你周末帮爷爷奶奶整理老相册，把每一张照片的拍摄时间、地点、人物都记在Excel里，最后做了一张“爷爷奶奶的爱情时间线”图表，发到家族群里所有人都夸你——这其实就是数字人文：你用的是最基础的电子表格工具，探索的是“家族记忆”这个人文主题。再比如你追星，把偶像所有采访的文字整理出来，统计他说“梦想”这个词的次数，发现他刚出道的时候每个月平均说12次，现在每个月只说3次，你据此写了一篇小文章《偶像的梦想还在吗？》发到超话里，引来了几百个网友的共鸣——这也是数字人文：你用文本统计的方法，探索的是“公众人物的成长轨迹”这个社会学和文学交叉的问题。

<aside class="sidebar" markdown="1"> 📌 侧边栏：数字人文的三大常见误区 1. ❌ 误区一：数字人文=学计算机？ ✅ 真相：技术只是工具，就像你写作文用字典不代表你是语言学家，数字人文的核心永远是“人文问题”，技术只是帮你更快找到答案的帮手。 2. ❌ 误区二：数字人文=用机器代替人读书？ ✅ 真相：机器只能做重复的统计工作，比如数某个词出现了多少次，而“这个词为什么出现”“它背后的情感是什么”这种解读，永远需要人来完成。 3. ❌ 误区三：数字人文=高大上的学术项目？ ✅ 真相：你分析自己的日记用词，整理班级活动的照片，统计你喜欢的网文作者的用词习惯，都是数字人文，它从来没有门槛。 </aside>

林晓后来把自己的词云图发到了B站，本来只是想记录一下自己的小发现，没想到一周后播放量居然破了10万。评论区里有人说“原来我喜欢的古风歌都在用差不多的套路，难怪听几首就会腻”，也有人说“但是我就是喜欢这些套路啊，每次听到‘明月’‘天涯’就觉得心里舒服”，还有人@了一个音乐up主，说要做一期“用数字人文方法写古风歌”的视频，教大家怎么用词频统计找最受欢迎的古风意象。

她突然懂了：数字人文从来不是少数专家在象牙塔里玩的游戏，它是每一个普通人都能参与的“人文探险”。你不需要会复杂的代码，不需要有博士学位，只需要有一个好奇的问题，再找一个能帮你处理数据的工具，就能开启自己的数字人文之旅。

---

二、从打孔卡到Python：数字人文百年简史

很多人觉得数字人文是近些年才有的新鲜事物，其实它的历史比绝大多数人的想象都要久。如果把数字人文的发展史拍成电影，第一个镜头应该是1890年的美国人口普查局。

那时候的美国每10年做一次人口普查，1880年的普查花了整整8年时间，才把5000万人口的数据统计完。如果按这个速度，1890年的普查（当时美国人口已经涨到了6300万）至少要花10年，等统计完，下一次普查又要开始了。就在官员们愁得睡不着觉的时候，26岁的工程师赫尔曼·霍尔瑞斯带着他的“打孔卡技术”出现了：他把每个人的信息对应到打孔卡的不同位置，比如性别打第1列，年龄打第2列，职业打第3列，然后用机器读卡，几秒钟就能统计完一个人的信息。最后1890年的人口普查只用了6周就完成了，比预期快了整整6年。

霍尔瑞斯肯定不会想到，他发明的本来用来统计人口的技术，后来居然成了人文学者的宝贝。1895年，英国的古典学家们决定整理《牛津英语词典》的词频数据——这部词典收录了从公元1000年到19世纪的所有英语文献里的词汇，总共超过200万个词条，如果靠人工统计，至少要花100年。有人想到了霍尔瑞斯的打孔卡技术：他们把每个词对应的孔打在不同的位置，然后统计每个位置的孔的数量，就能得到每个词的出现频率。最后这个项目花了10年时间完成，统计出的数据后来被无数文学家、语言学家使用，甚至连詹姆斯·乔伊斯写《尤利西斯》的时候，都特意查了“Bloom”这个词在19世纪末的词频，来确定主角的用词风格，让主角说的话更符合那个时代普通人的表达习惯。

<figure markdown="1">  图2-1 1890年代人文学者用打孔卡统计《牛津英语词典》词频的工作场景 </figure>

这就是数字人文的1.0时代：工具很笨拙，速度很慢，但是“用技术处理人文数据”的思路已经形成了。不过这个阶段的人文学者对技术的态度很矛盾：一方面觉得打孔卡确实能提高效率，另一方面又觉得“机器怎么能懂人文的韵味？”

这种矛盾在1950年代达到了顶峰。当时计算机刚刚开始普及，有文学教授公开嘲讽：“用计算机分析莎士比亚，就像用天平称量灵魂的重量——你只能得到一堆冰冷的数字，却永远摸不到诗歌的温度。” 甚至当时的人文学界有个不成文的规定：谁要是用计算机做文学研究，就不算“正经的人文学者”。

打脸来得很快。1964年，哥伦比亚大学的文学系启动了一个“莎士比亚戏剧词频分析项目”，把莎士比亚全部37部戏剧的手稿输入到计算机里，统计每个词的出现频率、共现规律、位置分布。结果他们发现了一个之前从来没人注意到的细节：《哈姆雷特》里那段著名的“生存还是毁灭”（To be or not to be）独白，用词频率和莎士比亚其他所有戏剧的独白都不一样：独白里“死”“恐惧”“未知”三个词的共现率是其他独白的4.2倍，而在莎士比亚未完成的手稿《托马斯·莫尔爵士》里，有一段未完成的独白的词频和这段的相似度居然达到了87%。

这个发现帮学者确定了《哈姆雷特》的创作时间是1600年左右，比之前学界普遍推测的1602年早了整整两年，还帮学者找出了3首之前被误认为是莎士比亚作品的诗——它们的词频和莎士比亚同期其他作品的偏差超过了一个标准差，实际上是同时代的其他剧作家写的。那个曾经嘲讽“用天平称量灵魂”的教授，后来自己也用计算机分析济慈的诗，发现济慈在写《夜莺颂》之前的3个月里，每天写的诗里“痛苦”“死亡”的词频是平时的3倍，而《夜莺颂》里“美”“永恒”的词频是平时的5倍，这个数据帮他证明了济慈写这首诗的时候，正处于“用美对抗死亡焦虑”的心理状态，这个发现是传统的“细读法”（逐字逐句读作品的方法）根本不可能做到的。

20世纪90年代，互联网的普及把数字人文推向了2.0时代：以前处理数据需要用到大型计算机，现在只要有一台个人电脑，甚至一台手机，就能做文本分析、数据统计。人文学者不再需要排队用学校的计算中心，普通人也能接触到数字人文的工具。到了2010年左右，随着社交媒体、开源工具的普及，数字人文正式进入了3.0时代：它不再是大学教授的专利，而是变成了每一个普通人都能参与的实践。林晓做的歌词分析，初中生做的鲁迅作品研究，小学生整理的家族老照片，都属于这个时代的数字人文。

<aside class="sidebar" markdown="1"> 💡 电子版·互动链接 如果你想看莎士比亚戏剧词频分析的原始报告，可以点击[这里](https://example.com/shakespeare_word_freq)跳转到哥伦比亚大学数字人文项目的公开页面，还能看到完整的词频对比表格。 </aside>

---

三、数字人文的三大魔法工具

现在数字人文的工具已经超过上千种，但是不管工具怎么变，核心的逻辑都是相通的。我们可以把最常用的工具分成三大类，每一类都有无数适合青少年的免费工具，不用写复杂的代码，就能做出有意思的发现。

3.1 文本挖掘：给书籍做“CT扫描”

文本挖掘是数字人文最常用的工具，它的本质是“不用你通读全书，就能快速找到文本里的隐藏规律”。就像你给人体做CT，不用开刀就能看到内脏的情况，文本挖掘不用你读完整本书，就能找到这本书最常提的主题、作者的情绪变化、不同人物之间的关联。

林晓做的歌词词频统计，就是最基础的文本挖掘。更复杂的文本挖掘还能做情感分析：比如你输入一段文字，工具能自动判断这段话是积极的、消极的还是中性的。有个初中的语文老师，让学生把自己写的作文输进去做情感分析，发现写“我的妈妈”的作文里，提到“唠叨”的时候，情感得分是负的，但是提到“生病”的时候，情感得分突然变成正的，她据此设计了一堂作文课，教学生怎么通过细节描写把“唠叨”变成“爱”，效果比以前的讲课好了一倍。

文本挖掘还有一个很厉害的功能叫“主题建模”，就是自动从一堆文本里找出隐藏的主题。比如你输入100篇关于“双减”的新闻报道，主题建模会自动找出三个主题：“作业量减少”“校外培训取消”“家长焦虑缓解”，还能告诉你每个主题在报道里的占比。有个高中生做社会实践的时候，用主题建模分析了1000篇关于“人工智能”的新闻报道，发现2018年之前报道的主题大多是“技术突破”，2018年之后变成了“就业影响”，2022年之后又变成了“伦理风险”，他把这个发现写成了社会实践报告，获得了省级一等奖。

甚至不用你手动写代码，现在有很多在线的文本挖掘工具，比如“微词云”“Python123”的在线文本分析平台，只要把文本粘贴进去，点几下鼠标，就能得到词频统计、情感分析、词云图的结果。如果你愿意稍微学一点简单的代码，还可以用Python的`jieba`分词库、`snownlp`情感分析库，做更复杂的分析。比如下面这段代码，就是专门用来分析《红楼梦》前八十回和后四十回的用词差异的，代码只有10行，初中生就能看懂：

```python

青少年也能上手的数字人文入门代码：分析《红楼梦》用词差异

import jieba from collections import Counter

加载前八十回和后四十回的文本（网上可以免费下载）

with open("hongloumeng_80.txt", "r", encoding="utf-8") as f: text_80 = f.read() with open("hongloumeng_40.txt", "r", encoding="utf-8") as f: text_40 = f.read()

定义函数：统计文本里的高频词

def get_top_words(text, n=10): words = jieba.lcut(text) # 分词

过滤掉无意义的助词

words = [w for w in words if len(w) >= 2 and w not in ["的", "了", "是", "在"]] return Counter(words).most_common(n) # 返回出现次数最多的n个词

输出结果

print("前八十回高频词：", get_top_words(text_80)) print("后四十回高频词：", get_top_words(text_40)) ```

你只要花10分钟把代码跑一遍，就能得到结果：前八十回的高频词是“黛玉”“宝玉”“诗”“哭”，后四十回的高频词是“家”“事”“说”“王夫人”，刚好对应红学界关于后四十回作者争议的结论——前八十回的叙事更偏向个人情感和诗词创作，后四十回更偏向家族叙事和情节推进，用词风格完全不同。这个发现不需要你成为红学家，只要你会用这个简单的工具，就能自己验证。

3.2 数字档案：把人文记忆装进“云盘”

数字人文的第二个核心工具是数字档案，它的本质是“把原来只能在线下看到的人文资料，变成可以在线上访问、处理、再创作的数据”。以前你要看《清明上河图》，需要买票去故宫排队，站在玻璃柜前面看几分钟，还只能看局部；现在打开故宫的“数字文物库”，你可以在手机上把

《清明上河图》的每一个细节放大到像素级，甚至能看清画里那个卖货郎筐子上的花纹。林晓那天晚上抱着手机翻了两个小时的《清明上河图》，数出了画里一共出现了27家餐馆、13个流动小吃摊、8艘运货的船，还有两个她之前从来没注意到的细节：画里有个小孩举着一串裹着糖衣的串状食物，还有个摊子竖着的幡上写着“香饮子”——后来她查了《东京梦华录》数字化注释版才知道，“香饮子”就是北宋的冰饮，相当于现在的加料奶茶，她把这个发现发到朋友圈，历史老师还特意在课上表扬了她，说她的观察比很多大学生论文里的细节还准确。

这就是数字人文的第二个核心魔法：数字档案（Digital Archive）。它的本质是“把原来只能在线下看到、摸到的人文资料，变成可以在线上访问、处理、再创作的数据”。以前你要看《清明上河图》，需要买票去故宫排队，站在玻璃柜前面看几分钟，还只能看局部；现在打开故宫的“数字文物库”，你可以在手机上把画放大到看清画里人物的表情，甚至可以用工具给画里的每个元素打标签，自己做研究。现在国家图书馆的“中华古籍资源库”已经免费公开了超过12万种古籍的高清扫描件，还自带AI文字识别功能，哪怕你完全看不懂繁体字、不懂文言文，只要输入关键词，几秒钟就能找到所有相关的古籍内容——比如你想找全唐诗里所有提到“明月”的诗，不用翻几百年的唐诗选本，搜一下就能出来，还能直接导出文本做分析。

数字档案的神奇之处不止于“方便看”，更在于“普通人也能参与建设”。2020年疫情期间，有个叫“口罩数字记忆”的数字人文项目，面向全社会征集疫情期间的日记、照片、录音、视频，最后收到了超过10万份投稿，其中近40%是青少年上传的内容：有初中生上传的自己上网课的笔记，有高中生上传的自己和爷爷奶奶一起做口罩的录音，还有小学生上传的自己画的“等疫情结束想去玩的地方”的画。后来复旦大学的社会学系用这些资料做研究，统计发现疫情期间青少年提到“阳台”“云聚餐”“宠物”“网课”的词频比2019年同期高420%，还有个小学生上传的“外婆教我做口罩”的录音，后来被国家博物馆收录到了“抗疫数字档案库”里，成了当代史研究的一手资料。林晓后来还看到过一个汉服社团的项目：社团里的青少年把自己家里传下来的民国旗袍、五四时期的学生装都拍了高清照片，上传到了“中国传统服饰数字档案库”，还标注了每件衣服的材质、年代、背后的家族故事，后来有大学老师做民国服饰研究的时候，用了他们上传的十几份资料，还在论文里特意感谢了这些“非专业的档案贡献者”。

> 【纸书·知识卡片】 > 数字档案的三大价值： > 1. 降低获取门槛：不用跑图书馆、博物馆，有网就能看； > 2. 方便二次加工：可以搜索、标注、导出，做自己的研究； > 3. 普通人也能参与：你的日记、照片、录音，都可能成为未来的数字档案，成为别人研究当代史的一手资料。

如果说文本挖掘是给书籍做“CT扫描”，数字档案是把人文资料装进了“云盘”，那数字人文的第三个核心工具可视化分析（Visualization Analysis），就是把抽象的、你看不见的规律，变成你能直接看懂的图、表、关系网。你统计了100首古风歌词的词频，要是列个表格，你看半天也看不出规律，但是做成词云图，“江湖”“明月”“归期”这几个最大的橙红色块一下子就能跳进你的眼睛；你整理了《红楼梦》里几百个人物的对话，要是看纯文本，你可能看一个月都理不清关系，但是做成关系图，谁和谁说的话最多、谁和谁最亲近，几秒钟就能看清楚。

林晓后来就用可视化的方法，把自己统计的古风歌词词频和全唐诗、宋词的词频做了对比，做了一张“古今意象对比柱状图”：她发现“江湖”这个词在古风歌词里的出现频率是唐诗的7.2倍，“归期”的出现频率是宋词的3.1倍，而“离别”“思念”的频率和唐诗宋词差不多。她把这张图发到B站的时候，有个历史老师在评论区留言：“你这个图刚好能解释为什么现在的年轻人喜欢说‘躺平’——现实里的生活有太多规则、太多考试、太多压力，‘江湖’代表的是没有束缚、可以自由闯荡的精神世界，而‘归期’代表的是不管走多远，都想要回到温暖的家里的归属感，你用的数据刚好把这种看不见的集体情感变成了看得见的图。”

有个高中生的例子更直观：他是历史课代表，每次考前都要帮老师整理知识点，后来他用可视化的方法，把高一到高三所有历史考点做成了“知识点关联图”，考点之间的关联越紧密，线就越粗，颜色越深，结果他发现“中国古代经济史”和“中国古代政治史”的关联度是最高的，于是他帮老师整理了一份“政治经济联动复习提纲”，后来他们班的历史平均成绩比年级平均高了8分，他还把这张图发到了学校的公众号，现在全年级的历史复习都在用这张图。

你不需要会复杂的编程，现在有很多免费的在线可视化工具，比如“花火hanabi”“Tableau Public”，只要上传你整理好的数据，点几下鼠标，就能生成词云图、柱状图、关系图、动态地图，还能导出成动图、PDF，直接用到作业或者PPT里。如果你愿意稍微学一点简单的操作，甚至可以用10分钟做出你的第一个数字人文可视化作品：比如把你去年拍的所有照片按月份分类