数字人文的起源、范式转变与技术哲学基础

数字人文的兴起并非仅仅是为人文学科披上一件技术外衣，而是一场深刻的认识论与方法论革命。它迫使我们重新审视“什么是证据”、“如何产生知识”以及“知识为谁服务”这些根本问题。本章将追溯这场革命的历史脉络，从早期“人文计算”的技术乐观主义，到“数字人文”对学科主体性的重申，厘清其跨学科本质。进而，我们将深入剖析技术如何催化研究范式的根本转变，特别是从经典的“细读”向“远读”的拓展，这不仅是距离的变化，更是研究对象的重构。最终，本章将奠定本书的批判性基石，聚焦于数字人文实践中不可回避的技术哲学议题：数据表征的政治性、算法决策的隐蔽性以及数据集本身的建构本质。通过《莎士比亚全集》的早期计算实验与文本编码倡议（TEI）的诞生这两个经典案例，我们将看到理论如何在具体实践中落地、碰撞与演化。理解这些起源与基础，是进行任何负责任的数字人文实践的前提——技术赋能的前提，是清醒的批判性认知。

历史脉络：从人文计算到数字人文的诞生

数字人文的历史并非一条平滑的上升曲线，而是一个充满张力、反复与重新定义的演进过程。其源头可追溯至20世纪40年代末50年代初计算机科学的黎明时代，彼时“人文计算”（Humanities Computing）是更主流的称谓，它更侧重于工具性与计算本身。理解这一转变，是把握数字人文精神内核的关键。

1.1 先驱时代：工具理性与索引梦想（1940s-1970s）

数字人文的公认起点，通常与耶稣会士罗伯托·布萨（Roberto Busa, S.J.）的宏大项目紧密相连。1946年，布萨向IBM寻求合作，意图利用新兴的计算机技术处理托马斯·阿奎那（Thomas Aquinas）的全部著作（约1100万词）。其目标清晰而传统：制作一部前所未有的、精确的“词汇索引”，以辅助神学与哲学研究。1950年代，IBM 701计算机 punched cards 的嗒嗒声中，布萨的团队完成了这部《托马斯·阿奎那作品词汇索引》。这一成就被广泛宣传为“计算机用于人文学科的第一次重大胜利”，它确立了早期人文计算的核心范式：将文本视为可计数、可排序、可检索的符号串，计算机是高效的“高级算盘”。

这一时期的其他关键发展包括：

• **词频统计与风格分析**：学者们开始用计算机统计词频、词长分布、句长等，试图以“客观数据”辅助作者归属鉴定（如《联邦党人文集》作者问题）或文体分析。
• **语料库语言学的萌芽**：如1960年代布朗语料库（Brown Corpus）的建立，虽以英语为主，但其系统性标注理念深刻影响了后续的文本处理。
• **早期数据库与目录**：图书馆学与文献学领域的计算机化，如机读目录（MARC）格式的发展，为文献的数字化组织奠定了基础。

此阶段的主导思想是工具理性：计算机是强大的、中立的工具，能极大提升传统人文学科（尤其是文献学、语言学、历史学）的研究效率。研究的问题、理论框架与解释权依然牢牢掌握在传统人文学者手中，技术专家通常是辅助角色。批评的声音当时已存，如认为这种“计数”忽略了文本的意义、语境与审美，但被技术进步的浪潮所淹没。

1.2 术语转向与学科自觉：“数字人文”的兴起（1980s-1990s）

“人文计算”术语的局限性在1980年代日益明显。一方面，计算机已从大型机走向个人电脑，处理对象从纯文本扩展到图像、声音、地理信息；另一方面，一批兼具技术能力与人文素养的学者开始出现，他们不满足于仅仅提供工具，而是主动利用技术提出新问题、创造新形式的研究对象与成果。

1986年，计算机协会（ACM）与人文学科计算机协会（ACH）联合举办会议，议题已超越单纯的技术应用。1990年代，“数字人文”（Digital Humanities）一词逐渐取代“人文计算”成为主流。这一转变绝非简单的标签更新，其内涵包括：

• **从“计算”到“数字”**：“数字”不仅指二进制技术，更暗示了**离散化、可操作、可重构**的信息本质。研究对象本身被“数字化”了，其存在形式与可访问性已改变。
• **从“工具”到“媒介”**：计算机不仅是处理工具，更是**表达、构建与交互的媒介**。数字人文项目开始产出超文本、多媒体、交互式地图、在线档案等新型学术成果，这些成果本身就是知识。
• **从“辅助”到“核心”**：数字方法成为研究设计的**有机组成部分**，甚至能驱动研究问题。例如，不是先有文学理论再用计算机验证，而是通过大规模文本分析发现传统阅读无法察觉的模式，进而提出新的理论假设。
• **跨学科性的深化**：不再仅仅是“人文学者+程序员”的简单合作，而是需要**共同的方法论语言**。文本编码倡议（TEI）的诞生与推广是这一点的最佳证明。

1.3 TEI：奠定数字人文协作基石

文本编码倡议（Text Encoding Initiative, TEI）于1987年由计算机科学家Michael Sperberg-McQueen和文学学者Allen H. Renear等人发起，1994年发布首版指南。TEI的核心贡献在于：提供了一套基于SGML（后为XML）的、开放的标准，用于对文本进行“智能”标注。

TEI的意义远超一个技术标准：

• **语义化编码**：它要求编码者不仅标记文本的物理结构（如段落、标题），更要标记其**逻辑与语义结构**（如演讲者、场景、元信息、人名、地名）。例如，`<speaker>`标签不仅告诉计算机这是说话者，还定义了“说话者”在戏剧文本中的语义角色。
• **社区驱动的规范**：TEI由全球人文学者共同维护和发展，其 Guidelines 本身就是一部关于文本理论与编码实践的巨著。它承认文本的复杂性与多样性，提供了高度可扩展的机制。
• **互操作性与长期保存**：基于开放标准（XML）的编码，确保了数据可以在不同软件、不同时代中被读取、转换和分析，对抗了数字信息的速朽。
• **方法论宣言**：TEI强制编码者进行**显性化的学术决策**。当你为一段文本选择`<place>`而非`<org>`时，你就在进行地理与组织的本体论区分。这种“编码即阐释”的理念，是数字人文批判性思维的早期体现。

TEI的成功，标志着数字人文从分散的、项目驱动的“手工作坊”阶段，向有共同理论框架、技术标准与社区伦理的学科化阶段迈进。它回答了“如何让计算机理解人文文本的复杂性”这一核心问题，为后续的大规模文本分析奠定了数据基础。

范式转变：从细读到远读的认识论飞跃

数字人文最引人注目的贡献，是催生了一种全新的研究范式——“远读”（Distant Reading），由斯坦福大学比较文学教授弗朗哥·莫莱蒂（Franco Moretti）在2000年系统提出，并迅速成为数字人文的标志性方法论。这一范式与以close reading（细读）为核心的经典文学研究形成了鲜明对比与对话。

2.1 细读的边界与远读的诉求

细读（Close Reading），尤其是新批评派所倡导的，是人文学科，特别是文学研究的金科玉律。它聚焦于单个文本或少数文本的微观分析，通过逐字逐句的阐释，挖掘语言的复义、反讽、意象、张力，追求文本的“有机整体”与深层意义。其优势在于深度、细腻与对审美复杂性的把握。但其局限也显而易见：

• **样本偏差**：基于极少数“经典”或“感兴趣”的文本，结论难以推广。我们如何知道所读的文本是“典型”的？谁决定了“典型”？
• **主观性与不可重复**：阐释高度依赖研究者的个人素养与理论视角，不同读者可能得出不同结论，且过程难以被他人完全复现。
• **忽视宏观模式**：文学史、文体演变、 genre 的起伏、某类词汇的世纪性消长……这些需要**跨越数百甚至数千部作品**才能观察到的宏观模式，是细读天然无法触及的。

莫莱蒂的“远读”正是为了弥补这些边界。他在《图表、地图、树：抽象模型的文学史》中明确提出：文学史不应只是对少数经典的细读汇编，而应研究整个文学系统的形态、结构与演变。远读的核心诉求是：通过计算手段，处理大规模文集（Corpus），发现其中隐藏的、人眼无法直接感知的统计模式、网络结构与历史趋势。

2.2 远读的技术实现路径

远读并非单一方法，而是一套技术工具箱，其目标是将文本集合转化为可分析的数据：

1. 文本挖掘与统计分析：

• **词频与分布**：统计特定词汇（如“情妇”、“金钱”、“革命”）在某个时期、某个 genre 或某位作者作品中的出现频率，并追踪其历史变化。例如，研究19世纪英国小说中“情绪”相关词汇（如“焦虑”、“兴奋”）的兴衰，可关联社会心态变迁。
• **关键词提取与主题建模**：使用TF-IDF、LDA等算法，自动从大量文档中提取代表性词汇或抽象主题。例如，对20世纪美国报纸进行LDA建模，可能发现“经济”、“战争”、“民权”等主题及其在不同年代的权重变化。
• **词向量与语义空间**：通过Word2Vec、GloVe等模型，将词汇映射到高维向量空间，使得语义相近的词在空间中距离相近。这可用于发现词汇关系的微妙变化（如“国王 - 男人 + 女人 ≈ 女王”的类比），或分析特定时期的概念集群。

2. 网络分析：

• **人物共现网络**：从小说、戏剧或历史档案中提取人物共现关系（如在同一场景、段落中出现），构建人物网络。通过计算**度中心性、接近中心性、模块度**等指标，识别核心人物、派系结构（如《红楼梦》的人物关系网络），这超越了传统的人物关系谱系图。
• **概念网络**：基于词汇共现或语义相似度构建概念网络，可视化某一领域（如“启蒙思想”）的核心概念及其关联。

3. 地理信息分析：

• 从文本中抽取地名（使用NER工具或TEI编码），进行地理编码，在地图上可视化事件分布、人物轨迹或描述空间。例如，将莎士比亚历史剧中的战役地点与真实历史地图叠加，分析其地理叙事策略。

4. 风格学与作者归属：

• 基于高频功能词（如“的”、“了”、“and”、“the”）、句法结构或标点使用模式，建立作者风格指纹，用于匿名文本作者鉴定或文本真伪辨析。这是早期人文计算的核心，如今有了更复杂的机器学习模型。

2.3 远读的争论与反思

远读自提出以来，争议从未停止。这些争论本身推动了数字人文的深化：

• **“代表性”危机**：远读依赖大规模数字化文集（如Google Books Ngram、HathiTrust）。这些文集是**随机的、有偏的**。它们包含大量垃圾数据（扫描错误）、商业出版的偏见（忽视小众作品）、版权限制导致的空白。基于此的结论，其代表性几何？莫莱蒂自己也曾警告，远读必须与对文集构成（“什么被数字化了？”）的批判性分析结合。
• **意义的消解**：批评者（如Stephen Marche）认为，远读将文学简化为数据点，丢失了文本的“意义”、“审美”与“历史语境”。统计出的“高频词”未必是核心概念，可能只是语法功能词。网络分析中的人物中心性，未必等同于文学重要性或道德地位。
• **解释的鸿沟**：从图表、曲线、网络图中，如何得出有说服力的**人文解释**？数字人文学者需要同时是数据科学家和文学理论家。一张显示“爱情”一词在18世纪小说中下降的图表，其背后是启蒙理性兴起？出版市场变化？还是叙事视角的转变？这需要传统人文研究的介入。
• **方法论的僭越**：是否有将复杂的人文问题过度简化为可计算问题的风险？例如，用情感分析工具衡量小说的“情感曲线”，是否扭曲了文学情感的复杂性？

这些争论的实质，是认识论立场之争。远读的倡导者认为，宏观模式本身就是重要的历史事实，即使其“意义”需后续阐释；而批评者坚持，任何脱离具体语境与审美体验的量化，都是对人文精神的背叛。本书认为，二者并非二元对立。最富生产力的路径是“远读”与“细读”的辩证循环：远读发现异常模式（如某时期某类词汇激增），提出新问题；细读深入分析少数典型案例，解释模式背后的机制；再通过更聚焦的远读验证假设。这是一种混合方法（Mixed Methods），也是本书倡导的务实路径。

技术哲学基础：表征、算法与数据的批判性审视

如果说历史与范式转变是数字人文的“身体”，那么技术哲学批判就是其“灵魂”。任何数字人文实践，若缺乏对这些基础问题的反思，极易沦为技术的附庸，甚至再生产社会不公。本节聚焦三个相互关联的核心议题：数据表征的政治、算法的隐蔽权力、以及数据本身的建构性。

3.1 表征的权力：谁被数据化？如何被代表？

数据并非自然界的“客观矿石”，而是经过一系列社会、技术、经济选择后的人为产物。这一过程充满权力运作。

• **数据化（Datafication）的选择性**：并非所有事物都能或将被数据化。决定将什么转化为数据，本身就是一种价值判断。例如，19世纪的英国监狱记录被数字化，而同时期家庭日记可能没有。这塑造了我们对那个时代的认知：我们可能更了解监狱管理系统，而非私人情感世界。在文学领域，被数字化的主要是**主流、商业成功、符合特定审美标准**的文本。女性作家、少数族裔作家、边缘地区作家的作品，在数字文库中严重 underrepresented。基于此的“文学史”远读，必然是有偏的。
• **分类与标签的意识形态**：TEI标签、数据库字段、主题模型的主题标签，都是**分类系统**。分类系统隐含世界观。例如，将人物标签为`<person>`，默认了“个人”作为历史行动者的中心地位，可能忽视集体、社群或非人行动者（如环境、神灵）。将职业分为“白领/蓝领”或按现代标准划分“中产阶级”，可能无法准确反映前现代社会或非西方社会的职业结构。谁设计这些分类？依据何种理论？服务于何种问题？这些决策常常被隐藏在技术文档之后，但其影响深远。
• **数据化与隐私/伦理**：对历史人物、当代社群或特定群体（如难民、少数族群）进行数据化研究，涉及**代理同意、文化敏感性、潜在伤害**等问题。例如，将殖民时期的档案数字化并分析，可能暴露被殖民者的个人信息，或无意中强化殖民者的叙事框架（如果档案本身即是殖民产物）。

批判性实践：在项目启动前，必须进行数据审计（Data Audit）：我的数据从何而来？谁生产了它？它代表了谁？遗漏了谁？其分类体系基于何种假设？我是否有权使用它？如何避免伤害？

3.2 算法的隐蔽性：黑箱中的知识生产

从简单的词频统计到复杂的深度学习模型，算法是数字人文的引擎。但算法，尤其是复杂模型，常被视为“黑箱”——我们知其输入与输出，却难以完全理解其内部决策逻辑。这带来了多重风险：

• **偏见放大（Bias Amplification）**：算法在训练数据（通常是现实世界有偏数据的反映）上学习，会**继承并放大**社会既有偏见。例如，一个在大量经典英语文学上训练的词嵌入模型（Word2Vec），会学到“医生”更关联“男人”，“护士”更关联“女人”。若用此模型分析历史文本，可能强化性别刻板印象。情感分析工具对非标准英语（如非裔美国人白话英语AAVE）的识别率低，会导致对相关文本的情感误判。
• **“客观性”的幻觉**：算法的数学形式给人一种**客观、中立、精确**的错觉。但算法的选择（用哪种模型？调哪些参数？）、特征工程（提取哪些文本特征？）、评估指标（用准确率还是F1值？）都充满了主观判断。一个看似“客观”的“作者归属鉴定”结果，可能高度依赖于训练集的选择和特征的定义。
• **解释的责任**：当数字人文研究得出惊人结论（如“莎士比亚某剧作者非莎翁”），其背后的算法逻辑必须能被清晰解释，以供同行检验。完全依赖不可解释的“黑箱”模型，会削弱学术共同体的批判能力。

批判性实践：优先使用可解释的模型（如逻辑回归、决策树）或采用SHAP、LIME等事后解释工具。详细记录所有数据处理与建模步骤（遵循可重复研究原则）。对算法局限性进行明确声明，特别是对边缘群体数据的分析需格外谨慎。

3.3 数据的建构性：从“原始数据”到“建构数据集”

“原始数据”（Raw Data）是一个神话。数据集从诞生之初，就是高度加工、解释与建构的产物。

• **采集与选择**：决定收录哪些版本（是首版还是定本？）、哪些作品（是全集还是选本？）、哪些元数据（有作者生平吗？有出版信息吗？）——每一个选择都框定了后续分析的边界。
• **清洗与规整**：去除OCR错误、标准化拼写（是否保留历史异文？）、分词、去除停用词……这些“脏活累活”蕴含着**理论预设**。例如，将早期现代英语的“u/v”、“i/j”统一为现代拼写，是否抹杀了历史文本的物质性与时代特征？
• **标注与增强**：手动或自动添加TEI标签、词性标注、命名实体识别（NER）、情感标签等。这些标注**本身就是一种阐释**，且可能出错。一个NER系统将“Washington”识别为地名还是人名？在19世纪美国小说中，它可能指总统、城市、州或姓氏。标注者的理论立场（如女性主义、后殖民主义）会影响其标注决策。
• **聚合与汇总**：将逐字逐句的数据聚合成 yearly averages、genre statistics、author-level metrics。聚合过程**丢失了细节与变异**。一个作者“平均句长”的下降，可能掩盖了其早期模仿与后期创新的巨大差异。

批判性实践：将数据集视为学术论证的一部分。在论文或报告中，必须详细记录数据来源、选择标准、清洗规则、标注流程与工具版本。提供或链接到原始数据与处理脚本，实现完全可重复。承认并讨论数据建构过程中的所有假设与潜在偏差。

经典案例透视：莎士比亚与TEI的启示

4.1 《莎士比亚全集》的早期计算分析：工具理性的巅峰与局限

1960年代，随着计算机普及，学者们开始对莎士比亚作品进行系统计算分析。最具影响力的是词频统计与风格分析。例如：

• **高频功能词分析**：统计“and”、“the”、“I”、“you”等词的频率，试图区分莎翁不同时期的创作（如悲剧、喜剧、历史剧），或与其他同时代剧作家（如马洛、弗莱彻）比较。
• **独有词汇（hapax legomena）研究**：统计各部剧中仅出现一次的词汇数量，用以推测创作时间或合作情况。
• **词类分布**：名词、动词、形容词的比例，分析其语言风格。

实践意义：这些研究展示了计算机处理大规模文本的惊人效率，为人文研究提供了量化基准。它们催生了“计算文体学”分支。

哲学反思：这些早期研究大多停留在“计数”层面，假设高频词等于“重要”，且其意义是稳定的。它们很少深入文本的语义网络、戏剧语境、表演维度。例如，统计《哈姆雷特》中“死”的词频，远不如分析哈姆雷特在每一次提及“死”时的具体语境、动作与情感变化来得深刻。这暴露了早期人文计算的核心局限：将文本降维为词频向量，丢失了意义、结构、互文性与物质性。它回答了“有多少”的问