什么是数字人文：当算法遇见文字

第 1 章：什么是数字人文：当算法遇见文字

> 本章核心问题 (Core Questions of This Chapter) > - 数字人文究竟是"工具革新"还是"范式革命"？ > - 它如何重新定义我们对"文本"、"作者"、"意义"的理解？ > - 一个从未写过一行代码的文学教授，是否有可能做出改变学界的数字人文研究？

2023 年，一位古典学教授在 Twitter 上发布了一张截图：她用 Python 脚本分析了 4,200 首古罗马爱情诗，自动统计出"夜晚"出现的频次是"白天"的 3.7 倍。这个发现让她怀疑，整个拉丁情诗传统中对"夜的忧郁"的解读，可能被文学批评家们系统性地夸大了。截图下面，有人嘲讽说"这是机器在糟蹋西塞罗"，也有人兴奋地追问"代码能不能开源"。

这场小小的论战，恰好浓缩了数字人文（Digital Humanities, DH）这个领域从诞生之日起就承载的撕裂感与可能性。它既不是把书扫成 PDF 那么简单，也不是理工科对人文的"入侵"。它是某种更暧昧、更深刻、也更危险的东西——一种新的提问方式。

那么，它到底是什么？让我们从一次失败开始讲起。

1.1 破除迷思：数字人文不是"数字化"，而是新的研究范式

三个最常见的误解

在和不同背景的人聊"数字人文"时，我至少听过以下三种截然不同的描述，它们都不太对：

误解一：数字人文就是把纸质书扫描成 PDF。

这种理解把 DH 等同于"数字化保存"（digital preservation），但前者关心的是"能不能问出新问题"，后者关心的是"老东西能不能不死"。梵蒂冈秘密档案的数字化属于后者——它很重要，但本质上是一项图书馆学工程；而当我们用同样的扫描数据去分析 15 世纪教廷通信网络的地理分布与权力流动时，这就开始属于前者了。同一个数据集，从保存到提问，差的是研究范式。

误解二：数字人文是计算机科学家抢人文研究的饭碗。

这通常来自两种人的防御性反应：人文学者担心"机器不懂诗"，理工科学者担心"代码没温度"。但 DH 历史上最有影响力的工作，几乎没有一项是单方面"入侵"的结果。Busa 神父是神学和古典学训练出身；Franco Moretti 的《欧洲文学的地图集》（*Atlas of the European Novel*）核心方法是"远读"（distant reading），但他本人从不写代码；Matthew Jockers 的《宏观分析》（*Macroanalysis*）开创了文学计量学，他原来是英国文学博士。DH 是一种协作姿态，不是单方面的征服。

误解三：数字人文就是"用 Excel 处理文学"。

这种说法把 DH 矮化成了"工具使用"。但 DH 的核心不是工具，而是问题意识的转变。当你面对 5,000 本 19 世纪英国小说时，传统的方法是"精读"（close reading）几本代表作；DH 的方法是提出一个只有在大规模数据上才成立的问题——比如"工业革命如何重塑了小说的句法结构"——然后用工具去回答它。Excel 解决不了这种问题，Python 也不一定能，但只有先承认这是一个新问题，才有可能找到新答案。

一个判断：范式革命 vs. 工具革命

那么，DH 究竟是"工具革新"还是"范式革命"？我的判断是：两者皆是，但范式革命是主菜，工具革新是前菜。

历史学家常常借用科学哲学家库恩（Thomas Kuhn）的"范式转换"（paradigm shift）概念。一个范式的核心不是"我有了更好的显微镜"，而是"我开始问显微镜能回答的问题"。在 17 世纪，列文虎克发明显微镜后，真正发生范式转换的不是显微镜本身，而是生物学开始问"细胞是什么"。同样地，当 1949 年 Roberto Busa 神父开始用 IBM 打孔机处理托马斯·阿奎那的著作时，他不仅仅在做索引——他在问"如果我们有 1100 万条经文数据，我们能问出哪些问题，是 1 条数据时根本不会想到的？"

这个从"1"到"1100 万"的数量级跃迁，本身就会改变问题。一个文学教授面对一首十四行诗时，会问"这个词为什么用得妙"；当他面对 10 万首十四行诗时，他会问"妙"是否有一些可识别的统计学模式？——后者是个新问题，不是因为工具变强了，而是因为他站得远了。Moretti 把这个距离感称为"远读"，并断言"远读不等于坏读"。

这就是 DH 真正的内核：它是一种新的提问距离。

一个反例：为什么"大规模"不等于"有意义"

但我必须立即补充一句：并不是所有"大"的研究都自动具备范式革命的意义。2000 年代初，有一批"用词频证明文学意义"的研究被人诟病至今——比如有人统计出"海明威小说中 and 一词出现频率高于乔伊斯"，然后断言这说明了海明威文风"简洁"。这种研究的问题不是"太大"，而是没有提出必须在大尺度上才成立的问题。

衡量一个 DH 项目是否具备范式价值，我个人有三个简单标准：

1. 可证伪性 (Falsifiability)：它的问题能否被新的数据反驳？若不能，那就是电子化了的人云亦云。 2. 尺度依赖性 (Scale Dependence)：如果只读 5 本书就能回答这个问题，DH 就没必要入场。 3. 可解释性 (Interpretability)：结果出来之后，我们是否对"为什么"有了更深的理解？单纯的统计聚类不是终点，是新问题的起点。

> 🔍 小专栏：词频陷阱 (The Word-Frequency Trap) > > 词频（word frequency）是 DH 入门者最常使用、也最容易被误用的方法。一个典型的反例是 2012 年某团队发布"美国文学情感曲线"报告时，只对 19 世纪小说的"正面/负面情感词"做了简单求和。结果被语言学批评家指出，19 世纪英语中"good"一词既可褒义（好的）也可贬义（反讽用法），不加语义消歧（word sense disambiguation）的统计毫无意义。这次争议让整个文学计量学领域在 2010 年代中期开始严肃处理语义层级的问题。

> English Summary > DH is neither digitisation, nor the invasion of humanities by CS, nor fancy Excel. It is a shift in the scale at which we ask questions. Three criteria: falsifiability, scale dependence, interpretability.

1.2 历史脉络：从 Busa 到今天的数字人文六十年

1949–1980：起源期，Busa 与"人文计算"

数字人文的"第零年"，几乎毫无争议地定格在 1949 年。

那年夏天，一位意大利耶稣会神父 Roberto Busa 找到 IBM 创始人老托马斯·沃森（Thomas J. Watson Sr.），希望用打孔机（punch card tabulating machine）来整理托马斯·阿奎那（Thomas Aquinas）那浩如烟海的手稿。这部著作的拉丁文稿约有 1100 万词，整理工作原本预计人类学者需要完成 40–50 年。

沃森答应得很快——他显然对"机器服务神学"这个概念感到好奇——但实际工程远超预期。最终项目从 1949 年延续到 1980 年代初，产出了著名的 *Index Thomisticus*（托马斯索引），是一份阿奎那著作的逐词倒排索引（lemmatised concordance），包含约 11,000 张打孔卡的索引数据。

这个项目在当时没有任何现成学科可以归属——它不是神学（在做统计）、不是古典学（在做机器索引）、不是计算机（为神学服务）。它事实上开辟了一个新领域，最初被叫做"人文计算"（Humanities Computing）——这个术语一直用到 2000 年代中期。

> 📌 关键时间线节点 (Timeline Anchor) > 1949 Busa-Watson 合作启动 > 1959 第一个数字人文协会：*Association for Literary and Linguistic Computing* (ALLC) 雏形出现 > 1966 IBM 在 IBM 1410 主机上为 Busa 完成 *Index Thomisticus* > 1973 *Association for Computational Linguistics* (ACL) 创立，与 ALLC 形成平行 > 1980 Busa 项目 *Index Thomisticus* 第一版完整发布

对范式革命论的质疑：确实有学者（如 Willard McCarty）指出，1949–1980 这三十年里，所谓的"人文计算"本质上还是计算机辅助的索引编纂（computer-aided indexing），没有真正改变人文学者的提问方式。McCarty 自己更愿意把这个时代称为"前范式期"。这种质疑是中肯的——但它无损于 Busa 的开创性意义：没有 1100 万词的索引，就不可能有后来"在大尺度上重新提问"的尝试。

1980–2000：工具成熟期，文本编码与数据库

1980 年代，两个并行的发展彻底改变了游戏规则。

第一是文本编码标准的诞生。1987 年，计算机文献协会（Text Encoding Initiative, TEI）开始制定一套用于电子文本的可扩展标记语言标准（基于 SGML，后来迁移到 XML）。TEI 的革命性在于：它提供了一种让文学文本在保留版式、批注、引用结构的同时被机器处理的方式。例如，《追忆似水年华》的某个手稿变体，可以被精确标记为"页 23 第 4 行，'我'的下方有作者删除线，旁边批注：太突兀"，然后这个标记本身成为可查询的数据。

第二是人文学科专用数据库的爆发。1990 年代起，欧洲和美国大量机构开始把珍藏文献结构化，例如：

• **英伦文学网关**（Literary Manuscripts in Leeds / *BL Adds* Online）
• **早期英语书籍在线**（Early English Books Online, EEBO）
• **美国早期印刷书**（Evans / Shaw-Shoemaker）

这些项目仍然以"数字保存"为主，但它们为 2000 年代的"提问革命"准备了数据基础设施。

2000–2010：Web 2.0 与"参与式"数字人文

2000 年代中期，DH 经历了一次命名与定位的双重转折。2004 年，*A Companion to Digital Humanities*（*Blackwell 数字人文指南*）出版，"Digital Humanities" 这个术语开始取代旧的"Humanities Computing"。2006 年起，*Digital Humanities Quarterly* 与 *Journal of Digital Humanities* 创刊。

但真正使 DH 出现"质变"的，是 Web 2.0 的兴起。博客、维基、社交网络让 DH 项目有了协作生产的可能。几个标志事件：

• 2001 年，**NINES**（Networked Infrastructure for Nineteenth-Century Electronic Scholarship）成立，是早期"同行评审的 DH 项目联盟"。
• 2004 年，**普林斯顿 18 世纪研究小组**（The 18th Connect）开始尝试让学者在线协作校勘。
• 2008 年，**Prismatic**（后来的 *LoC Tools*）等可视化工具普及。
• 2009 年，**HathiTrust** 数字图书馆启动，目标是 1000 万册数字化图书（2024 年已超 1800 万册）。

这段时间，DH 的"草根气质"开始形成：不再只是少数顶尖机构（斯坦福、UCL、乔治梅森）能玩的游戏，而是任何有想法的研究者都能用 Python 开搞。

2010–2020：数据爆炸与"危机"

2010 年代是 DH 的"黄金时代"，也是"信任危机"的开始。

黄金面的标志是数据规模的飞跃：

• **谷歌图书 N-gram 语料库**（2009，2012 升级）—— 5.2 百万册图书、5000 亿词。
• **HathiTrust Research Center**（HTRC）——提供非消费性的文本挖掘接口。
• **欧洲数字图书馆 Europeana**——到 2014 年已数字化 3000 万件欧洲文化遗产。
• **Internet Archive**——非营利数字图书馆，主张"通用访问所有知识"。

这些数据基础让"大尺度"研究从理论变成可能。Franco Moretti 团队在斯坦福文学实验室（Stanford Literary Lab）开展的"文学演化"研究、Matthew Jockers 在内布拉斯加的"美国小说宏观分析"、Jean-Baptiste Michel 在哈佛的"谷歌图书文化组学"（culturomics）——都是这一时期的代表作。

但与此同时，批评也来了。2010 年代初，Lisa Samuels 和 Jerome McGann 提醒研究者注意"暴露文本的偏见"（the bias of openly available text）——数字化文本强烈偏向英文、偏向已出版、偏向 19 世纪以后、偏向"值得数字化"的文化作品。这是一个根本性的认识论问题：我们以为我们在分析"全人类文化"，但其实我们在分析"被英美图书馆选中的那一小部分"。

2020 年之后，DH 进入第三阶段——深度学习与多模态开始登场。BERT、GPT 等预训练模型让"语义层"的文本分析第一次成为可能（过去只能做词汇层）。这个阶段的命题是：当算法比我们自己更"懂"语言时，文学批评家的角色是什么？——这正是我们要留给后续章节的问题。

> English Summary > 1949–1980: Busa's *Index Thomisticus* founds "Humanities Computing." 1980–2000: TEI standards + databases prepare infrastructure. 2000–2010: Web 2.0 enables collaboration; "Digital Humanities" replaces old name. 2010–2020: Big data era (Google N-grams, HathiTrust) meets the bias critique. 2020+: Deep learning redraws the boundaries of what "reading" means.

1.3 跨学科本质：DH 是怎么长成四不像的

一个 Mermaid 学科坐标图

DH 之所以让外行困惑，核心原因是它拒绝被任何一个传统学科的边界收编。我用一个简单的 Venn-like flowchart 来展示它的"四不像"位置：

```mermaid flowchart LR CS[Computer Science<br/>计算机科学] DS[Data Science<br/>数据科学] HS[Traditional Humanities<br/>传统人文学科] SS[Social Sciences<br/>社会科学]

CS --- DS DS --- SS SS --- HS HS --- CS

DH[Digital Humanities<br/>数字人文]

DH -. lives in intersection .-> CS DH -. lives in intersection .-> DS DH -. lives in intersection .-> HS DH -. lives in intersection .-> SS ```

> 📊 图 1.1：DH 的学科坐标。它不是 CS、DS、HS、SS 中的任何一个，也不是它们的简单并集，而是坐落在四者交叉地带的、不断漂移的研究方法集群。

这张图想说明的不仅是"DH 是跨学科的"（这种话谁都会说），而是它与每个传统学科的具体张力：

• **与 CS 的张力**：CS 关心"能不能做"，DH 关心"应不应该问"。同一段代码，CS 学生拿来刷 Leetcode，DH 学生拿来分析《圣经》希伯来语词频。两边的评估标准截然不同。
• **与 DS 的张力**：DS 关心预测精度，DH 关心解释力。一个预测准确率 99% 的模型，在 DH 学者眼里可能毫无价值——因为它是个"黑盒"，没告诉我们文化现象为何如此。
• **与传统 HS 的张力**：传统 HS 重视"精读"和"个案深度"，DH 重视"模式"和"规模"。两者经常被误读为对立，但 Moretti 早已指出："我们不必用远读取代精读，而要让远读告诉我们应该精读哪些作品。"
• **与 SS 的张力**：SS 依赖统计与抽样，DH 越来越多采用"全样本"（N=all）的方法。这种方法论差别使 DH 与 SS 互相羡慕又互相怀疑。

三种具体的跨学科姿态

在实践中，DH 的跨学科姿态至少有三种典型形态，每一种都有自己的"气质"：

姿态一：人文驱动的"借工具"（Humanities-driven Tool Borrowing） 代表：Moretti 的"远读"、Tanya Clement 的"HathiTrust 远读"。

气质：文学教授为主，工具为辅。研究问题来自传统人文，研究方法借自 CS/DS，但方法从属于问题。论文发表在 *PMLA*、*Critical Inquiry* 这类传统文学期刊的越来越多。

姿态二：技术驱动的"找问题"（Tech-driven Problem Finding） 代表：Google Books 文化组学、斯坦福文学实验室早期项目、剑桥文本分析中心。

气质：计算机/统计学者为主，文学问题为辅。研究者掌握前沿技术（NLP、网络分析、机器学习），主动去人文领域"寻找用武之地"。论文常发表在 *JOCCH*、*Digital Scholarship in the Humanities*。

姿态三：协作驱动的"共建"（Collaborative Co-construction） 代表：UC