当人文遇见代码：数字人文是什么

第 1 章：当人文遇见代码：数字人文是什么

你正在阅读一部研究《红楼梦》的博士论文，忽然发现这位研究者不仅熟读曹雪芹的每一个字，还花了三个月学习Python编程，最后用代码分析了小说中400多个人物的社交网络关系。这听起来像是两个完全不同的世界——一边是诗词歌赋、儿女情长，一边是冰冷的代码和算法。但正是这种看似违和的组合，正在深刻地改变我们理解人类文化、历史和社会的方式。

这就是数字人文（Digital Humanities，简称DH）——一个正在重新定义人文研究的跨界领域。

为什么一位研究古典文学的学者需要学习编程？为什么历史学家要建立庞大的数据库？为什么哲学家开始关注数据可视化？这些问题，或许正是你打开这本书的原因。在接下来的篇幅中，我们将从一位普通文科生的困惑讲起，一步步揭开数字人文的神秘面纱。

---

从一个神父的梦想说起：数字人文的诞生

如果要追溯数字人文的源头，我们不得不把时间拨回到1949年。那是一个计算机还占据整个房间、穿孔卡带还是主流存储介质的年代。在意大利北部城市米兰，一位名叫罗伯托·布萨（Roberto Busa）的天主教神父开始了一项在当时看来几乎不可能完成的任务——为中世纪神学家托马斯·阿奎那（Thomas Aquinas）的全部作品创建电子索引。

托马斯·阿奎那是西方思想史上最重要的人物之一，他的《神学大全》影响了整个基督教世界长达数百年。但阿奎那一生著作等身，留下了超过一千万词的拉丁文作品。传统的人工索引方式意味着学者们需要花费数年时间才能找到某个概念在阿奎那作品中的所有出现位置。而布萨神父想要做的，是把这些全部电子化。

1949年，布萨神父找到了刚刚成立不久的IBM公司。在那个计算机还主要用于军事和商业计算的年代，把计算机用于人文研究的想法几乎闻所未闻。但IBM的创始人托马斯·沃森（Thomas Watson）被这个想法深深打动了——毕竟，布萨神父的研究对象是基督教历史上最伟大的神学家之一，而帮助人类更好地理解自己的精神遗产，本身就是一件值得支持的事。

就这样，布萨神父开始了与IBM长达三十余年的合作。他招募了助手逐字输入阿奎那的拉丁文作品，计算机制成穿孔卡带，然后通过计算机进行检索和索引分析。最终，这项工程产出了56卷拉丁文索引和相应的 concordance（词语索引 concordance），成为后来所有阿奎那研究的基础工具。

布萨神父的工作在当时引发了巨大争议。许多人文领域的学者认为，把神圣的经典作品交给“冰冷的机器”处理是对学术传统的亵渎。但也有人看到了这种方法的革命性潜力——计算机不仅能处理数据的速度远超人力，更重要的是，它能发现人类肉眼难以察觉的文本模式。

布萨神父本人在晚年接受采访时曾说：“计算机不是要取代人文学者，而是要成为他们的工具。就像显微镜让生物学家能看到细胞，望远镜让天文学家能看到遥远的星系，计算机能让历史学家和文学家看到文本中隐藏的结构和意义。”

从Humanities Computing到Digital Humanities

布萨神父开创的这个领域，最初被称为“人文计算”（Humanities Computing）。顾名思义，它指的是计算机技术在人文学科中的应用。在之后的半个多世纪里，这个领域主要关注文本的数字化存储、检索和简单的统计分析。早期的研究者大多是语言学家和文献学家，他们利用计算机处理大语料库，进行词频统计、语法分析等工作。

然而，2000年代中期之后，“人文计算”这个术语逐渐被“数字人文”所取代。这一名称的变化并非简单的 rebranding（品牌重塑），它反映了这个领域发生的深刻转变。

“人文计算”强调的是技术作为工具的角色——计算机只是一种辅助手段，核心仍然是传统的人文研究问题。而“数字人文”则暗示了一种更加平等和深度的融合——数字技术不再仅仅是工具，而是正在重塑人文学科本身的问题意识和研究方法。

当代数字人文研究者不再满足于用计算机“更快更好地”做传统研究，他们开始问一些只有借助计算方法才能提出的新问题：某个时代的文学风格是如何演变的？某个作者的心理状态是否在他的作品中留下了痕迹？不同文化之间的思想传播网络是怎样的？这些问题的答案，往往需要处理海量数据、发现微妙模式、构建复杂模型——这些正是计算机擅长而人类难以独自完成的任务。

让我们用一个生活中的比喻来理解这个转变。假设你要研究一道传统菜谱的历史演变。“人文计算”就像是用电子表格记录所有菜谱的原料和步骤，让搜索变得更方便。而“数字人文”则是用这些数据去发现不同时代、不同地区菜谱之间的隐藏关系，构建一张“美食传播地图”，甚至预测某种新口味可能出现的趋势。

---

当代图景：全球顶尖学府的数字人文版图

如果说布萨神父的故事是数字人文的“创世纪”，那么当代数字人文的发展则像是一场席卷全球的学术运动。从牛津到斯坦福，从柏林到东京，世界顶尖大学纷纷建立起专门的数字人文中心把这个曾经边缘化的领域推到了学术舞台的中央。

牛津大学数字人文中心（Oxford Digital Humanities）可能是这个领域最具影响力的机构之一。成立于2010年的牛津数字人文中心不仅从事前沿研究，还承担着教育培训的重要使命。中心的标志性项目包括“罗马精神地理信息系统”（Digital Roman Forum），这是一个用3D建模技术重建古罗马广场的沉浸式项目，让研究者可以通过虚拟现实“漫步”在两千年前的古罗马；以及“文字考古学”（Palaeographic Atlas），通过机器学习识别中世纪手稿的书写特征，帮助确定文献的年代和来源。

斯坦福大学人文中心——文学实验室（Stanford Literary Lab）则代表了数字人文研究的另一种风格。与牛津偏重历史和档案的方向不同，斯坦福文学实验室更关注文学文本的计算分析。实验室的标志性成果包括“文学指纹”（Literature DNA）项目，该项目通过分析数千部小说的语言特征，为每部作品生成一个独特的“文学指纹”，从而追踪文学风格的演变规律；以及关于文学流行度的预测研究，团队曾开发算法，仅通过分析小说的前几千个词就能相当准确地预测它未来的流行程度。

在欧洲大陆，德国的数字人文发展同样令人瞩目。以慕尼黑大学数字人文中心（Munich Center for Digital Humanities）为代表的德国机构，以其严谨的学术传统著称。德国学者特别关注数字方法在历史学、语言学和文化遗产保护中的应用。著名的“德意志文本档案库”（Deutsches Textarchiv）收集了大量德语历史文献，并提供标准化的标注和分析工具，成为日耳曼语言文学研究的重要基础设施。

日本的数字人文发展则呈现出独特的东亚视角。东京大学数字人文中心（Digital Humanities Center for Japanese Arts and Cultures）专注于东亚古籍的数字化和知识化工作。他们的“东亚数字图书馆”项目将散落全球的中日韩古籍整合到一个统一的平台上，并开发了专门用于古典汉语、日语和韩语的分析工具。日本学者还特别关注“江户时代的文学与城市文化”、“明治时代的翻译运动”等具有东亚特色的研究议题。

在中国，数字人文研究虽然起步较晚，但发展势头迅猛。北京大学、南京大学、复旦大学等高校纷纷成立数字人文研究中心。中国的数字人文研究具有鲜明的特色：大量资源投入到古籍数字化领域，如“中华经典古籍库”、“中国基本古籍库”等大型数据库的建设；同时，方块字特有的计算机处理挑战也推动了中国学者在自然语言处理领域的创新。

这些全球布局告诉我们一个重要事实：数字人文不是某个国家的学术时尚，而是人文学科发展到今天的必然趋势。信息技术的普及让我们拥有了前所未有的文化资源——浩如烟海的数字化古籍、文献、图像、音频——而如何让这些资源真正服务于人类对自身文化的理解，正是数字人文要回答的问题。

---

三大支柱：理解数字人文的核心工具

了解了数字人文的诞生和现状，你可能会好奇：数字人文究竟用到了哪些具体技术？别着急，让我们把镜头拉近，看看数字人文研究者日常使用的“三大法宝”。

文本挖掘：从字里行间发现隐藏的秘密

文本挖掘（Text Mining）是数字人文最核心的工具之一。想象一下，如果给你一部《红楼梦》，让你找出曹雪芹在书中使用最多的形容词，以及这些形容词在不同人物描写中的变化规律。人工阅读可能需要数月时间，而文本挖掘可以在几秒钟内完成这个任务——而且不会因为疲劳而出错。

但文本挖掘的价值远不止于提高效率。真正令人兴奋的是它发现隐藏模式的能力。

让我们用一个具体的例子来说明。哈佛大学的文学实验室曾对19世纪到20世纪的英国小说进行过一次大规模的文本挖掘研究。他们分析了近3000部小说中情感词汇的使用频率和分布，结果发现了一个令人惊讶的规律：小说中积极情感和消极情感的比例变化呈现周期性波动，而且这种波动的周期与英国历史上的经济周期惊人地吻合！在经济繁荣时期出版的小说倾向于表达更多积极情感，而在经济萧条时期出版的小说则充满更多负面情绪。这个发现仅仅通过直觉是无法获得的——正是因为分析了足够多的文本样本，计算机才帮助学者们“看到”了这个规律。

文本挖掘包括多种具体技术。词频分析（Word Frequency Analysis）是最基础的方法，统计特定词汇在文本中出现的频率和分布。情感分析（Sentiment Analysis）则试图判断文本中表达的情感倾向——积极还是消极，喜悦还是悲伤。主题建模（Topic Modeling）是一种更高级的技术，它能自动发现一组文档中潜在的主题结构，即使研究者事先并不知道这些主题的存在。词向量分析（Word Embedding Analysis）则可以捕捉词语之间的语义关系，让计算机理解“国王”和“女王”的关系类似于“男人”和“女人”的关系。

这些技术听起来可能有些抽象，但它们的工作原理其实都可以用日常生活中的例子来理解。词频分析就像你在读完一本书后，用荧光笔标记出出现最多的词——只不过计算机标记的是整座图书馆。情感分析就像你读小说时感受到的情感起伏——只不过计算机用算法来量化这种感受。主题建模就像你在整理一堆报纸时，发现某些文章总是在讨论相似的话题——只不过计算机可以在你读之前就完成这个分类工作。

数字档案：让历史触手可及

如果说文本挖掘是数字人文的“引擎”，那么数字档案（Digital Archives）就是它的“燃料仓库”。没有高质量的数字档案，文本挖掘就无从谈起。

数字档案不仅仅是把纸质文献扫描成图片上传到网络那么简单。真正的数字档案是一个经过精心组织和标注的知识库，其中的每一份文献都包含了丰富的元数据（metadata）——关于这份文献的“数据”。

元数据包括什么？一份古籍的数字档案可能包含：这份文献的准确标题、作者（如果已知）、创作年代、保存现状、字体类型、语言特征、与其他文献的关系、历代学者的注释和研究记录、数字化的时间和方式等等。这些信息就像文献的“身份证”，让研究者可以精确地找到他们需要的材料，并理解这些材料在更大学术脉络中的位置。

数字档案的重要性在学术研究中怎么强调都不为过。传统的档案研究意味着学者必须亲自前往存放地点，在浩如烟海的文献中翻找、抄录、消化。光是确定一份文献的年代和真伪，就可能需要数年的积累。而数字档案把这一切都改变了——研究者可以在家中、图书馆或咖啡馆里，通过几次点击就访问到原本需要跋山涉水才能看到的珍贵文献。

当然，数字档案也面临独特的挑战。数字化保护（Digital Preservation）是一个核心问题。一份宋代的手稿如果保存得当，可能还能再存在一千年；但一张只存储在单一硬盘上的数字文件，可能因为硬盘损坏而瞬间消失。数字人文领域因此发展出了多种备份和存储策略，包括分布式存储、格式迁移、定期检查等技术。

另一个挑战是开放获取与版权保护之间的平衡。一方面，研究者希望尽可能开放地分享数据，让更多人能够使用这些资源；另一方面，文献的版权保护是必须尊重的法律和道德底线。如何在保护版权的同时最大限度地促进学术交流，是数字档案建设者需要持续思考的问题。

可视化分析：让数据开口说话

当研究者通过文本挖掘从海量文献中提取出有价值的发现，当数字档案为他们提供了丰富的原材料，下一步就是把这些发现传达给其他人。这时就需要可视化分析（Visualization Analytics）登场了。

人类是视觉动物。我们的大脑处理图像的速度比处理文字快得多，一幅好的可视化图表往往比洋洋洒洒的文字报告更能说明问题。更重要的是，可视化不仅仅是“展示”数据的工具，它本身就是发现和理解的重要手段。

斯坦福文学实验室的一个经典项目很好地说明了这一点。研究者们分析了19世纪英国小说中女性角色的出现频率，并将其绘制成时间序列图表。结果发现了一个令人意外的规律：女性角色在小说中的出现频率呈现周期性波动，大约每12到15年达到一个高峰。这个发现促使研究者进一步追问：为什么是12到15年？这个周期与英国历史上的什么事件相关？最终，他们发现这个周期与英国女性教育权利运动的发展节奏高度吻合——每当女性教育取得进展，小说中女性角色的形象也随之变得更加丰富和突出。

你看，可视化分析的价值不仅在于让结论更直观，更在于它能激发研究者提出新的问题，引导他们发现原本可能忽略的联系。

数字人文中的可视化技术种类繁多。地理信息系统（Geographic Information System, GIS）用于呈现与空间位置相关的历史信息——比如历史上丝绸之路的贸易网络，或者明清时期进士的地理分布。网络图（Network Graph）用于展示人物、概念或文献之间的关系——比如《红楼梦》中的人物社交网络，或者文艺复兴时期学者之间的通信网络。时间线（Timeline）用于呈现历史事件和进程的演变。词云（Word Cloud）用字体大小表示词汇的相对频率，是最直观但也最容易被滥用的可视化形式。

```mermaid flowchart TB subgraph DH["数字人文 Digital Humanities"] direction TB A[文本挖掘<br/>Text Mining] --> D[发现隐藏模式<br/>Pattern Discovery] B[数字档案<br/>Digital Archives] --> E[构建知识基础<br/>Knowledge Foundation] C[可视化分析<br/>Visualization] --> F[传达与探索<br/>Communication & Exploration] end

subgraph Traditional["传统人文学科"] direction TB G[文学研究<br/>Literature] H[历史学<br/>History] I[哲学<br/>Philosophy] J[语言学<br/>Linguistics] end

G --> |量化分析| A H --> |GIS制图| C I --> |概念网络| C J --> |语料库| A

E --> A F --> D

style DH fill:#e1f5fe,stroke:#01579b style Traditional fill:#fff3e0,stroke:#e65100 style A fill:#b3e5fc,stroke:#0288d1 style B fill:#b3e5fc,stroke:#0288d1 style C fill:#b3e5fc,stroke:#0288d1 ```

这张流程图展示了数字人文三大核心工具与传统人文学科之间的互动关系。文本挖掘为文学研究提供量化分析能力，数字档案为所有研究提供知识基础，可视化则贯穿于各个学科，帮助研究者发现和传达发现。三个工具之间也形成了一个相互支撑的循环：数字档案提供原材料，文本挖掘从中发现模式，可视化帮助理解和传达这些发现。

---

小明的困惑：一个普通文科生的数字人文初体验

说了这么多抽象的概念和宏大的项目，你可能会想：这些听起来都是学者和研究者的事情，和我一个普通人有什么关系？

让我们来认识一下小明——一个普通大学中文系的大三学生。他的困惑，或许正是你的困惑。

小明最近有点烦恼。他的毕业论文想研究的是鲁迅小说中的“看客”形象——这是鲁迅作品中的经典主题，指的是那些冷漠围观他人痛苦的旁观者。小明读了很多相关文献，也有了自己的想法，但导师的一句话让他陷入了困境：“你可以试试做一些定量分析，看看'看客'这个词在不同文本中的使用频率和语境有没有变化。”

定量分析？小明的脑海里浮现出高中时被数学支配的恐惧。他一个文科生，连Excel都用不利索，怎么可能做什么定量分析？

抱着试试看的心态，小明在网上搜索了“文本分析工具”，结果被铺天盖地的信息淹没了。有人推荐Python编程，说学会之后可以做各种高级分析；有人推荐现成的在线工具，说不需要编程就能上手；还有人推荐了各种复杂的统计学方法，说只有这样才能得出可靠的结论。小明越看越迷糊，最后只能对着电脑发呆。

小明的困惑很有代表性。在数字工具触手可及的今天，很多文科学生和研究者都面临着类似的处境：工具太多了，不知道从何学起；概念太新了，不知道是否可信；期望太高了，害怕自己学不会。这种困惑本身，其实就折射出数字人文领域一个核心的问题：技术门槛与学术理想之间的张力。

数字人文的先驱们一直有两个相互交织的愿景：一是通过技术降低研究的门槛，让更多人能够参与到人文研究中来；二是通过技术打开新的研究可能性，让研究者能够提出前所未有的问题。这两个愿景有时候是统一的，但有时候也会产生冲突——越是强大的分析工具，往往需要越高的技术门槛才能驾驭。

幸运的是，情况正在发生变化。近年来，大量低代码或无代码的数字人文工具涌现出来，让没有编程背景的研究者也能使用文本挖掘和可视化分析的功能。同时，在线教程、开源软件、学术社区也在不断发展，为初学者提供了丰富的学习资源。小明后来在他的学长的推荐下，开始使用一款叫做Voyant Tools的在线文本分析平台。让他惊讶的是，他只需要把鲁迅的作品集粘贴进去，就能看到词频统计、词语趋势、主题分布等分析结果，而且界面还相当友好。

更重要的是，小明渐渐发现，学习使用这些工具的过程本身就在加深他对研究对象的理解。当他用词频分析查看“看客”一词在不同文本中的出现频率时，他对这个概念有了更加具体和量化的