当代码遇见古典：从昆曲到莎士比亚的数字探索 | When Code Meets Classics: A Digital Exploration from Kunqu to Shakespeare

当代码遇见古典：从昆曲到莎士比亚的数字探索

数字人文：一场正在发生的范式革命

2019年，巴黎的一家拍卖行拍出了一批特殊的手稿。这些手稿不是达芬奇未发表的素描，也不是拿破仑的私密书信，而是75年前计算机打印输出的纸张——它们来自1949年IBM与一位意大利神父的合作项目，记录着对圣托马斯·阿奎那全部著作的词频统计。当这些泛黄的打印纸以远超预期价格成交时，一个问题浮出水面：为何一份七十多年前的技术产物，能在今天引发如此关注？

答案藏在数字人文（Digital Humanities，简称DH）这门正在重塑学术研究方式的学科之中。

数字人文究竟是什么？这个问题看似简单，答案却远非显而易见。当我们打开任何一所顶尖大学的数字人文中心网站，往往会看到类似的表述：“数字人文是计算方法在人文学科中的应用”或“利用数字技术研究人文问题”。这些定义固然准确，却容易让人产生误解——仿佛数字人文只是传统人文学科的“技术升级版”，是给文学研究配上几台电脑，给历史档案拍几张照片。

然而，事实远比这深刻。数字人文不是一种工具，不是一个学科，更不仅仅是技术在人文学科中的简单移植。它代表的是一种全新的认识论——一种关于我们如何提出问题、如何寻找证据、如何构建知识的根本性转变。当一位研究者使用自然语言处理技术分析明清小说的版本流变时，他不仅仅是在“用电脑看小说”，而是在重新定义“阅读”这个行为本身。当历史学家借助地理信息系统重建丝绸之路的贸易网络时，他不再只是在描述过去，而是在创造一种前所未有的理解历史的空间维度。

这就是为什么开篇那个拍卖故事如此耐人寻味。Roberto Busa神父与IBM的合作，在1949年就开创了一种研究范式：让机器代替人脑完成繁琐的文本检索与统计工作，让研究者将精力集中在更高层次的理解与诠释上。这一理念在七十多年后的今天不仅没有过时，反而随着大语言模型的兴起获得了全新的生命力。

本书将带领读者系统探索数字人文这片既古老又年轻的学术疆域。我们将从历史的深处出发，理解这一领域如何从少数先驱者的孤独探索，发展成为全球学术界不可忽视的重要力量。我们将深入其核心方法论，理解计算思维如何与人文关怀相互融合。我们将通过大量真实案例，见证技术在具体研究问题中如何发挥作用，又如何受到其固有局限性的约束。更重要的是，我们将一起思考：在这个技术日新月异的时代，人文学者应当如何定位自己，如何在拥抱技术的同时保持人文精神的独立与批判？

让我们从历史的起点开始这段旅程。

历史渊源：从《圣托马斯索引》到全球研究中心网络

黎明前的探索（1949-1980年代）

如果要为数字人文找一个生日，许多学者会指向1949年。这一年，意大利神父Roberto Busa（1910-2011）开始与IBM合作，着手编纂《圣托马斯·阿奎那作品索引》（Index Thomisticus）。这项浩大的工程最终产生了56卷、超过两百万条索引条目，成为中世纪哲学研究不可或缺的工具。

理解Busa工作的意义，需要将其放入具体的历史语境中。1940年代的人文学科研究，依赖的是极其繁琐的手工操作。研究者想要了解某位作者使用了哪些词汇、某些概念在文本中出现了多少次，唯一的方法是逐页翻阅、亲手记录。Busa神父面对的是托马斯·阿奎那数量庞大的拉丁语著作——仅《神学大全》就有超过三百万词。即便穷尽一人之力，这样的统计工作也需耗费数年乃至数十年。

IBM提供的打孔卡片制表机改变了一切。通过将文本信息转化为机器可读的格式，研究者能够在极短时间内完成过去不可能完成的统计分析。更具深远意义的是，Busa创建了世界上第一个可机读的拉丁语文本语料库。这意味着文本不再仅仅是被阅读的对象，更成为了可被量化分析的数据点。

当然，1940年代的技术局限性是明显的。机器只能执行简单的计数和排序操作，无法理解文本的含义。《圣托马斯索引》的编制过程中，人类工作者仍然需要做大量的判断性工作：判断一个词在不同语境中是否属于同一概念，决定哪些条目需要合并、如何分类。这种人机协作模式，在后来的数字人文发展中反复出现，成为这一领域的方法论特征之一。

Busa的工作在学术界引发的反响是渐进的，而非爆炸性的。在接下来的三十年间，计算机辅助人文学研究主要集中于几个领域：语文学（philology）中的文本比对与校勘、语言学中的语料库建设、历史学中的数据处理与管理。这一时期的代表性项目包括1964年启动的《牛津英语词典》计算机化项目、1970年代兴起的计算机辅助语言学习（CALL）运动，以及若干历史数据库的建立。

这些早期尝试有一个共同特点：它们主要是将计算机作为“更高效的工具”来使用——更快的检索、更准确的统计、更便捷的存储。研究者们的核心问题意识、研究方法乃至学术价值观，并未因技术的引入而发生根本改变。一位使用计算机分析古典文献的语文学家，他的研究目标与一位使用显微镜观察手稿的语文学家并无本质差异。

然而，正是这些“工具导向”的早期实践，为后来更深刻的范式转变奠定了基础。它们证明了计算机技术在人文学科中的可行性，培养了第一代既懂技术又理解人文问题的人才，更关键的是，它们让人们开始思考：当技术足够强大时，它是否能够带来更多可能性？

机构化的黎明（1980年代-2000年代）

1980年代见证了个人计算机的普及和互联网的萌芽，这一技术浪潮深刻影响了人文学术研究。1983年，纽约人文理工学院（NYI）举办了首届国际数字人文会议（International Conference on Computers and the Humanities），虽然参会者不过百余人，却标志着这一领域开始寻求制度化认同。1986年，文学与语言学计算机协会（ALLC）与国际文学与语言学计算机协会（ACH）相继成立，开始出版专业期刊，为学者们提供了交流思想的平台。

这一时期最值得关注的发展是数字图书馆运动。1990年代，美国国会图书馆启动了“美国记忆”（American Memory）项目，旨在将美国历史文化遗产数字化供公众在线访问。随后，英国图书馆、法国国家图书馆等主要文化机构纷纷效仿，一场全球性的数字化浪潮席卷而来。

对数字人文而言，数字图书馆运动的意义是多重的。首先，它大规模降低了学术资源的获取门槛——一位研究清代戏曲的学者，如今可以在自己的电脑上查阅远在台北或东京图书馆珍藏的善本。其次，数字化资源催生了新的研究方法：当大量文本可以同时检索时，“远读”（distant reading）开始取代“细读”（close reading）成为某些学者的首选策略。Franco Moretti在2000年提出的“文学实验室”理念，正是这一趋势的理论化表达——与其深入阅读几百部小说，不如让计算机扫描数千部作品，提取主题模式、叙事结构或情感曲线。

1990年代末，另一个重要趋势浮现：人文计算的跨学科特征日益明显。传统的人文学者往往在单一学科（如文学、历史、哲学）内深耕细作，而数字人文项目天然要求跨学科合作。一个典型的人文计算项目需要文本编码专家、数字图书馆技术人员、可视化设计师以及领域学者的密切配合。这种合作模式不仅改变了研究组织的形式，更催生了一种新的学术身份认同：数字人文学者（digital humanist）。

2004年是值得铭记的年份。英国的Earlham College和美国的University of Virginia同时建立了首批正式的“数字人文中心”（Digital Humanities Centers）。这两个机构的成立，标志着数字人文从“个人兴趣”升级为“机构建制”。随后，哈佛大学的MetaMedia Lab（2006）、加州大学洛杉矶分校的数字人文中心（2007）、伦敦大学学院的数字人文系（2008）相继建立，一个覆盖全球的学术基础设施网络逐渐成形。

当代图景：大语言模型时代的机遇与挑战（2010年代至今）

2010年代是数字人文急剧扩张的十年。得益于云计算的普及、大数据的兴起以及人工智能技术的突破，越来越多的学科开始接纳计算方法。与此同时，数字人文的学术建制也日趋成熟：专业期刊从一两本扩展到十余本，学术会议从地区性小聚成长为千人会展，资助机构的数字人文项目数量呈指数级增长。

然而，真正的转折点出现在2020年代初期。2022年末，OpenAI发布ChatGPT，随后GPT-4、Claude、Gemini等大语言模型相继问世，一个全新的技术纪元由此开启。对数字人文而言，大语言模型的意义远超一种新工具的出现——它代表着自然语言处理能力的质的飞跃，意味着机器第一次能够在相当程度上“理解”人类语言。

这种能力跃升对人文研究产生了深远影响。在文本分析领域，大语言模型使得大规模情感分析、主题建模、实体识别等任务的准确性大幅提升，同时降低了技术门槛——研究者无需编写复杂的机器学习代码，只需通过自然语言指令即可完成分析。在文本生成领域，AI可以辅助翻译、改写、摘要，甚至在特定条件下创作符合特定风格的作品。在知识组织领域，大语言模型展现出的推理能力，为构建“数字人文知识图谱”提供了新的可能。

然而，技术进步也带来了新的挑战。学术诚信问题首当其冲：当学生可以轻易借助AI完成论文写作时，传统的学术评价体系面临冲击。虚假信息风险同样不容忽视：大语言模型有时会产生看似合理实则谬误的“幻觉”（hallucination），这对依赖文献考据的人文学科而言尤为敏感。更深层的忧虑涉及学术话语权的转移：当技术工具日益复杂化，谁来决定研究问题应当如何被提出和回答？

```mermaid timeline title 数字人文发展历程 (1949-2024)

section 黎明期 1949 : Roberto Busa与IBM合作<br>启动《圣托马斯索引》项目 1964 : 《牛津英语词典》计算机化项目启动 1983 : 首届国际数字人文会议举办

section 机构化期 1986 : ALLC/ACH协会成立 1990s : 全球数字图书馆运动兴起 2000 : Franco Moretti提出"远读"理论 2004 : 首批数字人文中心建立

section 扩张期 2010s : 云计算/大数据推动DH快速发展 2019 : Universal Dependencies项目成熟 2022 : 大语言模型时代开启

section 新纪元 2023-2024 : 生成式AI全面影响DH研究范式 ```

定义之战：数字人文究竟是什么

三种主流定义的交锋

“数字人文是什么？”这个问题在学术界引发了持续数十年的辩论。不同的学者基于各自的学科背景和研究实践，给出了截然不同的回答。这些回答并非互相对立，而是揭示了这一新兴领域的多维特征。

第一种定义将数字人文视为工具集（toolkit）。按照这种理解，数字人文不过是人文学者工具箱中的新增选项，就像显微镜之于生物学家、望远镜之于天文学家。一部十四世纪的拉丁文手稿，过去需要依赖肉眼辨识和手工抄录，如今可以借助高分辨率扫描和光学字符识别（OCR）技术完成数字化；一首宋词的情感分析，过去需要研究者逐句品味，如今可以借助自然语言处理算法快速完成。这种定义的优势在于它强调了技术的辅助性质，没有对传统人文学科构成威胁。持此观点的学者往往更关注工具的实际效用，而非其背后的理论意涵。

第二种定义将数字人文视为方法论（methodology）。这种理解比工具论更为深入。它认为，数字技术不仅仅是一种更高效的手段，而且能够揭示传统方法无法触及的研究对象和关联模式。Mark Kriegsman曾精辟地指出：“当你用望远镜观察夜空时，你不仅仅是用更好的眼睛看星星，而是看到了一种新的存在——那些肉眼根本看不见的天体。”同样，当研究者使用社会网络分析技术研究唐代文人交游圈时，他发现的不是“更好的阅读”，而是一种“不同的阅读”——一种超越单一文本、揭示关系结构的系统性视角。

第三种定义则将数字人文视为一种学科新范式（new paradigm），甚至是一种新的学术文化。这种观点认为，数字人文的兴起代表着人文学科认识论层面的根本转变。传统的人文研究建立在“文本中心”的基础上，研究者通过深入阅读少数核心文本建构知识大厦。而数字人文则建立在“数据驱动”的基础上，通过大规模文本的统计分析和模式识别来提炼洞见。这两种范式之间的关系，不是新工具取代旧工具，而是看待世界的不同方式之间的竞争与融合。

值得特别注意的是，这三种定义并非学术话语的抽象争论，而是直接影响着数字人文项目的组织形式和资源配置。当一个机构将数字人文定位为“工具”，它会强调技术培训和使用支持，数字人文中心往往扮演“服务部门”的角色。当定位为“方法论”时，项目设计和跨学科合作成为核心议题。当定位为“学科范式”时，则需要重新思考学术建制、评价体系乃至学科边界。

边界之内与之外：什么不是数字人文

要真正理解数字人文的内涵，有时需要从反面来界定。外延的界定往往比内涵的阐释更能帮助我们把握事物的本质。

首先，数字人文不是“人文的数字化”。这是一个常见却致命的误解。一个将《四库全书》扫描成PDF文件的工程，如果仅仅是将纸质文本转化为电子图像，那它属于“数字化”（digitization），而非“数字人文”。真正的数字人文要求数字化资源能够支持新的研究问题——例如，通过全文检索研究某个概念在不同文本中的语义演变，通过词频统计分析清代文学话语权的转移。

其次，数字人文不是“技术在人文学科中的简单移植”。一些技术导向的项目将计算机视觉、自然语言处理等领域的成熟算法直接应用于人文数据，却缺乏对人文问题特殊性的充分考量。例如，标准的情感分析算法往往基于现代英语语料训练，将其直接应用于古典文献时可能产生误导性结果。一流的数字人文项目需要在技术与对象之间建立深度对话，而非简单套用现成方案。

第三，数字人文不是“数字资源建设”的同义词。构建数字档案、创建数据库、开发检索系统——这些当然是有价值的工作，但它们本身并不等同于数字人文研究。一个数字人文项目必须能够提出有意义的研究问题，并利用数字资源和方法来回答这些问题。徒有资源而无问题意识，不过是一座没有研究者的图书馆。

第四，数字人文不应当是“唯技术论”的。在某些激进的声音中，仿佛只要运用了计算方法，任何研究都会自动获得学术合法性。这种技术崇拜（technolatry）忽视了方法论反思的重要性。人文学科的核心价值——批判性思维、历史语境意识、对复杂性和模糊性的容忍——不会因为技术的引入而自动消解。一个优秀的数字人文学者，必须同时是技术使用者、人文思考者和方法论批评者。

本质追问：方法论革新而非技术应用

经过上述讨论，我们可以尝试回答本节开篇的问题：数字人文究竟是什么？

从最核心的意义上说，数字人文是一种方法论革新，而非仅仅是技术应用。这种革新体现在三个层面。

第一，证据观的扩展。传统人文学科依赖的证据主要是文本——手稿、印刷品、档案。这些证据以纸张为载体，以阅读为获取方式。而数字人文将证据的概念扩展到了数据层面：文本的结构特征、词汇的分布模式、概念之间的语义关联、历史事件的时间序列……这些在过去难以系统收集和分析的信息，如今成为合法且可操作的研究对象。

第二，阅读方式的转变。Close reading（细读）与人文学科有着悠久的联结——通过深入研读少数核心文本，学者建构起对某一时期、某一传统或某一问题的理解。数字人文引入的distant reading（远读）提供了一种互补的视角：当研究对象扩展到数百乃至数千部文本时，系统性的模式识别和统计归纳成为可能。这种转变并非要取代细读，而是为人文理解提供了新的层次。

第三，知识生产的协作模式。传统人文学科以“孤独的学者”为原型形象——一个人在书斋中与经典文本对话。而数字人文项目往往是高度协作的产物：领域专家提供问题意识和专业判断，计算专家贡献算法设计和技术实现，图书馆员负责数据管理与长期保存，设计师负责可视化呈现。这种协作不仅是实际工作的需要，更代表了一种新的学术伦理——承认知识的建构性，拥抱多元视角的价值。

理解数字人文的本质，对于评估具体项目和从事相关研究至关重要。一个真正有价值的数字人文项目，应当能够在上述三个层面中的一个或多个实现真正的创新——它不是将旧酒装入新瓶，而是在新的技术条件下酿造出新的学术洞见。

技术变革问题：从“莎士比亚之谜”到量化文本分析

延续四百年的作者之争

1623年，戏剧家本·琼森在为第一部对开本《莎士比亚戏剧集》撰写的题诗中写道：“纪念威廉·莎士比亚，并非因为他的作品，而是因为他。”这句话在当时或许只是朋友间的客套，却在数百年后成为一个尴尬的反讽。当代学者发现，恰恰是“谁是威廉·莎士比亚”这个问题，引发了持续数百年的学术争论，至今仍无定论。

“莎士比亚怀疑论”（Shakespeare authorship question）的历史可以追溯至19世纪初。1805年，诗人塞缪尔·泰勒·柯勒律治首次在公开场合质疑莎士比亚剧作的作者身份。此后，各种假说层出不穷：培根、牛津伯爵、南安普顿伯爵、马洛……每一位候选人背后都有一套自圆其说的论证。当代调查显示，全球约有四分之一的成年人对莎士比亚的作者身份持怀疑态度，专门的“反莎派”组织在多个国家运作，有声有色的学术和非学术辩论持续不断。

这场争论之所以延续至今，原因是多方面的。首先，关于莎士比亚本人的可靠史料极为稀少——他几乎没有任何私人信件、日记或手稿留存，签名也仅有六份且字迹模糊。其次，莎士比亚时代的戏剧创作与改编模式与现代版权观念截然不同，合作创作、剧本共享、事后追认作者等现象相当普遍。再次，文学研究本身的不确定性使得任何一种假说都难以被彻底证伪——文本证据往往是间接的，需要经过复杂的解释环节。

传统的莎士比亚研究主要依赖文献考据和文学分析。学者们仔细比对同时代剧作家的风格差异，追溯特定词汇、短语或意象的来源，分析戏剧结构与主题的一致性。这些方法当然产出了大量有价值的研究成果，但它们也有明显的局限：人类认知能力限制了可比较文本的数量——一个人的一生能够详尽研读的作品数量有限；当比较的文本数量增多时，主观印象容易受到先入之见的影响；不同研究者对同一文本特征的判断往往存在分歧。

计算方法的新视角

数字人文为这一经典争论带来了新的工具和视角。20世纪下半叶起，研究者们开始尝试用量化方法分析莎士比亚文本，主要集中在以下几个方向。

词频与功能词分析。不同作者在写作时往往表现出独特的用词偏好。莎士比亚研究者发现，某些高频功能词（如“and”“the”“of”“to”“a”）的使用频率在不同作者间存在微妙但可辨识的差异。1970年代，学者Cameron和Roe等人在这一领域进行了开创性研究，使用统计学方法比较莎士比亚剧作与其他候选人的作品。虽然结果并未推翻主流学界对莎翁