数字人文：一场静悄悄的学术革命

1.1 一个被忽视的事实：人文学者每天都在和数据打交道

如果你走进任何一所综合性大学的图书馆，翻开任何一本文学史教材，或者随手打开一个历史档案数据库，你会发现一个反常识的现象：人文学者——那些研究文学、历史、哲学、艺术的人——实际上正在与海量的数据打交道。北京大学图书馆藏有超过 800 万册纸质图书；故宫博物院的文物总数超过 186 万件；中国国家图书馆的民国期刊数据库收录了 4.4 万种、近 100 万期期刊；光是《红楼梦》一个文本系统，前 80 回加上各种续书、评点、译本，相关研究文献的数量就以万计。

问题在于：传统的人文学研究方法，主要依靠学者的个人阅读、记忆和经验。一位资深红学家可能穷尽一生读完 200 种《红楼梦》评本，但这只是人类全部评本的一小部分。一位历史学家可能用 10 年时间读完一个时代的报纸，但要从中提取出舆论的总体走向，几乎是不可能完成的任务。

这就是数字人文（Digital Humanities，简称 DH）登场的时代背景。它要回答的核心问题是：在数据爆炸的 21 世纪，人文学研究能否像自然科学那样，借助计算工具处理大规模材料、发现隐藏模式、提出并验证新假设？

需要强调的是，数字人文并不是"让计算机代替学者读书"这么简单。它的野心远不止于此：它试图改变人文学的提问方式、证据基础和知识生产流程。本章将通过三个真实场景、一次学科定位和一段六十年简史，帮你建立对数字人文的完整理解，并在最后为你描绘本书的 15 章学习地图。

1.2 三个真实场景：看见数字人文的真实威力

理论再精彩，也比不上一个真实的研究案例。下面三个案例分别来自文学、语言学和历史学三个领域，它们将直观地告诉你，数字方法能解决什么样的传统难题。

场景一：用网络分析破解《红楼梦》的人物关系迷宫

《红楼梦》前 80 回涉及有名有姓的人物 400 余人，无名配角更是不计其数。传统研究多采用"主线—支线—辅线"或"宝黛钗三角"等叙述结构，但这些分析往往依赖读者的主观感受，缺乏量化基础。

2010 年前后，陈寅恪、刘颖聪等学者开始用社会网络分析（Social Network Analysis）方法重新审视这部经典。他们将每一次人物同框出场视为一条"边"（edge），将人物本身视为"节点"（node），构建出整部小说的共现网络。通过计算节点的度（degree）、介数中心性（betweenness centrality）等指标，得到了一系列有趣发现：

• **贾宝玉的"中心性"远低于预期**：在传统阅读印象中，宝玉是绝对的叙事中心，但网络分析显示，他的介数中心性排名在第 20 名开外。这说明他更像是"看风景的人"，而真正起结构作用的是王熙凤、贾母、平儿这些"管家型"角色。
• **王熙凤与贾琏之间的连接强度异常高**：在夫妻对中，他们的共现频次最高，但情感性对话最少。这印证了红学家早就指出的"凤姐管家而非管家"现象。
• **金陵十二钗形成一个内聚性极强的子网络**：尽管这 12 人在书中分散出场，但她们之间的连接密度远高于其他女性角色，证明曹雪芹确实在有意识地编织一个"薄命司"群体。

这个研究的价值在于：它不是用计算机代替人来读小说，而是用网络分析工具揭示了"读者已经隐隐感觉到但难以精确表达"的结构性特征。数字方法不是答案本身，而是为传统的人文判断提供量化证据。

场景二：用文体计量学看透莎士比亚的"真身"之谜

莎士比亚的著作权问题困扰学界 200 余年。一个英国小镇的中学毕业生，怎么可能在 20 多年里写出 37 部鸿篇巨制？传统研究多从历史考据、版本比对、莎翁传记入手，难以取得突破。

进入 21 世纪，文体计量学（Stylometry）为这一悬案提供了新证据。研究者将莎士比亚的 37 部作品与同时代其他作家（如马洛、培根、琼森）的语料进行对比，通过词频分布、虚词使用、句法复杂度等数百个特征的统计建模，得出两点关键结论：

• **莎士比亚作品的内在一致性极强**：在所有候选作者中，37 部作品之间的文体距离最近，远小于"莎士比亚"与任何其他单一作者的距离。这强烈支持"莎士比亚就是莎士比亚"的传统结论。
• **合作写作的痕迹清晰可辨**：通过分层聚类分析，研究者发现《亨利八世》《两个贵亲戚》等作品明显呈现出"双重文体指纹"，这与近年来新兰克学会（New Oxford Shakespeare）考据出的合作者名单高度吻合。

这一研究的意义在于：它表明数字方法可以处理文学史中长期悬而未决的"硬问题"。但更重要的是，莎士比亚研究者并未因此放弃对剧作的人文阐释——文体计量提供的是"作者签名"的统计学证据，而作品的文学价值、艺术成就依然需要细读、剧场史、版本学等传统方法来完成。

场景三：从 100 万篇民国报纸中读出"舆论的气候"

历史学是最容易与数字方法结合的学科之一，因为它处理的对象本身就是"数据"——档案、报纸、书信、日记、地方志。但传统史学受限于人力，研究者往往只能关注少数典型文本，难以把握宏观图景。

以民国报纸舆论研究为例。从 2008 年开始，多个研究团队开始建设"民国报纸数据库"，将《大公报》《申报》《中央日报》《益世报》等核心报刊的全文 OCR 数字化，整理出数千万条记录。在这些数据上，研究者可以做许多传统史学做不到的事：

• **词频趋势分析**：通过追踪"民主""科学""革命""三民主义""共产主义"等关键词在 1912—1949 年间的出现频次曲线，可以精确看到不同时期话语主流的迁移。例如，"民主"一词在 1919 年五四运动前后出现显著跃升，而"共产主义"则在 1927 年后呈现指数级增长。
• **主题建模（Topic Modeling）**：用 LDA（Latent Dirichlet Allocation）等算法自动从百万篇文章中提取出 50—100 个潜在主题，并追踪它们的时间分布。研究者可以问：在 1930 年代，关于"农村"的讨论究竟在谈什么？是农村经济、农村教育、还是农村革命？主题建模可以把这些"说什么"自动区分开来。
• **意见极性分析**：对同一时期的社论进行情感分析，比较不同报纸的政治倾向。《大公报》在 1937 年前后的语气变化、上海《申报》与天津《益世报》对同一事件的态度差异，都可以被量化呈现。

这三个案例的共同点是：它们都建立在"规模可观的文本语料"之上；都使用了某种"非传统的、可计算的方法"；都得出了"传统研究难以独立获得"的结论。但请注意，它们都没有否定传统研究——细读、考据、史源学、文学批评依然不可或缺。数字方法只是为人文学打开了一扇新门。

1.3 学科定位：数字人文的三重身份

现在，是时候正面回答"数字人文到底是什么"这个问题了。许多初次接触这个领域的人会直觉地认为："数字人文 = 数字技术 + 人文研究"，甚至把它简化为"人文学者学编程"或"程序员读小说"。这两种理解都有失偏颇。

准确地说，数字人文是一种新的提问方式。它不是把人文学科"翻译"成计算机语言，而是用计算工具放大、增强、扩展人文学科的提问能力。它的核心特征可以归纳为三个：交叉性、计算性、人本性。

第一重身份：交叉性

数字人文位于多个学科的交汇处。从下方的概念图可以直观看到它的位置：

```mermaid flowchart TD DH[数字人文] DH --> HUM[人文学科] DH --> CS[计算机科学] DH --> SOC[社会科学] DH --> IS[信息科学] HUM --> HUM1[文学] HUM --> HUM2[历史] HUM --> HUM3[哲学] HUM --> HUM4[语言学] HUM --> HUM5[艺术研究] CS --> CS1[人工智能] CS --> CS2[数据库] CS --> CS3[可视化] CS --> CS4[自然语言处理] SOC --> SOC1[社会学] SOC --> SOC2[传播学] SOC --> SOC3[人类学] IS --> IS1[数字图书馆] IS --> IS2[档案学] IS --> IS3[知识组织] ```

这个图想要说明的是：数字人文不是某一个人文系科的延伸，也不是计算机系的应用分支。它的知识基础横跨四个领域，每个领域都为它贡献不同的方法论资源：

• **人文学科**贡献问题意识、文本细读能力、史料批判精神。
• **计算机科学**贡献算法、编程、可视化、数据库管理。
• **社会科学**贡献量化研究方法、调查设计、社会网络理论。
• **信息科学**贡献信息组织、元数据标准、知识图谱。

理解这种交叉性是重要的：它意味着数字人文项目的成功，往往需要一个跨学科团队——一个人文学者、一个程序员、一个设计师、一个数据管理者——长期协作。单打独斗很难走远。

第二重身份：计算性

"计算性"是数字人文与传统人文学最显眼的区别。这里的"计算"有两层含义：

第一层是"可计算"。它要求把研究对象转化为计算机可以处理的形式——文本要被切分为词、句、段；图像要被标注为像素或特征向量；历史地理坐标要被转化为经纬度数字。这本身就是一个学术判断过程：你选择什么样的"切分粒度"，直接决定了后续能看到什么样的模式。把《红楼梦》切分为"章回"，看到的是叙事结构；切分为"场景"，看到的是戏剧节奏；切分为"人物对话"，看到的是话语权分布。没有"中立"的数字化。

第二层是"用算法发现模式"。当数据准备好之后，研究者会使用聚类、分类、关联规则、主题模型、网络分析、序列分析等算法，让计算机帮助自己发现"原本看不到"的模式。这些模式可能是高频词的意外共现、可能是某个人物群体的话语指纹、可能是某条历史路线的变迁轨迹。请注意：算法发现的"模式"是"假设候选"，不是"结论"。所有计算结果都要回到人文学的语境中接受检验。

许多初学者会误以为"计算性 = 客观性"。这是一种危险的简化。算法的每一个选择都嵌入了研究者的理论预设。词频统计背后是"重要词 = 重要议题"的假设；主题建模背后是"主题 = 词的分布"的概率论假设；网络中心性背后是"中心 = 影响力"的图论假设。数字人文不是把人文学"客观化"，而是让研究者的主观判断变得"可被讨论"。

第三重身份：人本性

这一重身份最容易被忽视，但恰恰是数字人文最核心的特征。所谓"人本性"，是指一切计算活动都要服务于人的理解。它包含三个原则：

原则一：人是研究的主体，不是数据的附庸。 数字人文项目的最终读者是人，项目的解释权也属于人。计算结果永远只是证据之一，不能代替人的历史判断、文学感悟和伦理反思。一个典型的反例是：某些项目为了追求"酷炫的可视化"，把每一个研究问题都画成绚丽图表，结果反而遮蔽了真正重要的内容。好的数字人文项目始终把"我要回答一个什么样的人文问题"放在第一位。

原则二：技术要服从于材料，而不是反过来。 许多人文学者担心数字方法会"削足适履"——为了让文本适合某种算法，而把研究问题扭曲成算法能解决的样子。这是一种合理的担忧。负责任的数字人文项目，应当在"问题—方法—材料"三者之间寻找平衡，而不是被某一种流行工具绑架。

原则三：数字人文的成果要可访问、可复制、可批评。 这意味着数据要公开（除非涉及隐私或版权）、代码要开源、流程要可复现。这与传统人文学的"以论文为中心"的知识生产模式不同，它要求一种"开源的人文学"。这一点对初学者很重要：当你开始做自己的数字人文项目时，请从一开始就养成"留下可复现证据"的习惯。

理解了交叉性、计算性、人本性这三层，你就可以向同行用一句话解释数字人文了：数字人文是一种以人文学问题为出发点，借助计算机与社会科学的工具，对大规模人文材料进行系统分析，并以可访问、可复现的方式呈现成果的跨学科研究范式。

1.4 六十年简史：从一台 IBM 打卡机到全球学术运动

数字人文并非一夜之间冒出来的新事物。它有清晰的学术传承和六十多年的发展脉络。理解这段历史，有助于你把握当下的学科状态。

第一阶段（1949—1970）：前传与开拓

数字人文公认的起点是 1949 年。这一年，意大利耶稣会神父 Roberto Busa（罗伯托·布萨，1913—2011）开始了一项雄心勃勃的计划：编制中世纪神学家托马斯·阿奎那的全部著作索引。这部《托马斯·阿奎那索引》（Index Thomisticus）最终收录了约 1100 万个中世纪拉丁语词形，规模相当于一部 56 卷的巨型工具书。

Busa 的天才之处在于，他意识到手工编制这样的索引在物理上是不可能的，必须借助机器。他与 IBM 公司的工程师 Thomas J. Watson 取得联系，从 1950 年代开始合作，使用早期的 IBM 打卡式计算机处理拉丁语文本。这项工作前后持续了近 40 年，直到 1980 年代才最终完成。

Busa 的工作对后世影响深远。他证明了两个重要事实：第一，机器可以处理复杂的人文学文本（不仅是数字）；第二，跨学科合作是可行的——神学家、语言学家和工程师可以在一个项目里共同工作。1980 年代，他被授予 McArthur 奖，被称为"数字人文之父"。

第二阶段（1970—2000）：标准建设与机构化

1970 年代到 1990 年代是数字人文的"基础设施建设期"。这一时期的标志性进展是文本编码倡议（Text Encoding Initiative，简称 TEI）的诞生。

TEI 最初由一批人文学者和计算语言学家在 1987 年的纽约会议上提出，目的是为数字文本制定一套通用的标注规范。在 TEI 出现之前，每个项目都用自己的方式标注文本，导致不同项目之间的数据难以互通。TEI 提供了一种基于 XML 的"通用语"，让学者可以一致地标记标题、作者、引文、注释、人物、地点等元素。TEI 至今仍是数字人文领域最重要的标准之一，被全世界的古籍数字化项目广泛采用。

同期，一批重要的数字人文中心相继成立：

• **加拿大阿尔伯塔大学（University of Alberta）**于 1970 年代建立了著名的"拜占敦项目"（Byzantine Project），使用大型机处理希腊文拜占庭文献。
• **美国罗格斯大学（Rutgers University）**的"历史与媒体实验室"（History and Media Lab）成立于 1980 年代。
• **英国牛津大学（University of Oxford）**的计算与人文学研究中心、伦敦国王学院（King's College London）的数字人文系，分别在 1990 年代成型。

这一时期，数字人文的研究对象从"语言"扩展到"图像""地图""音乐"，研究方法从"全文检索"扩展到"语料库语言学""地理信息系统（GIS）"。但"数字人文"这个统一的名字还没有出现——大家更多地在说自己做"人文计算"（Humanities Computing）。

第三阶段（2000—2010）：命名与机构化升级

2000 年代，数字人文发生了几件大事。

第一件是学科命名。2004 年，学者 Ray Siemens 等人在加拿大召开会议，正式建议用 "Digital Humanities" 取代 "Humanities Computing" 作为学科名。这个新名字更强调"人文性"，淡化了"计算感"，迅速被国际学界接受。2006 年，第一本以 "Digital Humanities" 为书名的学术期刊（*Digital Humanities Quarterly*）创刊。

第二件是研究中心化。斯坦福大学文学实验室（Stanford Literary Lab）于 2008 年成立，由 Franco Moretti 和 Matthew Jockers 共同领导。这个实验室提出了著名的"远读"（Distant Reading）概念，主张用统计方法"远距离"阅读成千上万的文本，从中发现文学史的宏观模式。它的代表项目包括"斯坦福 20 世纪小说项目""情节弧线分析"等，引发了人文学界关于"细读 vs 远读"的大讨论。

第三件是国家投入。美国国家人文基金会（NEH）、英国艺术与人文研究理事会（AHRC）、欧盟（EU）相继设立数字人文专项基金，推动了大规模数据库建设和跨机构合作。

第四阶段（2010—至今）：全球化与中国本土化

2010 年以后，数字人文进入"全球化扩张期"。欧洲、亚洲、非洲、拉美都开始建立自己的数字人文中心。

中国数字人文的起步并不算早，但发展迅速：

• 2010 年前后，台湾大学、政治大学、香港城市大学等先后建立数字人文相关实验室。
• 2016 年 12 月，北京大学数字人文研究中心成立，标志着中国大陆顶尖高校开始系统布局。
• 2017 年，南京大学、清华大学、武汉大学相继跟进。
• 2019 年至今，中国人民大学、复旦大学、中山大学、南开大学等也建立了数字人文研究机构。
• 2020 年起，数字人文相关课程开始进入中国大学的研究生培养体系。

中国数字人文的研究热点与西方有所不同。西方更多关注英语文学的远读、欧洲史的 GIS 分析；中国学者则更关注古籍数字化（如《数字人文》《CBDB 中国历代人物传记资料库》）、民国报刊数据库、地方志数据挖掘、红色文献的语义分析等本土化议题。这体现了数字人文的"在地性"——它总是与研究者所在的文化语境紧密相关。

1.5 本书地图：15 章带你走进数字人文

既然你已经对数字人文有了基本了解，下面是本书的 15 章路线图。我把它分为五个模块，每个模块解决一类问题。

模块一：基础概念与工具准备（第 1—3 章）

• 第 1 章：数字人文导论（本章）
• 第 2 章：工作环境搭建：Python、Jupyter Notebook、文本编辑器
• 第 3 章：获取你的第一份语料：从数据库到爬虫

模块二：文本处理技术（第 4—7 章）

• 第 4 章：文本清洗与分词：让你的语料可计算
• 第 5 章：词频、TF-IDF 与关键词提取
• 第 6 章：主题建模：用 LDA 算法发现文本中的潜在议题
• 第 7 章：情感分析与立场识别

模块三：网络、空间与可视化（第 8—11 章）

• 第 8 章：社会网络分析基础：共现网络、中心性、子群检测
• 第 9 章：历史地理信息系统（GIS）与空间人文
• 第 10 章：可视化设计原则：从折线图到交互式仪表盘
• 第 11 章：知识图谱与实体关系抽取

模块四：图像、音频与多媒体（第 12—13 章）

• 第 12 章：数字图像分析：艺术品、历史照片、地图
• 第 13 章：语音、口述史与音频人文

模块五：项目设计与前沿议题（第 14—15 章）

• 第 14 章：如何设计一个完整的数字人文研究项目
• 第 15 章：数字人文的伦理、开放与未来

整本书