什么是数字人文？——电脑与人文的奇妙相遇
什么是数字人文？——电脑与人文的奇妙相遇
从一个神奇的发现开始
让我们先来做一个小实验。假设你有一张非常非常古老的羊皮纸，上面写满了你看不懂的文字。这些文字可能来自几千年前，甚至来自一个已经消失了几千年的文明。你会怎么做？
传统的方法是：找一位研究这种文字的专家，花上几十年的时间学习这种语言，然后一个字一个字地慢慢翻译。这听起来是不是很漫长？
但是，如果有一台电脑能帮你呢？
这正是数字人文的魅力所在。在这一章里，我们要一起探索一个神奇又有趣的领域——数字人文。我们会看到，当古老的智慧遇上现代的科技，会产生怎样惊人的火花。
你每天都在使用的“魔法”
在我们正式介绍数字人文之前，先让我们做一个小小的调查。你有没有做过这些事情：
早上起床，你对着手机说“小爱同学，今天天气怎么样？”然后手机就告诉你今天要下雨，记得带伞。你有没有想过，手机是怎么听懂你说的话的？
在学校图书馆，你想找一本关于恐龙的书。你不用一个书架一个书架地找，只需要在一个屏幕上输入“恐龙”，几秒钟后，所有关于恐龙的书就都出现在你眼前了。你有没有想过，电脑是怎么知道恐龙和哪些书有关的？
你去旅游的时候，看到一块古代的石碑，上面刻着你看不懂的文字。你拿出手机对着石碑拍了一张照片，然后手机屏幕上竟然出现了这段文字的翻译。你有没有想过，手机是怎么“读懂”这张图片的？
如果你的答案是“做过”，那么恭喜你！你已经接触过数字人文了。
你可能觉得这些事情很平常，好像没什么特别的。但是请仔细想一想：天气查询需要理解你说的话，找书需要理解你的意图，翻译需要认识图片上的文字——这些事情在几十年前，甚至十几年前，都是很难用电脑做到的。
现在，它们变成了我们日常生活的一部分。这背后，是无数人努力的结果。而他们的工作，有一个共同的名字——数字人文。
什么是数字人文？
“数字人文”这个名字听起来有点奇怪，对吧？让我们来拆解一下。
“人文”这个词，我们先来解释。你有没有听说过“语文”“历史”“地理”“哲学”这些科目？这些都是人文学科。人文，简单来说，就是研究人类文化、人类思想、人类历史的学问。诗歌、小说、历史书、哲学著作，都是人文研究的材料。
“数字”就不用多说了，就是我们平时说的数字、数字技术、电脑、互联网这些东西。
那“数字人文”合在一起是什么意思呢？
简单来说，数字人文就是用计算机和数字技术来研究人文问题的一门学问。
你可以把它想象成一个超级侦探的工具箱。这个工具箱里有各种各样的工具：有的工具能帮助我们快速找到要找的东西，有的工具能帮我们识别古老的文字，有的工具能帮我们发现文字之间隐藏的联系，还有的工具能帮我们把分散在世界各地的资料拼凑在一起。
但是请注意，数字人文不仅仅是使用电脑这么简单。最重要的不是电脑，而是人脑。电脑只是一个工具，真正提出问题、做出判断、发现意义的，是人。数字人文的本质是“人文”，数字只是手段。
打个比方，如果我们把数字人文比作一道美味的菜肴，那么电脑和算法就像是锅碗瓢盆，而人文的洞察力和创造力就像是厨师的手艺。再好的锅碗瓢盆，如果没有一个好的厨师，也做不出好吃的菜。
为什么要了解数字人文？
你可能会想：我只是一个小学生，为什么要去了解这种看起来很专业的东西呢？
原因有三个。
第一，数字人文正在改变我们学习历史和语文的方式。
你有没有觉得学习古文很难？有时候，一个字可能有好多不同的意思，而古人的写法又和现在不一样。这确实很难。但是想象一下，如果有一台电脑能帮你分析古代的文章，找出哪些字经常出现，哪些字经常和其他字搭配，甚至能帮你判断这篇文章大概是什么年代写的，那学习起来是不是会轻松很多？
数字人文正是这样的工具。它不是要取代你的学习，而是要成为你学习的助手。就像计算器帮我们做数学运算一样，数字人文工具可以帮我们处理那些繁琐的、重复性的工作，让我们把更多精力放在真正需要思考的地方。
第二，数字人文让我们能够研究以前根本无法研究的问题。
以前，研究古书是一件非常困难的事情。一本古书可能全世界只有一份，如果要研究它，你必须亲自去保存它的地方。而且古书可能已经很脆弱了，翻阅多了就会损坏。
但是现在，有了数字技术，我们可以把古书完整地扫描下来，变成一张张高清晰度的图片。这些图片可以在网上分享，全世界的研究者都可以同时研究同一本书，而不会对原书造成任何损害。
更进一步，电脑还可以“阅读”这些扫描的图片，识别上面的文字，把它们转换成电脑可以处理的文本。这样，研究者就可以用各种电脑工具来分析这些文本了。
这种研究方式，以前是想都不敢想的。
第三，数字人文是未来的趋势。
我们现在正处于一个数字化的时代。未来的工作和生活中，数字技术会变得越来越重要。了解数字人文，不仅能帮助你更好地学习语文和历史，也能帮助你理解这个数字化的世界。
而且，谁知道呢？也许未来的你，就是一位数字人文的研究者呢！
死海古卷：数字技术让古老羊皮纸重获新生
说了这么多理论，让我们来看一个真实的例子。这个例子会帮助你更具体地理解数字人文是怎么工作的。
我要讲的是“死海古卷”的故事。
什么是死海古卷？
死海古卷是20世纪最重要的考古发现之一。1947年，一个年轻的牧童在死海附近的一个山洞里玩耍。他扔石头的时候，石块击碎了一个陶罐。牧童好奇地跑过去看，发现陶罐里藏着一些用羊皮做成的卷轴。
这些卷轴就是后来震惊世界的死海古卷的一部分。
死海古卷包含了一批大约两千年前写成的文献。这些文献是用希伯来文、阿拉米文和希腊文写成的，涉及犹太教、基督教的历史，以及当时人们的生活。这些文献对于我们理解古代世界有着极其重要的价值。
问题是，这些古卷大部分都已经残破了。两千年的时间，足以让任何东西变得脆弱不堪。很多卷轴都已经碎成了成千上万的小碎片。就像一幅巨大的拼图，被打散在世界各地的博物馆里。
复原的挑战
从1947年开始，全世界的学者就开始了复原死海古卷的工作。这项工作持续了几十年，直到今天还没有完全完成。
为什么这么难？
首先，碎片太多了。据估计，所有死海古卷的碎片加起来超过了25000片。要把这些碎片拼回原来的样子，就像是在没有参考图片的情况下，把一幅百万片的拼图拼完整。
其次，很多碎片非常相似。一个字母可能看起来和其他字母没什么区别，但是它们可能来自完全不同的文献。如果拼错了，整幅图就全错了。
最后，鉴定这些碎片需要非常专业的知识。古文字学、考古学、历史学，每一方面的专家都可能有自己的见解。要把这些不同领域的知识综合起来，是一个巨大的挑战。
数字技术来帮忙
那么，数字人文是怎么帮助解决这个问题的呢？
第一，高分辨率扫描。研究者用特殊的扫描设备，把每一个碎片都扫描成高清数字图像。这些图像可以放大到看清每一个笔画的细节，而且可以在电脑上同时显示多个碎片，方便比较。
第二，图像分析算法。电脑程序可以分析每个碎片的形状、颜色、纹理，把它们按照相似度分类。这样，研究者就可以快速找到可能属于同一文献的碎片。
第三，机器学习。研究者训练电脑学习古文字的写法，让电脑能够识别和分类不同的字母和单词。这就像是教电脑认识古代的文字“字母表”。
第四，虚拟拼接。在电脑上，研究者可以尝试把不同的碎片拼在一起，看看哪个组合最合理。如果拼错了，只需要轻轻点几下鼠标就可以重来。不像真实世界，一旦粘错了就很难分开。
第五，协同工作平台。全世界的学者可以通过网络平台共享他们的发现，讨论复原方案。不同国家的专家可以同时研究同一个碎片，而不必亲自去同一个地方。
这些技术并没有完全取代人的工作。电脑可以处理大量的数据，提出可能的方案，但是最终判断哪个方案最合理，还是需要人来完成。数字技术是工具，真正的智慧还是来自人。
惊人的成果
2018年，一个国际研究团队宣布，他们利用数字技术成功复原了一段死海古卷中的一段文字。这段文字是用希伯来文写的，内容是关于古代以色列地区节日的日历。
更有趣的是，电脑不仅帮助复原了文字，还发现了一些人类学者可能忽略的东西。通过分析文字的笔迹和书写风格，电脑推测这段文字可能出自多个抄写员之手。这说明即使在同一份文献中，也可能有不同人的参与。
这个发现让研究者对古代的书写习惯有了新的理解。而这一切，都始于数字技术的帮助。
烧毁的档案：数字技术如何还原历史
让我们再看一个例子。这个例子发生在澳大利亚，发生了一场可怕的大火。
2019年到2020年，澳大利亚发生了历史上最严重的丛林火灾之一。这场被称为“黑色夏天”的火灾，烧毁了超过2400万公顷的土地，夺去了数十人的生命，还造成了无数的动物死亡。
但是，你可能不知道的是，火灾还烧毁了很多珍贵的档案资料。
在澳大利亚新南威尔士州，有一个叫阿米代尔的城镇。那里的档案馆保存着大量的历史文件，记录了这片土地几百年来的故事。但是在火灾中，档案馆的屋顶被烧塌了，雨水灌进来，浸泡了那些已经焦黑的文件。
想象一下：几百年的历史记录，就这样面临着彻底消失的危险。
抢救行动
火灾之后，一个由档案工作者、科学家和工程师组成的团队开始了抢救工作。
第一步是干燥和冷冻。那些被雨水浸泡的文件，如果继续放在外面，可能会发霉腐烂。工作人员把它们放进冷冻室，在零下30度的温度下保存，这样可以阻止纸张继续腐烂。
第二步是数字扫描。工作人员小心翼翼地把每一份文件都扫描成高分辨率的数字图像。这一步非常繁琐，每一页都要单独处理，而且要确保图像足够清晰，能够看清上面的文字。
第三步是文字识别。这是数字人文的核心技术之一。电脑程序会分析扫描出来的图像，识别上面的文字，然后把它们转换成电脑可以编辑的文本。
但是这里有一个巨大的挑战：这些文件在火灾中已经被部分烧毁了，很多文字残缺不全，有的甚至被焦黑的痕迹遮盖了。
智能算法来帮忙
普通的文字识别程序在这种情况下效果很差，因为它们假设文字是完整可读的。为了解决这个问题，研究者开发了一种新的算法。
这种算法的思路是这样的：首先，算法会分析一份文件上那些还能看清的部分，根据这些部分的字体、风格、大小，推测整份文件应该是什么样子。然后，算法会尝试填补那些残缺的部分，预测那些被烧毁的地方原本可能写着什么。
当然，算法不可能百分之百准确地猜出原文。它会给出几种可能的答案，每个答案都有一个置信度，表示这个答案可能是正确的概率。研究人员会查看这些结果，选择最合理的一个。
这是一种人机合作的方式。电脑做它擅长的事情——处理大量数据、进行模式识别、提出可能性；而人做电脑不擅长的事情——理解上下文、做出判断、验证结果。
最终，工作人员成功地从那些烧焦的档案中抢救出了大量的信息。这些信息包括土地契约、法院判决、人口记录等等，为研究这片地区的历史提供了宝贵的资料。
如果没有数字技术，这些信息可能就永远消失了。现在，它们不仅被保存了下来，还被转换成了可以搜索的文本，任何人都可以在网上找到它们。
数字人文的四大法宝
通过上面两个例子，你可能已经对数字人文有了初步的印象。现在，让我们系统地了解一下数字人文的核心工具。
数字人文的工作主要依靠四大法宝：计算机、算法、数据和人脑创意。这四者缺一不可。
计算机：超级放大镜和超级记忆
计算机是数字人文最基础的工具。但是，它在这里的作用和你平时用电脑玩游戏、看视频有些不同。
在数字人文领域，计算机主要扮演两个角色：超级放大镜和超级记忆。
超级放大镜是什么意思呢？
假设你有一本很小的古书，字迹模糊得几乎看不清。肉眼很难辨认上面的内容。但是计算机可以把图像放大到几十倍、几百倍，甚至放大到能看清每一根笔画的细微变化。而且，计算机可以调整对比度、亮度，把那些模糊的细节变得清晰可见。
这就是“放大”的意思——不是物理上的放大，而是让我们能看清那些本来看不清的东西。
超级记忆呢？
人类的记忆是有限的。我们能记住的东西有限，而且时间长了还可能会忘记。但是计算机的“记忆”几乎是无穷无尽的，而且永远不会忘记。
数字人文研究者会创建各种数据库，把他们收集的资料整理存放进去。这些数据库可以存储几百万条、几千万条甚至更多的信息，而且可以随时查询、快速检索。
比如，有一个叫“中国历代人物传记资料库”的数据库，收录了几十万条中国古代人物的传记信息。研究者在几秒钟之内就能找到任何一个朝代的任何一个历史人物的资料，这在以前是不可想象的。
算法：聪明的规则
光有计算机还不够，还需要告诉计算机怎么工作。这就是算法的作用。
算法，简单来说就是解决某个问题的一系列步骤。就像做菜的菜谱告诉你先放什么、后放什么一样，算法告诉计算机先做什么、后做什么。
数字人文中常用的算法有很多种，让我们介绍几种最重要的。
第一种：文字识别算法
这就是我们前面提到的，让电脑“读懂”图片中的文字的技术。
你可能会想，识别文字有什么难的？但是仔细想想，这其实是一个非常复杂的任务。
首先，同一个字母在不同的地方、不同的书写者手下，写出来的样子可能完全不同。你写的“A”和我写的“A”看起来就不太一样。电脑必须能够识别这些变化，把它们都当作同一个字母来处理。
其次，有些文字可能有几千年的历史，写法和我们今天使用的完全不同。电脑必须学会认识这些古老的写法。
还有，图片可能不清晰，有污渍或者破损，电脑必须能够在这种情况下仍然识别出文字。
文字识别算法正是为了解决这些问题而设计的。它通过分析大量的例子，学习文字的各种写法，然后能够准确地识别出新的文字图像。
第二种：文本分析算法
当你有了一大堆文字之后，你需要对它们进行分析。文本分析算法就是用来处理这个任务的。
比如，有一种叫“词频分析”的技术。它可以统计一篇文章中每个词出现了多少次，哪个词出现得最多。听起来很简单，但是这个简单的方法可以帮助我们发现很多有趣的东西。
比如，如果我们比较不同作家的作品，看看他们最常用的词有什么不同，我们就能了解他们各自的写作风格。如果我们分析一个朝代的官方文书，看看哪些词出现得最频繁，我们就能知道那个朝代最关心什么。
还有一种叫“情感分析”的技术。它可以判断一段文字是积极正面的还是消极负面的。比如，我们可以分析古代诗人的作品，看看他们是写得比较乐观还是比较悲观。
第三种：聚类算法
这是一种用来发现“相似性”的算法。
想象一下，你有一万张照片，你想把它们按照内容分成几组。每张照片里可能有风景、有人物、有建筑，人工分类会非常耗时。
聚类算法可以自动完成这个任务。它会分析每张照片的特征，然后把特征相似的照片归为一组。
在数字人文领域，聚类算法有很多用途。比如，它可以用来比较不同手稿的风格，把可能出自同一个人之手的作品归为一组。它也可以用来分析古代文献的主题，把内容相似的文献归为一类。
数据：数字人文的燃料
算法很重要，但是算法需要数据才能工作。数据就像汽车的汽油，没有汽油，汽车就跑不起来。
在数字人文领域，数据主要分为几种类型。
文本数据是最基本的一类。包括各种书籍、文献、档案、信件等等。研究者会通过扫描、录入或者从网上下载的方式，把这些文本转换成电脑可以处理的格式。
图像数据也很重要。包括绘画、照片、地图、文物图像等等。高质量的图像数据是很多研究的基础。
元数据是描述其他数据的数据。比如，一本书的作者、出版时间、出版社、内容简介，这些都是元数据。好的元数据可以帮助我们更好地组织和管理资料。
链接数据是一种新型的数据格式。它把不同的数据连接起来，形成一个巨大的网络。比如，一本书的作者是某个人，这本书的出版社是某个机构，这本书讨论的主题和另外一本书相关……所有这些联系都可以用链接数据来表示。
数据是数字人文的燃料。好的数据可以让研究顺利开展，不好的数据则可能导致错误的结论。所以，数字人文研究者非常重视数据的收集、整理和质量控制。
人脑创意：最关键的要素
说了这么多计算机和算法，现在让我们谈谈最重要的东西——人脑创意。
计算机和算法确实很强大，但它们也有明显的局限性。计算机只能执行人类告诉它的任务，它不会自己提出问题，不会自己发现新的研究方向。
比如，计算机可以统计一篇文章中出现了多少次“战争”这个词，但它不会问你“为什么这篇文章中关于战争的描写这么多？这反映了作者什么样的心理？”
这个“为什么”的问题，需要人来提出。
又比如，计算机可以比较两个人写的诗的相似度，但它不会告诉你，这两首诗的相似可能是因为它们都受到了同一个更早诗人的影响。
这个因果关系，需要人来推断。
再比如，计算机可以识别出图片上有一匹马，但它不会告诉你，这匹马在画中象征着自由和力量。
这个象征意义，需要人来解读。
所以，数字人文的核心不是技术，而是人。是人的好奇心驱使我们去提出问题，是人的智慧帮助我们理解答案的意义，是人的创造力让技术发挥最大的价值。
技术可以放大人的能力，但不能替代人的思考。
数字人文是怎样工作的？
现在，你已经了解了数字人文的基本工具。接下来，让我们看看这些工具是怎么组合起来工作的。
一个典型的数字人文项目，通常会经历以下几个阶段。
第一阶段：提出问题
所有研究都从一个好问题开始。
这个问题可能是关于历史的，比如“唐代诗人李白和杜甫的诗歌风格有什么不同？”也可能是关于文学的，比如“《红楼梦》中最常出现的植物是什么？它们有什么象征意义？”还可能是关于社会的，比如“清代不同地区的方言有什么特点？”
一个好的问题通常有两个特点：第一，它是有意义的，能够帮助我们更好地理解过去；第二，它是可以回答的，即使需要很长时间和很多努力。
第二阶段：收集数据
问题确定之后，研究者需要收集相关的数据。
这一步可能包括：扫描古籍、下载电子文本、拍摄文物照片、记录口述历史等等。数据来源多种多样，可能是图书馆的藏书、博物馆的藏品，也可能是网上公开的数据库。
数据收集是一个需要耐心的过程。有时候，找到一份重要的文献就需要几个月的时间。而且，研究者必须确保收集的数据是可靠的、可用的。如果数据本身就有问题，后面的分析就很难得出正确的结论。
第三阶段：处理和整理
收集来的原始数据通常不能直接使用，需要进行处理和整理。
比如，如果是通过扫描获得的图像，需要进行图像增强处理，让文字变得更清晰。如果是要进行文字识别的图片，需要运行OCR（光学字符识别）程序，把图片转换成文本。
文本数据也需要整理。比如，统一格式、纠正错误、添加标签、删除无关内容等等。这是一项繁琐但重要的工作，被研究者称为“数据清洗”。
第四阶段：分析和发现
数据准备好了之后，就是真正的分析了。
研究者会根据研究问题，选择合适的分析方法。可能需要用到统计分析、文本挖掘、图像分析、网络分析等多种技术。
分析的结果会以各种形式呈现：表格、图表、地图、网络图……这些可视化形式可以帮助研究者更直观地理解数据，也更容易向别人解释自己的发现。
第五阶段：解释和验证
最后一步