什么是数字人文：一个新学科的诞生与成长

什么是数字人文：一个新学科的诞生与成长

想象这样一个场景：一位文学研究者想要回答一个看似简单的问题——曹雪芹在《红楼梦》中对女性人物的命名是否有某种规律？她观察了书中数百个女性角色的名字，发现其中蕴含着微妙的语义联系，但仅凭人力，她无法将这种直觉转化为可靠的结论。然而，当她借助计算机对书中所有女性人物的姓名进行批量提取、语义分析和可视化呈现时，一幅隐藏在文本深处的图景逐渐浮现：这些名字不仅承载着人物的性格特征，更映射出作者的审美趣味和文化心理。

这个场景并非虚构，而是数字人文研究者每天都在经历的日常。数字人文（Digital Humanities，简称DH）正是这样一门学科：它让传统的“读”变成了一种可以被规模化、放大的研究实践；它让研究者对文本的直觉判断，能够通过数据来验证或修正；它让我们有机会看到那些在浩如烟海的文献中原本无法被肉眼察觉的规律与联系。

那么，数字人文究竟是什么？它与计算机科学有何不同？与传统的人文学科又是怎样的关系？这门学科是如何从边缘走到今天这个位置的？本章将逐一回答这些问题，并在章节末尾通过一个简单但完整的实践演示，让你亲身体验数字人文的独特魅力。

数字人文的定义：从“人文计算”到“数字人文”的概念演进

理解数字人文的第一步，是厘清它的名称演变历史。数字人文的前身通常被称为“人文计算”（Humanities Computing），这个名称强调了它与计算技术的关联——它最初就是人文学者为了处理人文研究中的大量文本而产生的。到了2004年左右，“数字人文”这个新名称开始在学术界流行开来，并在接下来的十年间逐渐取代了“人文计算”成为这门学科的标准称谓。

名称的更替不是偶然的，它反映了学科内涵的深刻转变。“人文计算”隐含的假设是：计算是一种工具，人文是应用的对象。换句话说，计算是为人文研究服务的“手段”。但“数字人文”的命名方式改变了这种主从关系——数字与人文被放在了同等重要的位置上。这并非玩弄文字游戏，而是对学科实践的真实写照：数字人文学者不仅使用数字工具来分析人文材料，他们还积极参与数字工具的设计与开发，甚至将数字环境本身视为一种值得研究的人文现象。

让我们更具体地理解这种区别。传统人文学者使用计算机，可能就像使用Word文档写论文一样——计算机提高了效率，但它本质上只是一个更高级的打字机。但数字人文学者对待数字技术的态度截然不同：他们会思考数字环境如何改变了知识的生产与传播方式，会探索如何让数字工具更好地服务于人文研究的需求，甚至会质疑现有的数字方法是否真正适合人文问题的复杂性。

这种认识论层面的转变，正是“数字人文”替代“人文计算”的深层原因。数字人文不仅仅是用计算机来做人文研究，它是人文研究与数字思维深度融合后产生的新范式。在这个新范式中，人文问题驱动着技术的发展方向，而技术的发展又反过来拓展了人文问题的边界和提问方式。

当然，名称的流行并不意味着所有人都认同这个概念的具体内涵。事实上，关于“数字人文”的定义，学术界至今仍存在广泛讨论。有人强调它的技术面向，认为数字人文的核心在于开发新的计算方法；有人强调它的批判维度，认为数字人文应该关注数字时代的人文价值和社会影响；还有人认为数字人文根本没有一个统一的定义，它更像是一个开放的研究领域，容纳着各种不同的实践和取向。

面对这种概念上的多元性，我们不妨采取一个务实的态度：与其追问“数字人文是什么”，不如关注“数字人文做什么”。当我们观察数字人文学者的具体研究实践时，学科的轮廓就会变得清晰起来。

学科起源：Roberto Busa神父与托马斯·阿奎纳作品索引的故事

任何学科都有自己的起源时刻，数字人文也不例外。1949年，一位名叫Roberto Busa的意大利天主教神父做出了一个在当时看来近乎疯狂的决定：他要与IBM公司合作，用计算机为13世纪神学家托马斯·阿奎纳（Thomas Aquinas）的全部作品创建一部索引（Concordance）。

这个决定改变了历史的进程。

要理解Busa神父为什么需要计算机的帮助，我们需要了解托马斯·阿奎纳在中世纪神学中的地位。阿奎纳是基督教神学史上最重要的思想家之一，他的代表作《神学大全》是一部卷帙浩繁的鸿篇巨制。更重要的是，阿奎纳的写作风格有一个特点：他总是大量引用前人的著作，尤其是亚里士多德的作品。这种写作方式意味着，如果你想理解阿奎纳的某个观点，就必须追溯他引用了哪些文本，以及这些文本在他的论证中扮演了什么角色。

在计算机出现之前，学者们只能依靠手工翻阅来追踪这些引用关系。一部《神学大全》就有数百万字，加上阿奎纳的其他作品，一个人穷其一生可能都难以完成全面的索引编制工作。当Busa神父开始研究阿奎纳时，他意识到手工方式根本无法应对这个规模的问题。

就在这时，他听说了IBM公司开发的新型计算机。IBM的创始人托马斯·沃森（Thomas Watson）当时正在欧洲推广计算机的应用，Busa神父设法与他取得了联系。据说，沃森第一次听到这个计划时也颇为惊讶——一个神父要用计算机来做神学研究？但最终，IBM决定为这个项目提供支持，而Busa神父则成为了世界上第一批使用计算机进行人文研究的人。

这个项目持续了数十年。最初使用的是打孔卡片计算机，后来逐步升级到更先进的设备。到了1974年，Busa神父与IBM合作编纂的《托马斯·阿奎纳作品索引》正式出版，这部著作后来被学界公认为数字人文领域的奠基之作。

Busa神父的故事之所以重要，不仅仅因为它是数字人文的历史起点，更因为它揭示了这门学科的本质特征。仔细审视这个案例，我们可以发现几个关键点：

首先，Busa神父发起这个项目，是因为他有一个真实的人文研究问题——理解阿奎纳的思想体系和引用来源。这个问题不是为技术而设的，而是从人文学术的内部需求中产生的。技术只是解决问题的手段。

其次，这个问题的规模超出了人力所能处理的范围。如果没有计算机的帮助，这个项目要么无法完成，要么需要耗费几代学者的生命。正是问题的规模催生了对新方法的需求。

第三，Busa神父并不是简单地“使用”计算机，他与IBM的工程师密切合作，针对人文文本的特殊性调整了计算机的处理方式。这预示了数字人文后来发展的一个重要特征：数字人文学者往往既是技术的使用者，也是技术的共同创造者。

最后，这个项目最终产出的是一部索引——一种服务于人文研究的学术工具。即使在今天，大多数数字人文项目的目标仍然是开发能够帮助人文学者更好地理解文本和文化的工具与资源。

从Busa神父的案例出发，我们可以进一步总结数字人文的三大支柱：人文问题、技术方法和计算思维。

三大支柱：人文问题、技术方法、计算思维的融合

数字人文之所以能够成为一门独立的学科，是因为它建立在三个相互支撑的基础之上。这三个基础缺一不可，共同构成了数字人文的独特性。

第一根支柱：人文问题

数字人文的本质是一门将数字技术融入人文研究的学科，但这并不意味着任何涉及人文和数字技术的尝试都属于数字人文。关键在于，研究的核心驱动力必须来自人文问题。

这意味着什么？让我们对比两种不同的研究情境。一位计算机科学家开发了一个文本分析算法，用来自动识别新闻报道中的情感倾向，这项研究的核心问题来自计算机科学领域——如何提高算法的准确率。即使这个算法的应用对象是新闻文本，它也不属于数字人文的范畴，因为问题的起点不是人文关切。

但如果一位文学研究者使用同样的文本分析算法，来研究19世纪英国小说中女性角色的情感表达如何随时代变化，这个问题就具有了人文属性。研究者关心的不是算法本身，而是通过算法来回答关于文学史、女性书写或情感文化的实质性人文问题。

人文问题之所以重要，还因为它决定了研究的目标和评判标准。当一位数字人文研究者完成一项研究后，他的同行——可能是历史学家、文学学者或哲学家——会从人文学术的角度来评价这项研究是否有趣、是否有洞见、是否推进了我们对某个文化现象的理解。技术上的精巧只是基础，人文价值才是最终追求。

第二根支柱：技术方法

数字人文的第二根支柱是技术方法。没有技术，就没有数字人文。但这里的技术方法有其特殊性——它不是泛泛的“计算机技术”，而是专门针对人文研究需求发展起来的一系列方法。

文本处理技术是数字人文最常用的技术门类之一。这包括文本的数字化（将纸质文献转化为计算机可读的文本）、文本的标注（为文本添加结构化的语言学或语义信息）、文本的检索（在大量文本中快速定位相关内容）等。在Busa神父的时代，文本处理需要使用打孔卡片和专门的编码方案；今天，我们有了更先进的自然语言处理工具和语料库技术，但基本的问题意识——如何让计算机有效地处理人文文本——是一以贯之的。

数据可视化是另一项核心技术。数字人文研究者经常需要将复杂的分析结果以直观的图形方式呈现出来。一张精心设计的可视化图表，可能比千言万语更能揭示数据中的规律和联系。从简单的词频统计图到复杂的社交网络图，从时间线可视化到地理信息系统（GIS）地图，数据可视化已经成为数字人文研究不可或缺的表达工具。

此外，数字人文还涉及数据库设计与开发、元数据标准与编码、地理信息系统、图像分析与处理、多媒体与交互技术等多种技术方法。这些技术的共同特点是：它们都是为处理人文研究材料而量身定制的，体现了技术与人文需求的深度结合。

第三根支柱：计算思维

除了人文问题和技术方法，数字人文还要求研究者具备一种特殊的思维方式——计算思维。

什么是计算思维？简单来说，计算思维是一种将复杂问题分解为可处理的步骤、利用抽象和自动化来解决问题的思考方式。当我们面对一个需要处理海量数据的研究问题时，计算思维帮助我们设计出高效、可重复的处理流程；当我们需要从数据中发现模式时，计算思维引导我们去思考这些模式背后的算法逻辑。

计算思维与人文研究中的传统思维模式形成了有趣的互补。传统的人文研究强调深度阅读和个案分析，研究者通过长期浸淫于少数文本之中，培养出对文本细节的敏感和对整体语境的把握。这种“深度”思维是人文研究的核心能力。

但当我们需要处理的数据规模超出人力所能企及的范围时，另一种思维模式就变得必要了。我们需要能够从宏观视角审视大量文本，发现其中反复出现的模式和趋势；我们需要能够设计出可重复的方法论流程，让研究结论能够经受检验和验证；我们需要能够将直觉判断转化为可测试的假设，用数据来验证我们的理论猜测。

这并不是说计算思维比传统的人文思维更优越，或者可以替代后者。事实上，最优秀的数字人文研究往往是两种思维方式的深度融合：研究者既有人文领域的专业素养，能够提出有意义的研究问题，又具备计算思维的能力，能够设计和实施有效的计算方法。反过来，计算分析的结果也需要通过人文解读来赋予意义——毕竟，一组词频统计数据本身不会说话，它的含义需要研究者来阐释。

为了更清晰地展示三种要素如何融合在数字人文的实践中，让我们通过一个典型案例来说明：

> 哈佛大学的“交通流”项目（Traffic Flows）是一个很好的例子。这个项目由历史学家Erez Cohen和计算机科学家组成团队，研究19世纪波士顿和纽约的城市交通发展史。他们首先提出了一个明确的人文问题：工业革命时期的美国城市如何在技术上应对日益增长的人流和物流压力？这个问题涉及城市规划史、技术史和社会经济史的交叉地带。 > > 为了回答这个问题，研究团队需要处理大量的历史档案——包括城市规划文件、报纸报道、市政记录、地图和图像等。这些材料数量庞大，远非人工阅读所能穷尽。项目采用了GIS技术将这些材料进行空间化处理，同时开发了文本挖掘工具来分析报纸报道中的交通相关信息。他们还运用网络分析方法来追踪不同城市规划方案之间的知识传播路径。 > > 在整个研究过程中，团队始终保持着人文研究者的问题意识：技术方法是手段，服务于对城市发展历史的理解。当计算分析产生了某些意外发现时（比如某个被忽视的规划方案实际上对后世影响深远），研究者会回到原始档案中寻找解释，而不是简单地将数据结果当作结论。

这个案例展示了三个支柱如何协同工作：人文问题提供方向，技术方法提供手段，计算思维提供处理大规模数据的逻辑框架。缺少任何一个要素，数字人文研究都无法成立。

数字人文学者的典型工作流程：从提问到可视化呈现

了解了数字人文的三大支柱之后，我们来具体看看一个数字人文项目是如何运作的。虽然不同的项目在细节上千差万别，但一个典型的数字人文研究遵循着相对固定的工作流程。

第一步：提出人文问题

任何数字人文研究的起点都是一个值得追问的人文问题。这个问题应该来自人文学科内部——它可能是文学研究中的某个阐释难题，可能是历史学中的某个争议议题，也可能是文化研究中的某个理论关切。好的数字人文问题通常具备两个特点：第一，它需要处理超出人力所能直接应对的规模或复杂度；第二，当通过计算方法得到回答后，答案应该能够深化我们对该问题的理解，而不仅仅是提供一组统计数字。

第二步：设计研究方法

当研究问题明确之后，研究者需要设计具体的方法路径。这通常包括：确定需要使用哪些数据源，这些数据如何获取和处理，选择或开发什么样的计算工具来进行分析，以及如何组织和呈现研究结果。在这个阶段，数字人文学者往往需要与计算机科学家、图书馆员、数据库管理员等专业人士合作，因为很多技术实现超出了纯人文学者的能力范围。

第三步：数据采集与预处理

数据是数字人文研究的燃料。但与自然科学不同，人文研究的数据往往不是现成的，而是需要从各种文献、档案和资料中提取和整理。这一步骤通常耗时最长，也最容易出问题。“垃圾进，垃圾出”（Garbage In, Garbage Out）是数据处理领域的名言：如果输入的数据质量不高，无论后续的分析多么精妙，最终的结果也不会可靠。

人文数据的预处理尤其具有挑战性，因为文本的含义往往依赖于语境。例如，同样是“ bank ”这个词，在金融语境下意为“银行”，在河岸语境下意为“河岸”，计算机无法自动判断其确切含义。这就需要人文学者的专业知识来参与数据的清洗和标注工作。

第四步：计算分析

当数据准备就绪之后，就可以进行核心的计算分析了。这一步通常包括描述性统计（了解数据的基本特征）、模式识别（发现数据中的规律和趋势）、关联分析（探索不同变量之间的关系）以及假设检验（验证研究者的理论猜测）等。分析过程中，研究者可能需要反复调整参数和方法的组合，直到找到最能揭示数据价值的分析路径。

第五步：结果解释与人文反思

这是数字人文研究中最具挑战性的一步。计算分析产生的结果——比如一组词频统计、一张网络关系图、一条情感曲线——本身只是数据，它们需要被转化为有意义的学术论述。这要求研究者将计算结果放回人文语境中进行解读：这些发现对于理解某个文本传统、某个历史时期或某种文化现象意味着什么？它们如何与已有的学术研究对话？它们是否揭示了新的问题或挑战了现有的解释？

第六步：可视化与传播

最后，研究者需要将研究结果以适当的形式呈现出来。对于学术出版而言，这可能包括研究论文、可视化图表、数据集和工具等；对于更广泛公众的传播，则可能采用交互式网站、纪录片或公共讲座等形式。好的可视化不仅让研究结果更易于理解，还能帮助读者发现数据中可能遗漏的细节。

下面用流程图展示这个典型的工作流程：

```mermaid flowchart TD A[提出人文问题] --> B[设计研究方法] B --> C[数据采集与预处理] C --> D[计算分析] D --> E[结果解释与人文反思] E --> F[可视化与传播] F --> G[新问题的产生] G --> A ```

值得注意的是，这个流程图呈现的是一个循环而非单向的线性过程。学术研究本质上是迭代的：当我们在数据分析过程中发现新的模式或意外结果时，往往需要回到前面的步骤，重新调整问题意识或研究方法。这种迭代性正是数字人文研究方法论的重要特征。

数字人文与传统人文学科的方法论对比

为了更深入地理解数字人文的独特性，我们有必要将它与传统的人文学科进行一番对比。这种对比不是要判定孰优孰劣——事实上，最有价值的研究往往能够在两种传统之间建立桥梁——而是为了更清楚地认识各自的方法论特征和认识论假设。

研究规模与样本选择

传统人文学科通常采用“close reading”（细读）的方法，研究者通过对少数精心选择的文本进行深入分析来得出洞见。这种方法的优势在于能够捕捉到文本的细微之处——语言的节奏、意象的层次、结构的呼应——这些东西在泛泛浏览中很容易被遗漏。但它的局限也很明显：结论的适用范围受限于所选样本，研究者很难声称自己的发现在多大程度上可以被推广到更大的文本集合。

数字人文则倾向于“distant reading”（远读）的方法，即通过分析大量文本的整体特征来发现模式和趋势。例如，一位研究19世纪英国小说的学者可能不会逐字细读每一部小说，而是通过计算分析数千部小说的词汇使用、主题分布和叙事结构，来勾勒这个文学领域的宏观图景。远读的优势在于能够处理人力无法企及的大规模数据，发现小样本研究所无法触及的规律。但它的风险在于可能忽视文本的独特性和复杂性——当分析的对象变成统计数据时，具体的文学性可能会被稀释。

值得注意的是，近年来两种方法之间的界限正在变得模糊。许多数字人文学者开始探索“分层阅读”的策略：先用计算方法对大规模文本进行整体扫描，发现值得关注的模式和异常；然后回到传统细读方法，对这些关键文本进行深入分析。这种做法试图兼得两种方法的优势。

可重复性与透明度

传统人文学科对研究者个人的素养和判断力高度依赖。一位资深学者经过多年积累形成的解读视角和审美直觉，往往是研究价值的重要来源。但这种个人化的研究方式也给学术传承带来了挑战：当研究者逝世或退休后，其独特的方法论视角可能难以被完整地传递下去。更重要的是，由于研究过程的不透明，学术同行很难对研究结论进行独立验证。

数字人文则天然强调研究的可重复性和过程的透明性。当研究基于可编程的数据处理流程时，其他研究者原则上可以复现整个分析过程，验证数据的处理方式和结论的推导逻辑是否合理。开源文化和共享精神在数字人文社区中根深蒂固——研究者通常乐于分享自己的代码、数据和分析工具，这促进了学术交流的效率，也提高了研究结论的可信度。

工具与中介

传统人文学者的研究工具相对简单：文本、笔记本、图书馆目录卡片、偶尔的录音设备。研究过程主要发生在研究者的头脑中，工具只是辅助手段。但在数字人文研究中，计算工具成为了研究过程的核心组成部分。研究者不仅使用工具，还要理解工具的工作原理、评估工具的适用范围和局限，甚至开发和改进工具。

这种对工具的依赖带来了新的问题。计算工具不是中性的——每种分析算法都有其预设的假设和偏好的结论类型。例如，一个基于词频的文本分析工具会倾向于发现那些高频词汇的模式，而可能忽略低频但关键的概念。数字人文学者需要培养对工具的批判性意识，既要善用工具，也要警惕工具可能带来的误导。

协作与跨学科

传统人文学科虽然也强调学术交流，但研究的组织形式基本上是个人化的。学者通常独自完成从选题、阅读、思考到写