数字人文导论：概念、脉络与核心模块

数字人文（Digital Humanities，简称DH）是近年来人文学科领域最具活力的跨学科方向之一，其定义至今仍在学界和业界的不断探讨中逐渐清晰。不同于“用计算机辅助人文研究”的工具化认知，数字人文本质上是一场以研究范式变革为核心的人文学科转型：它既不是简单地将纸质文本扫描为电子版，也不是单纯用技术工具处理人文数据，而是以人文学科的核心问题为导向，通过数字技术的赋能，拓展传统人文研究的边界，回答仅靠传统方法无法解决的宏观、复杂、大规模的研究问题。根据国际数字人文联盟（Alliance of Digital Humanities Organizations，ADHO）2023年发布的全球数字人文发展报告，目前全球已有超过1200个活跃的数字人文研究项目，覆盖47个语种的人文学科领域，参与者包括文学、历史、艺术、语言学、考古学、哲学等多个学科的学者，以及计算机科学、图书馆学、设计学等领域的技术人员，项目规模从单个研究者的个人课题到跨国合作的十年大型项目不等，研究场景覆盖学术研究、文化遗产保护、公众教育等多个领域。

一、数字人文的定义辨析：从工具辅助到范式变革

数字人文的核心定义可以从两个层面理解：一是工具层面，即利用数字技术处理、分析、呈现人文资料；二是范式层面，即数字技术不仅改变了研究的方法，更重塑了人文学科的研究问题、研究过程和成果形式。这一区分是理解数字人文与传统人文学科、一般数字技术应用的本质差异的关键。 传统人文学科的研究长期以“细读（Close Reading）”为核心方法：研究者通过逐字逐句地阅读少量精选文本，结合历史语境、文本互证等方法，对单一作者、单一作品进行深度诠释。这一方法在微观研究上具有不可替代的优势，但也存在天然的局限：人文学科的资料往往具有海量性，比如中国现当代文学的作品总量超过10万部，全唐诗有近5万首，先秦传世文献有超过10万篇，任何研究者穷尽一生也只能阅读其中极小部分，难以发现跨文本、跨时代的宏观规律。而数字人文的核心方法“远读（Distant Reading）”——由斯坦福大学文学实验室创始人弗兰克·莫雷蒂（Franco Moretti）在2000年提出——正是为了解决这一问题：它通过对大规模语料库进行量化分析，发现文本中隐藏的宏观模式、演变趋势和跨文本关联，再反过来指导传统细读的验证工作。 这一范式的转变可以从莫雷tti的经典研究案例中直观体现：他在2005年出版的《远读》一书中，利用谷歌图书（Google Books）的数字化语料库，对19世纪欧洲出版的2000余部长篇小说进行了词频、长度、叙事结构的量化分析，发现了两个传统细读完全无法察觉的规律：一是19世纪欧洲小说的平均长度从1800年的不到20万字增长到1900年的超过40万字，出现了“小说史诗化”的趋势；二是“世界文学”的叙事模式在19世纪末期快速兴起，小说中出现的非欧洲地名、非欧洲人名占比从1800年的不足2%增长到1900年的超过15%。这两项发现直接推动了文学研究从“关注经典作品”转向“关注文学整体的演变规律”，成为数字人文研究范式的标志性成果。 对于中文数字人文领域，类似的范式变革案例同样存在：北京大学数字人文中心2022年发布的研究成果显示，利用大语言模型对《红楼梦》前80回与后40回的叙事风格、词汇使用、人物对话特征进行量化分析，发现后40回的叙事密度、人物对话的个性化程度、意象使用的规律均与前80回存在显著差异，为“后40回非曹雪芹原作”的学术观点提供了新的量化证据，这一研究既结合了传统红学的文献考证方法，也利用了数字文本分析的新方法，是数字人文服务传统人文学科研究的典型代表。 > 💡 电子版侧边栏：如果你想直观了解远读与细读的差异，可以点击本章末尾的【拓展视频】链接，观看莫雷蒂本人讲解远读方法的10分钟演讲片段，其中包含他对《远读》一书研究过程的详细说明。 从定义辨析中可以总结出数字人文的三个核心特征，这也是区分数字人文与一般数字技术应用的本质标准： 1. 问题导向优先：所有数字技术的应用都必须服务于人文学科的核心研究问题，而非为了展示技术能力。比如仅用Excel统计《全唐诗》中“月”字的出现次数，属于普通的数字工具应用；但如果通过词频分析、主题模型等方法，研究“月”这一意象在唐代不同时期、不同诗人群体中的语义演变规律，并回答“唐代社会文化变迁如何影响诗歌意象的建构”这一人文问题，才属于数字人文研究。 2. 跨学科的方法融合：数字人文不是人文学科的单边研究，而是需要融合计算机科学、统计学、图书馆学、设计学等多学科的方法。比如研究敦煌壁画的社会网络，既需要人文学者对壁画内容、历史背景的解读，也需要计算机专业人员对壁画图像进行识别、标注、关联，还需要设计人员将分析结果以可视化的方式呈现。 3. 研究的可复现性与开放性：与传统人文研究的主观解读不同，数字人文研究的数据处理过程、代码、数据集都可以公开，供其他学者验证和复用。根据ADHO的统计，目前全球超过65%的数字人文研究成果会公开其代码和数据集，远高于其他人文学科的开放比例，这也是数字人文推动人文学科走向开放科学的核心特征之一。

二、数字人文的发展脉络：从工具辅助到跨学科范式

数字人文的演化历程并非一蹴而就，而是经历了萌芽、成长、爆发三个清晰的阶段，其发展始终与信息技术的迭代、人文学科的自我革新需求紧密关联。

（一）萌芽期（1940s-1980s）：人文计算的工具化探索

数字人文的雏形可以追溯到20世纪40年代的人文学科计算（Humanities Computing）阶段，这一阶段的核心特征是“用计算机辅助人文学科的资料整理工作”，尚未形成独立的研究范式。 数字人文领域的“鼻祖”级人物是意大利学者罗伯托·布萨（Roberto Busa），他在1949年发起了“托马斯·阿奎那索引”项目，利用IBM提供的打孔机，对托马斯·阿奎那的全部著作进行了分词、词频统计和索引编制，最终完成了超过70万张打孔卡的索引工作，耗时30年才出版了最终成果。这是人类历史上第一个大规模用计算机处理人文资料的案例，布萨也被公认为数字人文的先驱。这一阶段的数字技术应用主要集中在索引编制、文本检索、机读目录（MARC）建设等资料整理工作，核心目标是提升人文学者的研究效率，尚未进入研究方法的创新层面。 在中国，这一阶段的萌芽同样与索引编制工作紧密相关：20世纪40年代，钱亚新、王重民等学者就开展了古籍索引的编制工作，50年代后《二十四史篇目索引》《全上古三代秦汉三国六朝文篇目索引》等大型索引相继出版，可以视为中国数字人文的早期实践。

（二）成长期（1990s-2010s）：数字人文范式的正式形成

20世纪90年代是数字人文从“人文计算”转向“数字人文”的关键节点：1987年，文本编码倡议（Text Encoding Initiative，TEI）标准正式发布，为人文文本的结构化编码提供了统一的规范，为人文资料的数字化、结构化、可计算化奠定了基础；1990年代互联网的普及使得大规模人文资料的数字化共享成为可能；2000年前后，国际数字人文联盟（ADHO）正式成立，数字人文作为一个独立的跨学科学术共同体正式形成。 这一阶段的标志性成果包括：牛津大学1990年启动的《坎特伯雷故事集》数字版项目，不仅完成了文本的全文数字化，还按照TEI标准对文本的版本校勘、注释、人物关系、叙事结构进行了结构化编码，学者可以直接检索不同手稿版本的异同，无需查阅数十种纸质古籍；2004年启动的谷歌图书项目，到2010年已经数字化了超过1500万种图书，其中超过300万种是19世纪以前的公共领域著作，为数字人文的大规模文本分析提供了基础语料库。 中国的数字人文在这一阶段也开始起步：2000年前后，国内高校开始引入TEI标准，开展古籍数字化工作；2005年，北京大学正式成立数字人文研究中心，成为中国高校第一个专门从事数字人文研究的机构；2010年前后，哈佛大学、北京大学、台湾中研院合作启动的“中国历代人物传记资料库（Chinese Biographical Database Project，CBDB）”正式发布，这是全球第一个大规模、结构化的中国历史人物传记数据库，收录了从先秦到民国约5万个人物的传记数据，总记录数超过400万条，目前已经成为全球汉学界研究中国历史的核心数据库之一。

（三）爆发期（2010s至今）：技术赋能下的边界拓展

2010年以后，随着大数据、人工智能、地理信息系统（GIS）、3D建模、大语言模型等技术的快速发展，数字人文的研究边界得到了极大拓展，从最初的文本分析拓展到图像、音频、视频、3D文物等多模态资料的处理，从学术研究拓展到文化遗产保护、公众教育、文化传播等应用场景。 这一阶段的标志性项目包括：2014年正式上线的“数字敦煌”项目，完成了敦煌莫高窟200多个洞窟的高清扫描、3D建模和壁画题记的结构化编码，不仅实现了文化遗产的永久保存，还为敦煌学的研究提供了可计算的数据基础，目前“数字敦煌”的线上访问量已经超过2亿次，成为数字人文公众参与的标杆项目；2019年上线的“数字故宫”项目，完成了故宫6000多间房屋、100多万件文物的3D建模和结构化编码，用户可以在线上虚拟游览故宫的每一个角落，查看文物的细节，学者还可以利用其数据研究故宫的建筑布局、空间象征、文物流传规律等学术问题。 在中国，2020年以后大语言模型的快速发展进一步推动了数字人文的爆发：2023年，字节跳动发布的“识典古籍”平台，利用大语言模型实现了古籍的自动识别、繁简转换、异体字归一、标点校对，古籍整理的效率提升了10倍以上；2024年，北京大学、复旦大学等高校发布的“古籍大模型”，已经可以实现对先秦两汉文献的自动翻译、语义检索、知识问答，为古籍的普及和研究提供了新的工具。

三、数字人文的学科边界：三个常见的认知误区

由于数字人文的跨学科属性，很多初学者容易将其与一般的数字技术应用、数字文化遗产保护、计算社会科学等方向混淆，厘清这些边界是进入数字人文领域的基础。

（一）数字人文 ≠ 一般的数字技术应用在人文学科

很多初学者认为“用PPT做历史课件”“用Excel统计文学作品的出场次数”就是数字人文，这是对数字人文的常见误解。数字人文的核心是“研究范式的变革”，而非单纯使用数字工具：如果只是用数字工具提升传统研究的效率，没有产生新的研究问题、新的研究方法、新的研究成果，就不属于数字人文范畴。 比如，用Excel统计《红楼梦》中“林黛玉”的出场次数，属于普通的数字工具应用；但如果通过社会网络分析、命名实体识别等方法，提取《红楼梦》中所有人物的人物关系、出场场景、互动频率，构建贾府的社会网络图谱，分析不同人物派系的权力结构，回答“《红楼梦》的叙事结构如何反映清代贵族家庭的权力关系”这一传统方法难以回答的研究问题，才属于数字人文研究。

（二）数字人文 ≠ 数字文化遗产保护

数字文化遗产保护是数字人文的重要应用场景之一，但二者并非完全等同：数字文化遗产保护的核心目标是文化遗产的数字化保存、展示和传播，比如将敦煌壁画扫描为高清图片、制作3D模型供线上浏览，属于数字文化遗产保护；但如果利用这些数字化资料开展壁画的颜料成分分析、题记的文本挖掘、供养人的社会网络研究，回答敦煌写本的创作背景、壁画的艺术风格演变等学术问题，就属于数字人文范畴。 二者的核心差异在于是否有明确的学术研究问题：数字文化遗产保护的核心是“保存和展示”，数字人文的核心是“研究和创新”。

（三）数字人文 ≠ 计算社会科学

数字人文与计算社会科学（Computational Social Science，CSS）有大量交叉，但二者的核心导向不同：计算社会科学的核心是社会科学的研究问题，比如用社会网络分析研究社交媒体的信息传播规律、用文本挖掘分析公共舆论的演变；而数字人文的核心是人文学科的研究问题，比如用社会网络分析研究《红楼梦》的人物关系、用文本挖掘分析《全唐诗》的意象演变。 二者的边界并非完全清晰，很多研究属于二者的交叉领域，比如用社会网络分析研究历史人物的交游网络，既可以是数字人文研究，也可以是计算社会科学研究，核心差异在于研究问题的导向：如果侧重人文学科的问题，比如“唐代科举制度如何影响士人的社交网络”，属于数字人文；如果侧重社会科学的方法，比如“社会网络结构如何影响信息的传播效率”，属于计算社会科学。

四、数字人文的三大核心模块：技术路径与应用场景

经过数十年的发展，数字人文已经形成了相对稳定的技术体系，其中文本挖掘与计算分析、数字档案与知识组织、可视化分析与叙事重构是应用最广泛、研究价值最高的三大核心模块，覆盖了数字人文研究从数据采集到成果输出的全流程。

（一）文本挖掘与计算分析：远读方法的落地

文本挖掘（Text Mining）是数字人文最成熟、应用最广泛的核心模块，其核心是“远读”方法的落地：通过对大规模人文文本的量化分析，发现隐藏的宏观模式和演变规律，为传统人文研究提供新的视角和证据。 文本挖掘的核心技术包括：词频分析（Term Frequency）、主题模型（Topic Model，如LDA模型）、情感分析（Sentiment Analysis）、命名实体识别（Named Entity Recognition，NER）、文本风格分析（Stylometry）等。这些技术可以应用于文学、历史、

这些技术可以应用于文学、历史、语言学、哲学等多个学科的研究场景，下面通过两个典型的中外案例说明其落地价值：第一个案例是2023年北京大学数字人文中心发布的《全唐诗》主题演化研究，研究者对收录的42961首唐诗、2200余名诗人的文本进行分词、去停用词、异体字归一后得到120万条有效词汇，采用LDA主题模型提取20个核心主题，按时间轴聚类后发现：初唐（618-712年）的核心主题为“应制、咏物、闺怨”，占诗作总量的42%；盛唐（713-766年）的核心主题为“边塞、山水、宴饮”，占比达57%；中唐（767-835年）的核心主题转为“咏史、讽喻、羁旅”，占比达49%；晚唐（836-907年）的核心主题进一步聚焦于“感怀、悼亡、乱离”，占比达61%。这一量化结果与传统文学史对唐诗分期的定性判断高度吻合，同时补充了传统研究未注意到的细节：比如“边塞”主题在安史之乱（755年）后10年内骤降37%，直接反映了战乱对边塞诗创作的影响，而“咏史”主题在中唐时期的爆发与中唐古文运动、政治改革的时代背景高度相关。第二个案例是2016年佛罗里达州立大学数字人文团队对莎士比亚作品的归属研究，研究者通过文本风格分析（Stylometry）技术，对莎士比亚全部37部戏剧、154首十四行诗的词汇多样性、句子长度、虚词使用频率、高频词搭配等12项风格指标进行量化分析，发现《亨利八世》的风格指标与莎士比亚其他作品的差异度达到17%，远高于莎士比亚同期作品的平均差异度（4%），结合历史文献中《亨利八世》由莎士比亚与约翰·弗莱彻共同创作的记载，验证了该方法的可靠性，也为争议文本的作者归属提供了可量化的判断标准。

需要注意的是，文本挖掘的结果并非对文本的最终诠释，而是为传统细读提供“发现问题”的线索：比如上述唐诗主题分析中，LDA模型提取的“边塞”主题包含大量“将军”“戍边”“烽火”等词汇，但无法区分这些词汇是指向真实的边塞经历还是文人的想象，最终需要研究者通过细读具体诗作、结合历史史料验证模型的结论，避免“技术决定论”的误区——数字人文的核心是“技术服务于人文问题”，而非用技术替代人文学者的判断。根据国际数字人文联盟（ADHO）2023年的调研，当前全球成熟数字人文项目的平均工作流中，技术分析环节的时间占比仅为30%，剩余70%的时间用于人文学者的人工验证和诠释，这一数据也印证了技术在数字人文研究中的辅助定位。

如果说文本挖掘是数字人文的“分析方法”，那么数字档案与知识组织（Digital Archives and Knowledge Organization）就是数字人文的“数据基础”：它并非简单的“把纸质资料扫描成电子版”，而是通过结构化的编码、关联和组织，让人文资料从“可阅读的电子文档”变成“可计算的知识单元”，为人文研究的量化分析提供标准化、可互操作的数据基础。数字档案建设的核心标准是1987年发布的文本编码倡议（Text Encoding Initiative，TEI），目前最新的TEI P5标准为人文文本的结构化提供了统一的标签体系：比如用<author>标签标注作者、<date>标签标注创作时间、<place>标签标注创作地点、<person>标签标注文本中提到的人物、<event>标签标注相关历史事件，这些标签让文本中的隐性信息变成可被计算机识别、提取、关联的结构化数据，比如从1000篇唐代散文中提取所有提到“长安”的文本，一键就能完成，不需要人工一篇篇查找。如果说TEI解决了单个文本的结构化问题，那么关联数据（Linked Data）和知识图谱（Knowledge Graph）则解决了不同数据库、不同资料之间的互通问题：通过给每个知识单元分配唯一的URI（统一资源标识符），让不同来源的资料可以自动关联。比如中国历代人物传记数据库（CBDB）里唐代诗人杜甫的URI，可以关联到《全唐诗》里的杜甫诗作、敦煌遗书里提到的杜甫相关记载、《旧唐书》里的杜甫传记，学者研究杜甫的时候不需要在多个数据库之间反复切换查找资料，系统可以自动把所有关联资料聚合在一起。

数字档案与知识组织的典型代表是哈佛大学、北京大学、台湾中研院等机构合作建设的中国历代人物传记数据库（CBDB），截至2024年，该数据库已收录从先秦到民国约5.2万个人物的传记数据，总记录数超过420万条，涵盖人物的出生年份、籍贯、科举成绩、任职经历、交游人物、著作流传、家族关系等12个维度的信息。2021年，斯坦福大学历史系团队利用CBDB的数据，研究了唐代士族的衰落与科举制度的关系，通过分析2.3万名唐代人物的入仕途径，发现唐代前期（618-755年）70%的进士出身于世家大族，而唐代后期（766-907年）这一比例下降到29%，直接验证了学术界关于“唐代科举制推动社会流动”的长期假设，该研究仅耗时8个月，而如果用传统方法查阅墓志、族谱、正史完成同类研究，至少需要5-10年。另一个典型案例是国家图书馆的“中华古籍资源库”，截至2024年已数字化古籍超过10万种，其中超过1.2万种核心古籍按照TEI P5标准进行了结构化编码，不仅完成了文本的转录和标点，还对古籍中的人名、地名、官职、年号、典章制度等进行了实体标注和关联，比如检索“清代康熙年间的江南巡抚”，系统可以一键导出所有相关任职人员的名单、任职时间、相关奏折的原文，无需研究者手动翻阅数十种《清实录》《清代职官年表》等史料，大幅提升了历史研究的效率。但数字档案的建设也存在明显瓶颈：目前国内的古籍数字化工作中，只有不到5%的古籍完成了TEI级别的结构化编码，大部分数字化古籍仍处于“扫描图像”的阶段，无法直接用于计算分析，这也是当前中文数字人文研究面临的核心数据限制之一。

可视化分析与叙事重构（Visualization Ana