当莎士比亚遇见算法：数字人文的诞生故事

1890年冬夜，伦敦大英博物馆的阅览室里，煤气灯在厚重的橡木桌上方投下暖黄色的光晕。空气里弥漫着旧纸张、皮革装订和灰尘混合的独特气息。埃德加·沃恩（Edgar Vaughan）——一个名字后来几乎被历史遗忘的年轻研究员——正俯身于一摞比他年龄还大的《哈姆雷特》四开本手稿之上。他的指尖轻轻划过1597年“坏四开本”那粗糙的纸面，墨迹因年代久远而有些晕染。隔壁桌一位老学者咳嗽了几声，打破了图书馆固有的沉寂。沃恩的脑子里却在进行一场风暴：他刚刚花了三个月时间，手工比对三个主要版本的《哈姆雷特》，记录下每一行独白中“to be”与“not to be”的细微位置差异。这是一项枯燥、浩大、且似乎永远看不到尽头的工作。就在那个寒冷的夜晚，一个念头如闪电般劈开他疲惫的思维：“如果，我能以某种方式，数清每一个词，测量每一幕的对话密度，绘制角色提及的地理图谱……我是否就能看到莎士比亚思维的结构？那些手稿的差异，是记忆的偏差，还是故意的修订？”他抬起头，望向博物馆高耸的拱形玻璃屋顶，外面维多利亚时代的伦敦正被雾气笼罩。他不知道的是，这个在烛光下萌生的、近乎天真的想法，像一颗被投入时间长河的种子，将在整整一个世纪后，与另一种来自硅谷的思维相遇、发芽，并最终长成一片全新的学术森林。

与此同时，一百三十年后的某个周二清晨，斯坦福大学的一个现代实验室里，数据科学家莉娜·陈（Lena Chen）正盯着她面前巨大的曲面屏。屏幕上，不是手稿，而是《哈姆雷特》全文被转化为数百万个数据点：词频随时间变化的动态折线图、角色对话网络图、以及基于情感词典计算的“悲剧情绪指数”曲线。她的团队刚刚完成了一个实验：用自然语言处理算法，对比《哈姆雷特》与同时代其他悲剧剧作的语言模式。结果清晰地显示，莎士比亚在处理“疯狂”主题时，其词汇选择的统计显著性与他的同行们存在系统性差异。“看这里，”她转身对团队说，手指向屏幕上一个突兀的峰值，“在第三幕第一场‘生存还是毁灭’独白之前，全剧的‘不确定性词汇’（可能是、也许、似乎）使用率骤降。这不仅仅是文学敏感度，这是一个信号。算法帮我们定位了这个信号，但解释它的，依然是我们。”她保存了分析结果，云端自动备份。这个动作，与沃恩当年在牛皮纸笔记本上颤抖着写下第一个词频统计表的瞬间，在人类认知的星图上，发生了遥远而深刻的共鸣。

这两个从未知晓彼此存在的思考者，通过《哈姆雷特》这部跨越四个世纪的文本，完成了一次学术史上的“量子纠缠”。他们的故事，正是数字人文（Digital Humanities, DH） 诞生与演化的核心隐喻——它并非技术对人文的粗暴入侵，而是一场深沉的、跨越时空的对话。技术，特别是计算技术，为古老的人文提问方式，提供了一套全新的、严谨的、甚至可验证的“语法”。本章将带领读者穿越这段旅程，从沃恩那偶然的灵感，到陈博士实验室里系统性的研究，揭示数字人文如何从个体学者的灵光一现，演变为一场全球性的学术运动。我们将明确其核心精神：不是用机器取代人，而是扩展（amplify） 人的洞察力；不是追求客观的“真理”，而是构建可重复、可辩论、可可视化的人文论证新范式。而《哈姆雷特》，这部被研究得最透彻的英文剧本，将作为我们探索的罗盘，展示计算思维如何第一次被系统性地用于解决一个经典人文问题：我们如何真正读懂一部伟大的文学作品？

---

一、 定义黎明：数字人文究竟是什么？

在深入历史之前，我们必须锚定一个清晰的起点：数字人文，究竟是什么？ 对于初学者，最常见的误解是将其等同于“用电脑写论文”或“给古籍拍照上网”。这些是数字人文的产物，而非其本质。本质是一种方法论的和认识论的转向。

我们可以从一个简单的对比开始：

• **传统人文学研究范式**：通常以个体学者（或小规模合作）为核心，基于对原始文献（手稿、书籍、档案）的**精读、诠释与批判**。其论证依赖于学者的学识、洞察力与修辞说服力。成果形式主要是 monograph（专著）和 journal article（期刊论文）。知识生产相对**线性、封闭、且难以直接验证**（不同学者对同一文本可能有截然不同但都“合理”的解读）。
• **数字人文研究范式**：将**计算思维**（Computational Thinking）——即分解问题、模式识别、抽象化、算法设计——系统性地引入人文研究。它强调研究过程的**可重复性、协作性、以及结果的交互性与可视化**。数据（文本、图像、地图、时间序列）成为核心原材料，而代码、算法和数据库则是新的“学术工具”。成果形式多样：交互式网站、数据可视化、GIS地图、主题模型、甚至生成式艺术作品。

但这并非一场“非此即彼”的革命。数字人文的核心理念，用DH领域一位奠基人约翰·沃辛（John Unsworth）的话概括，是 “不是关于建造，而是关于提问”（Not about building, but about asking questions） 。技术是手段，而非目的。真正的创新在于，它允许我们提出传统方法无法有效回答的新问题，或以新方式验证旧问题。

例如，一个传统文学问题：“莎士比亚的悲剧中，女性角色的语言模式有何特征？” 传统方法可能依赖研究者对几位主要女性角色（如麦克白夫人、奥菲莉亚）的深刻解读，得出结论。而数字人文方法则可以：1）收集莎士比亚全部戏剧的数字化文本；2）使用自然语言处理工具，自动提取所有女性角色的台词；3）进行词频统计、情感分析、与男性角色台词进行统计显著性检验；4）将结果可视化为对比图表。这个过程的产出，不是最终结论，而是一个可被其他学者重复检验、质疑、并在此基础上进一步分析的基础。它可能验证传统解读，也可能发现被忽视的细节（例如，某些女性角色的“理性词汇”使用率意外高于男性），从而重塑问题本身。

因此，一个更精确的定义是：数字人文是学术研究的一个跨学科领域，它自觉且批判性地运用数字技术和方法，以创造、分析、阐释和传播人文知识，同时反思这些技术本身对文化、社会和学术实践的影响。 这个定义强调了三个关键支柱： 1. 批判性（Critical）：对技术保持审视，不盲目崇拜“算法客观性”，关注数据偏见、算法伦理。 2. 创造性（Creative）：不仅是分析，也包括用数字形式进行人文表达（如电子文学、数字艺术）。 3. 协作性（Collaborative）：打破学科壁垒，需要人文学者、计算机科学家、设计师、图书馆员等共同工作。

---

二、 前奏曲：19世纪的幽灵与20世纪的曙光

数字人文的诞生故事，并非始于互联网或个人电脑。它的基因，深埋在19世纪人文科学自身的演变之中。要理解沃恩那个夜晚的灵感为何是“历史的必然”，我们需要回溯到“科学”尚未与“人文”分家的时代。

2.1 文本批判学：数字人文的“史前祖先”

19世纪是语文学（Philology）和文本批判（Textual Criticism）的黄金时代。学者们致力于通过比对不同手稿和印刷版本，重建“最接近作者原意”的权威文本。这项工作本质上就是一种早期、手工的“数据收集与模式匹配”。

以《哈姆雷特》为例，现存主要版本包括：1603年的“第一四开本”（Q1，内容粗糙，可能为盗版或记忆速记）、1604/5年的“第二四开本”（Q2，更完整，常被视为主要来源）、以及1623年“第一对开本”（F1）。19世纪的学者如弗雷德里克·沃克（Frederick Walker） 和约翰·杜兰特（John Dowden） ，花费数年时间，逐行比对这三个版本之间的数千处差异（单词拼写、行序、独白有无）。他们的成果是精密的“异文对照表”（Apparatus），这是现代《哈姆雷特》学术版的基石。

这个过程与数字人文的关联何在？

• **数据化**：他们将文本转化为可比较的“数据单元”（行、词、变体）。
• **模式识别**：试图从差异中识别模式：哪些是印刷错误？哪些是演员的即兴删改？哪些是莎士比亚的二次修订？
• **假设驱动**：基于证据，提出关于文本流传历史的假设（如“Q1可能基于演员记忆的盗版”）。

关键局限：这一切依赖人眼、人脑和纸质卡片。规模一大，即不可持续。一个学者终其一生可能只能彻底研究一部作品。沃恩的灵感，正是源于对这种手工模式识别规模极限的切肤之痛。他想：“如果我能把这个‘比对-计数-找模式’的过程，交给一台机器呢？”

2.2 语言学与统计学的萌芽

与此同时，另一条线索在悄然发展。1871年，德国语言学家雅各布·格林（Jacob Grimm） 去世，他提出的“格林定律”展示了语言变化的系统性。这暗示语言可能像物理定律一样，服从可测量的规律。1885年，弗拉基米尔·普罗普（Vladimir Propp） 的前辈们开始尝试对民间故事进行形态学分类。

更直接的是，19世纪末，统计学开始被应用于社会与人文现象。1882年，弗雷德里克·马歇尔（Frederick Marshall） 尝试用统计方法分析乔叟的词汇。这些尝试零星、粗糙，且常被传统学者讥为“把活生生的文学变成了冰冷的数字”。但它们播下了种子：人文现象，或许可以被量化、被测量、被寻找规律。

2.3 机器时代的先声：巴贝奇与霍勒瑞斯

技术的另一股潜流来自计算器械本身。1830年代，查尔斯·巴贝奇（Charles Babbage） 设计了“分析机”，这是第一台通用图灵机概念的设计。虽然从未完整建成，但它证明了“可编程机器处理符号”的可能性。1890年，赫尔曼·霍勒瑞斯（Herman Hollerith） 为美国人口普查发明的打孔卡片制表机，首次展示了机器处理大规模数据的实际效能。这台机器在1890年人口普查中，将数据处理时间从8年缩短到6年。

思想交汇点：对于像沃恩这样的19世纪末学者来说，霍勒瑞斯的机器是一个真实存在的象征。它证明了“机器可以高效处理卡片上的数据”。那么，如果能把《哈姆雷特》的每一个词，也变成一张“卡片”呢？这个想法并非科幻，而是当时技术乐观主义氛围下的自然延伸。只不过，当时的“卡片”是物理的，而沃恩想象中的“机器”是抽象的、尚未存在的逻辑机器。

---

三、 第一次握手：计算机时代的偶然尝试（1940s-1970s）

真正的“相遇”要等到电子计算机诞生之后。二战期间和战后，第一代电子计算机（如ENIAC、UNIVAC）被用于弹道计算和密码破译。当这些耗资巨大、占满整个房间的机器开始向民用领域寻找新任务时，一些敏锐的人文学者看到了机会。

3.1 罗萨莉·科利与乔叟：一个标志性事件

1964年，在IBM工作的罗萨莉·哈格（Rosalie Hagerty）（后来因婚姻改名罗萨莉·科利 Rosalie Colie）向IBM 7090计算机输入了杰弗里·乔叟（Geoffrey Chaucer） 的全部作品。她的目标是用计算机进行“词汇频率分析”，以帮助确定某些争议作品的归属。这是计算机首次被系统性地用于解决一个核心的文学研究问题——作者鉴定（Authorship Attribution）。

科利的项目具有里程碑意义：

• **问题驱动**：她提出的问题是传统文学研究的老问题（“这是乔叟写的吗？”），但解决方案是革命性的。
• **方法论创新**：她设计了一套方案，将文本转化为机器可读的“词汇流”，统计特定功能词（如“the”、“and”、“of”）的频率。这些“高频小词”往往不受作者意识控制，能形成类似“指纹”的统计特征。
• **初步验证**：她的分析为一些争议作品提供了支持乔叟为作者的统计证据。

然而，这个项目在当时并未引发“运动”。原因有三： 1. 技术门槛极高：使用计算机需要懂机器语言、穿孔卡片、排队等待机时。人文学者几乎无法独立操作。 2. 工具与目的脱节：计算机是昂贵的“国家项目”工具，用于处理科学或军事数据。用它来分析一首诗，在当时看来像是“杀鸡用牛刀”，甚至是一种资源浪费。 3. 学术文化隔阂：计算机科学家不理解人文学者的模糊问题，人文学者则恐惧“量化”会扼杀文学的灵性。两个社区几乎不通语言。

因此，1940-1970年代的尝试，是孤独的先驱者在黑暗中的摸索。它们证明了可能性，但尚未形成可持续的范式。它们是“数字人文”的技术预演，但缺乏社会性组织和理论自觉。

---

四、 范式转换：从工具到运动（1980s-1990s）

转折点发生在1980年代末至1990年代。三股力量的汇合，将零星的尝试催化为一场全球性的学术运动。

4.1 力量一：个人计算机与“桌面出版”革命

1980年代，IBM PC和Apple Macintosh的普及，使得计算机从“机构巨型机”变成了“个人工具”。文字处理软件（如WordPerfect, Microsoft Word）和桌面出版软件（如Aldus PageMaker）的兴起，让学者可以自己编辑、排版、管理文本。更重要的是，存储成本急剧下降，磁带和软盘可以轻易存储整部图书馆的文本。对于人文学者来说，处理自己研究文本的“数字化”，第一次变得经济上可行、操作上可控。

4.2 力量二：超文本与电子文献的想象

文学理论家杰伊·大卫·博尔特（Jay David Bolter） 和乔治·兰斯（George Landow） 等人，在1980年代末提出了“超文本”（Hypertext）的概念。他们指出，传统书籍是线性、树状的，而数字文本可以是网状的、非线性的。这为人文学者提供了一个全新的文本本体论想象：文本不再是固定的“物体”，而是可跳跃、可重组、可添加注解的“过程”。1992年，斯图尔特·莫尔（Stuart Moulthrop） 创作了著名的超文本小说《胜利花园》，展示了数字形式的叙事可能性。这激发了人文学者对数字原生作品和电子文献学（Electronic Bibliography）的兴趣。

4.3 力量三：学术共同体与关键术语的诞生

1980年代末，一群在各自领域尝试用计算机做人文研究的学者开始寻找彼此。1989年，在意大利比萨举行的“文学与语言学计算协会”（Association for Literary and Linguistic Computing, ALLC）会议上，约翰·沃辛（John Unsworth）、苏珊·布朗（Susan Brown） 等人组织了非正式讨论。据沃辛回忆，当时大家苦于没有一个统一的名称来称呼这个新兴领域。“人文计算”（Humanities Computing）太狭窄，局限于计算；“计算机辅助研究”又太工具化。

“数字人文”（Digital Humanities） 这个术语，正是在这种寻找身份认同的氛围中应运而生。它比“人文计算”更强调数字媒介本身的文化与认识论特性，而不仅仅是计算工具。1996年，约翰·沃辛 在弗吉尼亚大学组织了首届“数字人文”主题会议。2001年， Alliance of Digital Humanities Organizations (ADHO) 成立，标志着这个领域从边缘兴趣正式成为拥有自己学会、期刊（如*Digital Scholarship in the Humanities*）、和年度会议的成熟学术共同体。

关键转变：此时，焦点从“用计算机做什么”（What can we do with computers?）转变为“数字媒介如何改变我们提问和论证的方式”（How does the digital medium transform our questions and arguments?）。这标志着从工具应用到范式探索的质变。

---

五、 《哈姆雷特》的算法之旅：一个深度案例

让我们回到《哈姆雷特》，追踪它如何从一个被手工比对的文本，变成一个可被算法深度剖析的“数据场”。这个案例浓缩了数字人文研究的标准流程与核心价值。

5.1 阶段一：数字化与结构化

一切始于将物理文本转化为机器可读的格式。对于《哈姆雷特》，这早已完成。 Folger Shakespeare Library（弗吉尼亚大学）等机构提供了经过学者精心校勘、编码的XML/TEI（Text Encoding Initiative）版本。TEI是一种标记语言，它不仅记录文字，还标记了舞台指示、角色说话、段落、甚至排版特征。例如： ```xml <sp who="HAMLET"> <speaker>HAMLET</speaker> <line>To be, or not to be, that is the question:</line> </sp> ``` 这不再是简单的字符串，而是结构化数据。机器可以识别“这是哈姆雷特的台词”、“这是独白的开始”。这一步，将文学的“模糊性”部分转化为“明确的逻辑关系”，是后续所有计算的基础。（纸书注：此处为简化示例，实际TEI标记远为复杂；电子版可链接至Folger在线文本；Markdown中，此代码块为机器可读的结构化数据示例）

5.2 阶段二：计算式提问与基本分析

有了结构化数据，我们可以提出传统方法难以高效回答的问题：

问题1：全剧的“情绪曲线”是怎样的？

• **方法**：使用情感词典（如NRC Emotion Lexicon），为每个词赋予“积极/消极”及具体情绪（愤怒、恐惧、喜悦等）分数。遍历全剧台词，按幕或场景计算平均情绪值。
• **结果可视化**：绘制折线图。X轴为幕/场景序号，Y轴为情绪得分（负值代表消极）。
• **发现**：曲线显示情绪在第三幕（“生存还是毁灭”、误杀波洛涅斯）和第五幕（墓地场景、最终决斗）达到两个显著低谷（消极峰值）。这**量化验证**了传统批评中“第三幕是戏剧核心”的直觉判断，并精确指出了情绪转折的文本位置。

问题2：角色语言风格是否独特？能否用算法区分？

• **方法**：提取哈姆雷特、克劳狄斯、王后乔特鲁德、奥菲莉亚的所有台词。计算每个角色的：
• **词汇丰富度**（Type-Token Ratio，不同词数/总词数）
• **平均句长**
• **高频功能词分布**（如“我”、“你”、“的”的使用频率）
• **特定主题词密度**（如“死”、“爱”、“记忆”）
• **分析**：使用主成分分析（PCA）或聚类算法，将每个角色投射到多维空间。
• **发现**：哈姆雷特在词汇丰富度和句长上显著高于其他角色，体现其思辨性；克劳狄斯使用更多“权力相关”词汇（王、国、命令）；奥菲莉亚的词汇则更简单、情感化。算法甚至可能发现，哈姆雷特在装疯时的语言模式，与奥菲莉亚真正精神崩溃时