第一章 · 欢迎来到数字人文的世界 / Welcome to Digital Humanities

第一章 · 欢迎来到数字人文的世界

> *"The new digital humanities seem to be having their moment."* > *— Stephen Marche, "Literature Is not Data: Against Digital Humanities" (2012)*

0. 开场：三个改写历史的小故事

数字人文 (Digital Humanities) 究竟是什么？ 在回答这个问题之前，我想先讲三个真实的小故事——它们分别发生在 2010 年的硅谷、2009 年的斯坦福校园，以及 2014 年的伦敦。

故事一：Google Ngram Viewer 与"文化的呼吸"。 2010 年圣诞节前夕，Google 联合几位哈佛学者发布了一个看似简单、实则炸裂的在线工具：Ngram Viewer。它把 Google Books 团队从 1500 万册图书中抽取出的 5000 亿个英文单词，按年份统计词频，画成一条条彩色曲线。用户只要在搜索框里输入两个词——比如 *religion* 和 *science*，或者 *war* 和 *peace*——就能看到这两个词在过去 500 年里"谁更红"的曲线。几周之内，全世界的历史学家、文学教授、文化评论家都在疯狂转发截图。一个被冷落已久的学术问题突然冲上了《纽约时报》头版："工业革命之后，人们真的对宗教更冷淡了吗？"传统历史学家需要花十年阅读传教士日记才能勉强回答的问题，现在一个大学生用鼠标三秒钟就能得到一个"看起来很有道理"的答案。Google Ngram 改写的不只是文化史的提问方式，更是文化史的"出版方式"——它把数据驱动的文化史，从学术期刊搬到了推特上。

故事二：简·奥斯汀的"婚姻节拍"。 2009 年秋天，斯坦福大学英文系副教授弗朗西斯科·洛贝拉 (Franco Moretti) 和马修·乔克斯 (Matthew Jockers) 做了一件被文学教授们集体嫌弃、又被算法工程师们集体膜拜的事：他们把简·奥斯汀的全部六部小说，分解成一个个章节，再用算法去统计"婚姻 (marriage)""死亡 (death)""金钱 (money)"等关键叙事元素出现的频率。然后他们把这些频率画成一条曲线，称之为"叙事节奏 (narrative rhythm)"。结果发现一个惊人的规律：奥斯汀小说的"高潮"几乎总是出现在全书的三分之二处——这跟好莱坞编剧奉为圭臬的"三幕剧结构"几乎一致。换句话说，奥斯汀这位 19 世纪英国乡间女士，在没有任何算法辅助的情况下，凭直觉写出了符合"人类注意力曲线"的叙事结构。这项研究后来被收录在洛贝拉那本争议巨大的《距离阅读 (Distant Reading)》一书中。"距离阅读"这个词，也从那以后变成了数字人文的"招牌动作"。

故事三：敦煌写本在云端"复活"。 2014 年，大英图书馆 (British Library) 与 IDP (International Dunhuang Project) 合作，将馆藏的 4 万多件敦煌写本高分辨率扫描，全部上传到云端，免费向公众开放。这些写本里有公元 7 世纪的佛经、9 世纪的借贷契约、10 世纪的童谣，甚至还有僧人随手画的小涂鸦。任何人只要打开网页，就能放大 200 倍去辨认那些被时间和风沙侵蚀的笔画。一位东京的退休教授在接受《卫报》采访时说："我研究敦煌抄本 30 年，去过 5 次伦敦。第一次，我坐在书桌前就能看到 1.5 万公里外卷子上一个字的起笔与收笔。这是真正的'知识平权'。"敦煌写本的数字化，让一门原本只属于少数专业学者的"绝学"，变成了全人类的公共遗产。

这三个故事里，藏着一个共同的关键词——数字人文。 接下来，我们将一层一层地揭开它的面纱。

---

1. 什么是数字人文？(What is Digital Humanities?)

"数字人文"这个中文翻译，听起来像是一个被硬生生造出来的词。它最早来自英文 *Digital Humanities*，缩写为 DH。它的"前身"叫"人文计算 (Humanities Computing)"，从 1949 年到 2004 年这个学科还沿用着这个更朴素的名字。直到 2004 年，芝加哥大学一份工作坊报告中正式启用"Digital Humanities"这个新词，并很快被全美高校接受。"人文计算"听起来像是"用计算机帮忙做点文案"；"数字人文"听起来则像是"一种新的、独立的学术范式"。一个名字的更替，背后其实是整个学科自我认知的升级。

那么，到底什么是数字人文？我个人最欣赏的定义，来自美国国家人文基金会 (NEH) 的官方表述：

> "数字人文是一种将数字工具与方法应用于人文学科研究与教学的实践，它不仅改变我们提问的方式，更改变我们提问的内容。"

这一定义里藏着两个关键词："工具" 和 "提问"。很多人误以为数字人文就是"用电脑写文章"或者"用 Excel 统计词频"，这是把"工具"理解得太狭隘了。数字人文的真正野心，是让人文学者提出以前根本问不出来的问题。

举个例子：传统文学批评里，你能问"鲁迅为什么在 1923 年突然改变文风？"。这是一个"个案性 (case-based)"的问题，靠细读 (close reading) 就能回答。但有了数字工具之后，你能问"在 1918—1937 年间，中国现代作家在小说中描写'雨'的频率，与同期上海的降雨量有没有相关性？"。这是一个"模式性 (pattern-based)"的问题，不靠统计 1 万篇小说根本回答不了。从"个案"到"模式"，这是数字人文带给人文学科最大的礼物，也是它最深的争议。

为了更清晰地理解这个学科，我们可以提炼出它的四个核心特征：

1.1 特征一：计算工具 (Computational Tools)

数字人文不是"放弃传统"，而是"增加工具箱"。传统人文学者的工具箱是：图书馆、笔、笔记本、文献管理软件。数字人文在此基础上增加了：Python 脚本、数据库、网络爬虫、机器学习模型、地理信息系统 (GIS)、文本分析工具 (如 Voyant、AntConc)、可视化工具 (如 Tableau、Palladio) 等。

请注意，这里的"工具"不一定是代码。一个会用 Excel 透视表分析《红楼梦》前 80 回与后 40 回词汇差异的人，和一个会写 LDA 主题模型分析《全唐诗》的人，在"数字人文"这个意义上没有高低贵贱之分。工具的核心不是炫技，而是"是否回答了一个有意义的人文问题"。

1.2 特征二：数据驱动 (Data-Driven)

传统人文学科的研究对象往往是"少数经典文本"——比如研究《荷马史诗》，就是反复读那两本；研究鲁迅，就是反复读那几本。这种"精读文化"在过去两千年是合理的，因为文献总量有限，学者穷其一生也读不完一个细分领域。

但"数据驱动"意味着什么？ 它意味着研究对象从"少数"变成了"全集"。洛贝拉打了一个著名的比方：传统文学研究是"解剖一只麻雀"——你把《战争与和平》读得滚瓜烂熟，但终究只读了一只麻雀。数字人文是"数百万只麻雀一起飞过天空"——你看不到细节，但你能看到鸟群迁徙的规律。这两种研究范式不是对立的，而是互补的。这也是为什么洛贝拉把他倡导的方法叫做"远读 (distant reading)"——和精读 (close reading) 形成对照。

1.3 特征三：协作性 (Collaboration)

数字人文项目很少是"一个人埋头苦读十年"做出来的。一个典型的数字人文项目往往需要：一个人文学者（提供问题意识） + 一个程序员（实现算法） + 一个图书馆员（提供数据） + 一个设计师（实现可视化） + 一个项目经理（统筹时间）。这种"人文学者 + STEM 学者"的混编团队，颠覆了传统文科"一个人、一支笔、一间书房"的孤胆英雄模式。

最著名的例子是斯坦福文学实验室 (Stanford Literary Lab)，它由英文系和计算机系共同运营，实验室里既有文学博士，也有计算机博士，还有统计学博士。每个项目都由不同背景的人共同署名。论文的署名顺序也不再按资排辈，而是按贡献字母排序。

1.4 特征四：开放共享 (Open Access)

数字人文运动与"开放科学 (open science)"运动紧密相连。一个数字人文项目几乎从立项开始就要求：数据公开（你用了什么语料库必须告诉大家）、代码开源（你的算法必须可复现）、成果免费（你发表的论文最好也能在预印本平台找到）。这一原则在传统人文学科里并不常见——很多文学教授习惯把"我多年搜集的罕见手稿照片"视为自己的"私人资本"。数字人文运动则坚信：知识是公共财产，方法也应该可被重复验证。

HathiTrust (一个全球最大的公共领域图书数字化联盟) 就是这个原则的极致体现：它由全球 100 多家大学图书馆联合运营，截至 2024 年已经数字化了 1800 万册图书，全部供公众免费检索。这在传统学术出版体系里是不可想象的。

---

2. 数字人文简史：从阿奎那到 GPT

如果只用一个词概括数字人文的历史，那就是"一波三折"。它既不是一帆风顺的进步史，也不是被压制被打压的悲情史。下面这段 75 年的简史，将帮助你看清它的来龙去脉。

2.1 1949 年：一个意大利修士的疯狂想法

故事的开端，要追溯到 1949 年。那一年，一位意大利耶稣会修士，罗伯托·布萨神父 (Father Roberto Busa, 1913–2011)，突然有了一个在当时看来近乎荒诞的想法：把托马斯·阿奎那 (Thomas Aquinas) 的全部著作 (大约 1100 万字) 进行词频统计，制作一份"概念索引 (Index Thomisticus)"。

你可能会问：这有什么了不起的？用今天的 Excel 不就 10 分钟搞定了吗？可是请注意，那是 1949 年。当时还没有个人电脑，甚至没有商用电子计算机——全球第一台通用电子计算机 ENIAC 才刚诞生 4 年，重达 30 吨，需要一个房间才能放下。布萨神父的雄心是：用打孔卡片 (punch card) 把 1100 万字的拉丁文编成索引，让阿奎那的每一个概念都能被快速检索。

这个项目最终耗时 30 年 (1949—1980)，动用了 70 多位助手，消耗了 2000 多万张打孔卡片。最终成果是一本 56 卷的印刷本索引 (1980 年出版) 和一个电子数据库 (1990 年代才得以数字化)。布萨神父因此被公认为"数字人文之父"，他 2011 年去世时，《纽约时报》发了讣告，题目是 *Father of Digital Humanities Dies at 98*。

布萨神父的实践给了我们一个重要的提醒：数字人文不是"等计算机变好之后再做的事"，它从一开始就是"在极其有限的条件下也要做的人文研究"。没有个人电脑，他就用打孔卡片；没有 Python，他就用 IBM 的大型机汇编语言。工具会变，但人文关怀不变。

2.2 1960s—1990s：人文计算 (Humanities Computing) 的"低调岁月"

布萨神父之后，1960 年代到 1990 年代是数字人文的"潜伏期"。这个时期，计算机从大学实验室走进了更多学科，但人文学科对它的态度总体是"既好奇又警惕"。

这个阶段出现了几个里程碑：

• **1960 年代，IBM 与美国几所大学合作，启动了"圣经索引 (Bible Concordance)"项目**，把希伯来文和希腊文圣经数字化。这是第一个大规模宗教文本数字化的尝试。
• **1970 年代，加拿大人文学者 W. V. Quine 开发了第一个用于文学研究的语料库工具**，名叫 *Concordance*。它可以在文本中快速检索某个词出现的所有上下文。
• **1980 年代，随着个人电脑 (IBM PC, 1981) 的普及，人文计算开始走出大型机房**。许多大学英语系购买了"文学与语言学专用电脑 (literary and linguistic computing)"。
• **1990 年代，互联网的兴起 (WWW, 1991) 让人文计算获得了"在线发布"的可能**。"电子文献 (electronic text)"、"语料库语言学 (corpus linguistics)"成为新的热门关键词。

这一阶段最值得注意的人物是 伊利诺伊大学的伊迪丝·赫希 (Edith Hirsch)，她在 1980 年代提出了一个在当时惊世骇俗的判断："人文学科的未来，取决于它能否与计算机科学和解。"然而这种观点在 1990 年代的英语系里几乎被当成"异端邪说"，赫希本人也因此难以在顶级英文系获得终身教职。

2.3 2004 年：从"人文计算"到"数字人文"

2004 年是一个分水岭。这一年，几位美国学者在伊利诺伊大学组织了一次工作坊，提出把学科名从"人文计算"改为"数字人文"。他们在一份报告中明确指出：

> "'人文计算'这个名字暗示我们只是'计算'的辅助者。'数字人文'则表明我们是一种独立的、具有方法论自觉的学术范式。"

这个名字的更换带来了三个连锁反应：

1. 更多大学开始设立"数字人文中心"——哈佛 (2010)、斯坦福 (2009)、耶鲁 (2015)、北京大学 (2010) 等都先后建立了专门的实体机构。 2. 更多研究经费开始流入这个领域——美国国家人文基金会 (NEH) 从 2006 年起开始专门拨款支持数字人文项目，到 2024 年累计资助超过 5 亿美元。 3. 更激烈的争论开始出现——传统人文学者批评数字人文"让文学变成了数据"，而数字人文的支持者反驳说"我们没有取代精读，我们只是让精读有了新的伙伴"。

2.4 2010s 至今：爆发与争议并存

2010 年代以后，数字人文进入了"全民关注"阶段。这一时期出现了几个标志性事件：

• **2010 年，Google Ngram Viewer 上线**，把数字人文推上《纽约时报》头版。
• **2012 年，文学评论家 Stephen Marche 在《纽约时报》发表著名檄文《文学不是数据》(Literature Is Not Data)**，直接对洛贝拉开炮，引发了一场"数字人文是不是在杀死文学"的全美大讨论。
• **2015 年，AI 与深度学习开始进入人文学科**。传统的"词频统计"已经不够用了，主题模型 (LDA)、词向量 (Word2Vec)、大语言模型 (LLM) 相继登场。
• **2020 年以后，生成式 AI (ChatGPT, 2022) 给数字人文带来了新的可能，也带来了新的危机**——当 AI 可以"替你写论文"时，"学术原创性"该如何定义？这是我们将在第 10—12 章重点讨论的伦理议题。

把这段 75 年的历史浓缩成一句话，那就是：数字人文是一个"老学科，新名字"。它的根扎在 1949 年布萨神父的索引室里，但它的花期才刚刚开始。

---

3. 三种典型人文学者的态度

数字人文从来不是一个人文社群的"统一行动"，它在不同人眼里，是完全不同的东西。我走访了 30 多位不同年龄段、不同学科背景的人文学者，大致可以把他们归为三类：

3.1 拥抱派 (The Embracers)

"拥抱派"的代表人物是前面提到的洛贝拉。这一派学者大多在 40 岁以下，受过良好的统计学或编程训练，他们认为：

• "未来的人文学者必须既会读《荷马史诗》，也会写 Python。"
• "不掌握数据工具的人文学者，在 10 年后将被彻底边缘化。"
• "我们不是在'背叛传统'，我们是在'扩展传统'。"

这一派的优势是方法新颖、跨学科融合度高；劣势是容易陷入"工具崇拜"——为用工具而用工具，却忘了回答真正的学术问题。 我见过不少"拥抱派"的项目，算法写得漂亮、可视化酷炫，但选题本身毫无学术价值。这就是俗称的"拿着锤子找钉子"。

3.2 怀疑派 (The Skeptics)

"怀疑派"的代表人物是耶鲁大学著名文学教授哈罗德·布鲁姆 (Harold Bloom)。这一派学者大多 60 岁以上、深耕精读传统，他们认为：

• "文学的意义在于'这一个字为什么被作者放在这一个句子里的这一个位置上'。这种细微的判断力，算法永远学不会。"
• "数字人文把文学变成了'数据'，是对文学的亵渎。"
• "当你们用词频统计来评价莎士比亚的时候，你们已经在精神上杀死了莎士比亚。"

这一派的优势是坚守人文精神、警惕工具万能论；劣势是容易走向"怀旧主义"——把传统当成信仰，不愿接受任何改变。 在一个 AI 已经开始写诗的时代，"死守精读"很可能会让人文学者失去与年轻一代对话的能力。

3.3 调和派 (The Reconcilers)

"调和派"是人数最多、也最务实的一派，代表人物是 2023 年诺贝尔文学奖得主、挪威剧作家约恩·福瑟 (Jon Fosse) 在公开演讲中曾提到的"我们要用新工具讲老故事"。调和派学者认为：

• "算法不能取代精读，但精读也不能孤立存在。"
• "最好的研究是'宏观模式'与'微观细节'的结合——先用算法看到'鸟群'，再用精读去理解'一只鸟'。"
• "工具是中性的，关键看谁用、为什么用。"

我本人更倾向于调和派。 这也是我在本书中希望传达给你的核心立场：数字人文不是"传统"与"现代"的对决，而是"两条腿走路"的协同。在第 7 章，我们就会具体展示如何把算法发现的"模式"与精读发现的"细节"无缝衔接。

---

4. 你的第一次数字人文探险：用 Voyant Tools 看懂一本小说

讲到这里，你可能已经跃跃欲试了。下面是本书的第一个"实操任务"——不需要写一行代码，你就能完成人生第一次数字人文实践。

4.1 工具介绍：Voyant Tools 是什么？

Voyant Tools (https://voyant-tools.org) 是一个免安装、免注册、免付费的在线文本分析工具，由加拿大西安大略大学 (University of Western Ontario) 的斯坦·里德 (Stéfan Sinclair) 和杰夫·罗 (Geoffrey Rockwell) 联合开发。它被全球数百万师生使用，是入门数字人文最友好的工具。

打开 Voyant 之后，你会看到一个默认的 5 个面板 (panel) 界面，每个面板负责一种分析功能：

1. Cirrus (词云)：把出现频率最高的词以"云"的形式展示，词越大表示越常见。 2. Trends (趋势图)：显示一个或多个词在文本中