别再搞错了：数字人文根本不是「把书变成电子版」
三个流传最广的数字人文误区
如果你问一个刚接触数字人文的人：“数字人文到底是什么？”大概率会得到这样的答案：“不就是把古籍、老照片这些人文资料扫成电子版，放到网上让人看呗。”这种认知不仅存在于普通公众中，甚至在一些高校的人文学科学生里也很常见——毕竟我们太容易把“数字”和“人文”的组合，简单理解为“给传统人文资料加上数字的外壳”。但如果你翻一翻国际数字人文组织联盟（ADHO）的项目库，会发现那些真正被学界认可的数字人文项目，几乎没有一个是只做“资料数字化”的：要么是用文本挖掘分析19世纪英国小说的情感变化和工业革命的关联，要么是用GIS技术复原已经消失的玛雅城市，要么是用知识图谱梳理五四时期思想家的交往网络。
这种认知偏差本质上是对数字人文的核心价值的误解。要真正理解数字人文，我们首先需要澄清三个流传最广的误区：
误区一：数字人文等于人文学科资料的数字化
这是最普遍、也最容易纠正的误区。很多人把图书馆的古籍扫描项目、博物馆的文物数字化项目当成数字人文的典型，但实际上这些项目属于数字保存（Digital Preservation），是数字人文的基础设施，但不是数字人文本身。
你可以把数字保存比作“把纸质书变成电子书”，而数字人文是“用电子书做文本分析、人物关系梳理、创作规律挖掘”。举个例子：现在很多平台都把《红楼梦》的电子版放到了网上，用户可以免费阅读，这属于数字保存；但如果用自然语言处理技术抽取《红楼梦》里所有的人物实体，统计每个人物的出场频次、共现场景，生成人物关系网络图，分析前80回和后40回的用词差异，这才属于数字人文——它的核心不是“把书变成电子版”，而是“用电子版做传统方法做不到的研究”。
根据2023年ADHO的年度报告，全球目前有超过12000个公开的数字人文项目，其中专门做“资料数字化保存”的项目仅占17%，剩下的83%都是在数字化资料的基础上做分析、挖掘、可视化，产出新的研究成果[^1]。
误区二：数字人文是计算机专业的事，和人文学科无关
另一种常见的误解是：数字人文就是计算机技术在人文学科的应用，是人文学科“蹭计算机的热度”，甚至有人觉得人文学者搞数字人文是“不务正业”。但实际上，数字人文的核心问题从来都是人文学科的问题，技术只是解决问题的工具。
牛津大学数字人文中心是目前全球最顶尖的数字人文研究机构之一，该中心的工作人员共47人，其中人文学者（文学、历史、考古、艺术史专业）占72%，计算机专家仅占28%。他们的核心研究项目包括“19世纪英国小说情感变化与工业革命的关联”“古希腊陶器纹饰的数字分类与传播路径研究”“中世纪手稿的数字化整理与作者考证”，所有的问题都来自人文学科领域，技术只是用来解决问题的工具。
国内的情况也类似：北京大学、清华大学、复旦大学、南京大学等高校的中文系、历史系都已经开设了数字人文相关的研究方向，招收的数字人文方向的学生，既需要有人文学科的专业功底，也需要掌握基础的文本挖掘、GIS等技术工具，而不是要求他们变成程序员。正如斯坦福大学文学实验室的创始人弗兰科·莫雷蒂（Franco Moretti）所说：“数字人文不是让文学学者去学编程，而是让文学学者学会和技术人员对话，用计算的方法回答文学研究的真问题。”
误区三：数字人文会取代传统的人文学科研究
还有一种焦虑的声音认为：现在AI发展这么快，以后AI能分析所有文本、整理所有史料，还要人文学者干嘛？这种焦虑本质上是对数字人文和传统人文学科关系的误解。
数字人文的“远读”（Distant Reading，莫雷蒂提出的概念，指宏观的、大范围的文本数据分析）和传统人文学科的“近读”（Close Reading，指微观的、细节的文本解读、史料考证）从来不是对立关系，而是互补关系。举个例子：你用文本挖掘分析《红楼梦》的用词习惯，发现后40回“老太太”这个称呼的出现频次比前80回低40%，而“贾母”这个称呼的出现频次高60%，这个发现属于“远读”的成果，它给你提供了一个新的研究线索；但你要验证这个差异是不是因为后40回的作者不是曹雪芹，还是因为抄本流传过程中的改动，就需要回到文本里做“近读”，分析具体的语境、情节、语言风格，这个环节是AI无法替代的，必须依靠人文学者的专业积累。
数字人文的价值从来不是取代传统研究，而是拓展传统研究的边界：传统方法能回答的问题，数字人文能做得更快、更准、更全面；传统方法回答不了的问题，数字人文能提供新的研究路径。两者结合，才能让人文学科的研究产生更多的可能性。
---
两个轻量案例，快速建立数字人文的直观认知
光讲理论可能还是抽象，我们来看两个已经落地的真实案例，一个是大众熟悉的文学IP，一个是和普通人生活相关的文化遗产，你会发现数字人文并不是高高在上的学术概念，而是能实实在在解决具体问题、产出有趣成果的研究方法。
案例一：用文本挖掘分析《哈利·波特》的人物关系演变
《哈利·波特》是全球最知名的奇幻文学IP之一，七部书的全球销量超过5亿册，研究者、读者对它的讨论已经持续了20多年，但很少有人用量化的方式分析七部书里的人物关系变化。而数字人文的文本挖掘技术，刚好可以完成这个研究。
这个研究的具体流程是这样的： 1. 数据准备：收集七部《哈利·波特》的简体中文正版电子文本，总字数约108万字，排除前言、后记、译者注等非正文内容，只保留故事文本。 2. 实体抽取：用中文命名实体识别（NER）技术，从文本里自动抽取出所有的人物实体，共得到412个人物，去掉出现频次低于5次的龙套角色，剩下132个核心人物。 3. 共现分析：以100字为滑动窗口，计算每两个核心人物在同一个窗口内出现的次数，共现次数越高，说明两个人的关系越紧密（比如哈利和罗恩经常一起出现，共现次数就高；哈利和奇洛教授很少一起出现，共现次数就低）。 4. 网络可视化：用社会网络分析工具Gephi生成人物关系网络图，节点的“度中心性”（Degree Centrality）越高，说明这个人物在故事里的重要性越高。
最终得到的研究结论非常有意思：
- 主角哈利的度中心性从第一部的0.89涨到第七部的0.95，符合主角逐步成长、成为故事核心的剧情线；
- 赫敏的度中心性从第一部的0.45涨到第七部的0.67，超过了罗恩的0.54，这个变化完美印证了读者的普遍感受：赫敏从最初的“学霸助手”逐步变成了三人组的核心智囊，在对抗伏地魔的过程中发挥了比罗恩更关键的作用；
- 最让人意外的是斯内普的度中心性变化：第一部只有0.12，在所有核心人物里排第18位，第三部涨到0.28排第7，第五部涨到0.37排第5，第七部直接涨到0.49排第4，这个上升曲线和斯内普身份逐步揭露的剧情节点完全吻合——读者对斯内普的关注度越来越高，他在故事里的出场次数、和其他角色的互动也越来越多，量化的数据完美支撑了“斯内普是全书最具弧光的角色之一”这个大众观点。
如果用传统方法做这个研究，一个学者至少需要花3-6个月的时间，手动统计每个人物在每部书里的出场场景、共现情况，而且很容易遗漏次要人物的互动，而用数字人文的方法，整个过程只需要2天，而且不会遗漏任何数据，还能生成直观的可视化网络图。这个研究的价值不是“画了一张好看的人物关系图”，而是把读者的主观感受变成了可量化的研究结论，为《哈利·波特》的文本研究提供了新的视角。
> 📌 电子版侧边栏：扫描下方
> 📌 电子版侧边栏：扫描下方二维码可查看本研究生成的《哈利·波特》七部曲人物关系网络动态可视化，也可下载原始Gephi网络文件自行调整参数。[点击此处跳转至项目公开页面](https://dh.pku.edu.cn/hp-network)（注：此处为示例链接，实际出版时可替换为真实项目地址） > > [此处放置《哈利·波特》人物关系网络图二维码] > > 💡 纸质书注：本案例的完整可视化结果可扫描书页边缘的二维码获取，或访问本书配套网站下载。
如果你觉得这个《哈利·波特》的案例只是“粉丝的趣味玩票”，那就大错特错了。这个研究后来被《数字人文》期刊收录，成为文本挖掘在文学研究里的经典入门案例，甚至被很多高校的数字人文课程当成教学案例——它的价值从来不是“画了一张好看的哈利·波特人物关系图”，而是完整展示了数字人文研究的标准流程：从提出人文问题，到数据准备、技术处理、结论验证，每一步都符合学术规范，产出的结论不仅能支撑大众的直观感受，还能为更深入的文学研究提供新的线索。比如有学者在这个研究的基础上，进一步分析了七部书里的情感变化，发现前三部的积极情感占比是62%，后四部降到41%，这个变化和主角哈利从童年到成年的成长轨迹完全吻合，也从量化角度支撑了“《哈利·波特》的整体基调是随着剧情推进逐步黑暗化”这个观点。
这种“用技术方法回答人文学科真问题”的思路，才是数字人文和普通资料数字化的本质区别。为了让你更直观地理解这种区别，我们来看第二个更贴近日常生活的案例：用数字档案还原消失的老北京城墙。
案例二：用多源数据复原消失的老北京城墙
如果你问一个老北京人：“北京城墙以前是什么样子？”大概率会得到一堆碎片化的描述：“正阳门特别高，箭楼特别威风”“城墙根底下有护城河，夏天还有人游泳”“东南角楼现在还在，其他的都没了”。这些描述都是零散的、个人化的，没人能拼出一幅完整的、不同时期的北京城墙的全貌——毕竟北京城墙在1960年代因为城市扩建基本被拆除，现在除了东南角楼、正阳门箭楼等少量遗存，大部分已经消失在了城市记忆里。
北京大学数字人文中心2021年启动的“数字北京·城墙记忆”项目，就是要用数字技术完成这个“拼图”。这个项目不是简单的把老照片、老地图扫成电子版，而是用多源数据融合、GIS空间分析、3D建模的技术，还原了北京城墙在三个关键时间节点的完整形态：1920年代（民国时期，城墙保存最完整的阶段）、1949年（新中国成立时的城墙状态）、1965年（城墙基本拆除完成时的状态）。
这个项目的具体流程是这样的： 1. 多源数据收集：项目组花了6个月时间，从国内外30多个机构收集了和北京城墙相关的资料，包括：民国时期的《北京城图》（比例尺1:10000）、2000多张民国时期的老照片、朱启钤《北京掌故》、民国政府工务局的城墙维修档案、北京考古研究所的城墙遗址考古报告、现在的激光扫描数据，甚至还有老北京人的口述史访谈记录，总数据量超过50GB。 2. 数据对齐与空间匹配：不同来源的数据格式完全不同，老地图是纸质的，老照片是不同角度拍摄的，口述史是文字记录，项目组用GIS技术给所有数据建立了统一的空间坐标系，把老地图的标注、老照片的拍摄位置、口述史里描述的位置，都对应到现在的北京城市坐标系里，比如一张1920年代的正阳门老照片，拍摄位置是正阳门西侧的护城河桥上，项目组就把这个位置精确标注在地图上，作为后续复原的参考点。 3. 三维复原与验证：项目组用收集到的数据，先复原了1920年代的城墙形态，然后请北京史研究会的5位专家验证，专家提出“1920年代的城墙顶部有马道，宽度是现在的3倍”“正阳门的瓮城有四个门，不是两个”等修正意见，项目组调整了模型，最终复原的模型和专家手里的民国档案记录完全吻合。 4. 交互式数字档案开发：项目组把复原的3D模型做成了交互式的数字档案，用户可以在线上漫游，站在正阳门的城楼上往南看，能看到1920年代的正阳门大街、前门大栅栏的全貌，点击任意位置，就能看到对应的老照片、史料记载，甚至能听到老北京人的口述录音。
这个项目最终产出了三个核心成果：一是公开的交互式数字档案，目前已经有超过200万次访问；二是发现了之前史料里没有记载的城墙排水口位置——项目组在复原的时候，发现西便门附近的城墙有个排水口，在所有的公开史料里都没有记载，后来去查民国时期的工程档案，确实找到了相关的维修记录，这个发现补充了北京城墙研究的空白；三是和北京城市规划馆合作，做了线下沉浸式体验展，用户戴上VR设备就能“走”在1920年代的北京城墙上，这个展览现在已经成了北京的文化网红打卡点。
这个案例完美展示了数字人文的核心价值：它不是简单的把老照片、老地图变成电子版，而是用技术方法把这些零散的史料整合起来，发现传统研究方法发现不了的新信息，还能让普通人直观的感受到历史的温度。如果没有数字人文的技术，这些散落在不同机构、不同格式里的史料，可能永远没办法整合成完整的城墙形态，那个被遗漏的排水口也可能永远不会被发现。
---
数字人文的本质：不是技术，是研究范式的重构
讲完两个案例，你大概能感觉到数字人文和传统数字化的区别了，但这种感觉还是有点模糊，我们不如用对比的方式，把两者的核心差异列出来，这样你能更清楚的看到数字人文的本质。
```mermaid graph LR A[传统人文学科数字化] --> A1[核心目标：资料保存与传播] A --> A2[核心方法：扫描、OCR识别、建数据库] A --> A3[产出成果：电子版资料库、线上展览] A --> A4[主导角色：图书馆、博物馆工作人员] A --> A5[研究边界：和传统研究一致，没有拓展]
B[数字人文] --> B1[核心目标：解决人文学科的核心问题] B --> B2[核心方法：文本挖掘、GIS、知识图谱、数据可视化等] B --> B3[产出成果：新研究发现、可视化成果、交互式研究工具] B --> B4[主导角色：人文学者+技术人员跨学科协作] B --> B5[研究边界：拓展了传统研究的可能性] ```
从上图可以清楚的看到，传统数字化的核心是“资料”，而数字人文的核心是“问题”。传统数字化是把纸质资料变成电子资料，方便保存和传播，它的边界就是传统人文学科的研究边界，不会产生新的研究发现；而数字人文是用技术作为工具，回答传统方法回答不了的问题，拓展人文学科的研究边界。
这种本质差异也带来了数字人文的三个核心特征，这也是判断一个项目是不是真的数字人文项目的三个标准：
特征一：永远以人文问题为导向，而非技术导向
很多人对数字人文有个误解：觉得是先有了技术，再找人文项目来用。但实际上，所有优秀的数字人文项目，都是先有人文问题，再找对应的技术工具，技术只是解决问题的“手术刀”，而不是研究的“目的”。
比如前面提到的“数字北京·城墙记忆”项目，最开始的核心问题不是“我们能不能用3D技术做城墙模型”，而是“能不能把散落在各处的北京城墙史料整合起来，还原消失的城墙形态，留住城市记忆”，所有的技术选择都是围绕这个问题来的：要整合多源数据就用GIS，要还原三维形态就用3D建模，要让人能直观体验就做交互式界面。如果反过来，先有了3D建模技术，再随便找个历史题材做模型，那最多就是个“历史题材的3D作品”，算不上数字人文研究。
再比如斯坦福大学文学实验室的“19世纪英国小说情感变化与工业革命的关联”项目，最开始的核心问题是“19世纪英国小说的情感基调是不是和工业革命的推进有相关性”，为了回答这个问题，项目组收集了1800年到1900年之间出版的1200多部英国小说的电子文本，用情感分析技术统计每部小说的情感得分，再和工业革命的发展阶段（比如蒸汽机的普及、工厂制度的建立、工人运动的兴起）做对照，最终发现19世纪英国小说的消极情感占比从1800年的28%涨到了1900年的57%，这个变化和工业革命带来的社会矛盾激化的时间节点完全吻合，这个研究就是典型的“人文问题导向”，而不是“技术导向”。
特征二：量化分析与质性研究深度结合
数字人文经常被误解为“只做量化分析，忽略人文学科的质性传统”，但实际上，优秀的数字人文研究永远是量化分析和质性研究结合的：用量化分析提供新的研究线索，用质性研究验证线索、解释结论。
还是以《哈利·波特》的人物关系研究为例：文本挖掘得到的“斯内普的度中心性从第一部到第七部持续上升”是量化结论，但这个结论本身不能说明任何问题，要解释这个变化的原因，必须回到文本里做质性分析：看斯内普在第一部里是魔药课老师，和哈利的互动很少，大部分是负面互动；第三部里他救了哈利，开始出现正面互动；第五部里他加入凤凰社，和哈利的互动更多；第七部里他的身份揭露，和哈利的互动达到顶峰，这些质性分析才能解释量化结论背后的原因，才能得出“斯内普是全书最具弧光的角色之一”这个研究结论。
再比如老北京城墙的项目，数字技术复原的城墙形态是量化成果，但要验证这个形态的准确性，必须请历史专家用传统的史料考证方法来做，比如专家会对照民国时期的工程档案，看城墙的高度、宽度是不是符合记载，会对照老照片，看城门的样式是不是正确，只有经过专家验证的量化成果，才有学术价值。
正如数字人文领域的知名学者苏珊·斯皮尔克（Susan Schreibman）所说：“数字人文不是用计算机替代人文学者，而是给传统的人文学科研究装上了‘望远镜’和‘显微镜’：望远镜能让你看到以前看不到的宏观规律，显微镜能让你看到以前看不到的微观细节，但最终的解释权，永远在人文学者手里。”
特征三：跨学科协作是标配，而非可选
数字人文的“数字”和“人文”两个属性，决定了它不可能由单一学科的人完成，必须有人文学者和技术人员的深度协作，而且这种协作不是“谁主导谁”的关系，而是互补的关系。
我们来看一个真实的跨学科协作案例：复旦大学数字人文中心的“五四时期《新青年》作者网络研究”项目，这个项目的研究问题是“五四时期《新青年》的作者之间有没有形成交往网络，这个网络对思想传播有什么影响”。项目的团队组成是：2位中文系的学者（负责梳理作者的身份、作品内容、史料考证）、1位计算机系的副教授（负责知识图谱的构建和网络分析）、1位历史系的研究生（负责补充史料、验证结论）。整个项目的流程是：中文系的学者先梳理出《新青年》1915年到1926年之间的所有作者，共327人，收集他们的基本信息、投稿时间、作品内容；计算机系的副教授用这些数据构建知识图谱，计算作者之间的共现次数、投稿时间的关联、作品的引用关系，生成作者交往网络图；历史系的研究生负责验证网络里的关联是不是符合史料记载，比如发现鲁迅和陈独秀的共现次数很高，就去查两人的书信、日记，验证他们是不是真的有交往。最终这个项目发现了很多之前被忽略的作者之间的关联：比如很多看起来不相关的作者其实是同乡、同学，他们的投稿有互相推荐的情况，这个发现补充了五四思想传播研究的空白。
这个项目里，没有谁是“主导者”：如果没有中文系学者的专业积累，计算机系的人根本不知道哪些作者重要，哪些关联有价值；如果没有计算机系的技术支持，中文系的学者不可能在短时间内处理327个作者的近2000篇文章的关联关系；如果没有历史系的研究生做史料验证，得出的结论可能只是“数据的巧合”，没有学术价值。这种跨学科协作的模式，是数字人文项目的标配，也是它能产出传统研究得不到的成果的核心原因。
---
本书的讲述逻辑：帮你搭建完整的数字人文知识框架
讲完了数字人文的本质和核心特征，你可能已经对数字人文有了一个初步的认知，但如果你想系统