当人文遇见代码：数字人文的诞生

当人文遇见代码：数字人文的诞生

一本被遗忘的手稿与一个偶然的发现

2005年深秋，剑桥大学图书馆的一个角落里，文学研究者乔纳森·弗兰岑正在翻阅一批刚刚数字化的18世纪英国文学档案。这些档案是英国文学总目数据库（English Fiction Database）项目的一部分，包含了从1740年到1850年间几乎所有已知的英文虚构作品。原本，他只是想在这些浩如烟海的文本中寻找几个熟悉的作家名字，却意外地发现了一串从未听闻的作者——他们的作品在当年曾广为流行，如今却几乎被文学史完全遗忘。

更令弗兰岑困惑的是，这些被遗忘的作家有一个共同特征：他们大多是女性。当他调出词频分析软件，试图量化这一现象时，屏幕上出现的曲线让他倒吸一口凉气。在整个18世纪下半叶，女性作者的比例实际上相当可观，有些年份甚至接近百分之四十。然而，当我们翻阅任何一部标准的英国文学史教科书时，这些名字几乎无一例外地消失了，女性作者在文学史叙事中的代表性从十九世纪开始急剧萎缩。

这个发现的意义远远超出了一个书斋里的学术好奇。它揭示了一个长期被忽视的事实：我们对文学史的认知并非自然形成的客观记录，而是经过一代又一代编辑者、批评家和教育家反复筛选的结果。每一次“经典化”的过程都意味着某些声音被放大，某些声音被压制——而那些被压制的声音，往往属于历史上处于边缘位置的群体。

数字人文（Digital Humanities）正是诞生于这种人文学者与技术工具的深度碰撞之中。它不是一个学科，而是一场方法论革命；它不是用机器替代人的思考，而是为人类的诠释提供新的视角和工具。在这个意义上，数字人文的兴起与其说是一场技术入侵，不如说是人文学科自我反思能力的又一次觉醒。

追溯数字人文的基因图谱

从图书馆目录卡到电子文本

要理解数字人文为何在21世纪初期突然爆发，我们需要在时间线上回溯得更远一些。数字人文的种子实际上早在20世纪中叶就已经埋下。1949年，意大利神父罗伯特·布萨sa（Roberto Busa）开始与IBM合作，试图将圣托马斯·阿奎那的全部作品制作成机器可读的索引。这位耶稣会学者可能是世界上第一位真正意义上的“数字人文”研究者，尽管当时还没有这个词。他花费了三十多年时间，终于在1980年代完成了包含约一千一百万词的托马斯·阿奎那著作数据库。

布萨sa的工作在当时看来是如此超前，以至于大多数人文研究者都觉得这不过是神学领域的奇技淫巧。然而，正是这种看似迂腐的索引编制工作，为后来的文本分析奠定了方法论基础。当人文研究者第一次能够用机器处理文本时，他们发现的不只是效率的提升，而是一种全新的提问方式——你不再只是问“这本书讲了什么”，而是开始问“这一千本书共同呈现了什么样的语言模式”。

1960年代，随着计算机存储能力的提升和文本编码技术的发展，一批更具野心的项目相继启动。1970年代上线的泰晤士报数字化档案、1980年代启动的 artFL 项目（提供法语文学语料库检索）、1987年创立的文学与语言学领域首个电子期刊* Literary and Linguistic Computing*——这些基础设施的建设为数字人文的爆发积累了宝贵的资产。

但真正的转折点出现在1990年代中期万维网的普及。当文本不再被锁在图书馆的终端机里，而是可以通过浏览器自由访问时，人文研究的民主化进程开始加速。研究不再受限于物理空间的图书馆藏，学生可以直接接触原始文献，全球的学者可以围绕同一个数字资源展开合作。到了2000年代初期，大多数主要图书馆和博物馆都已将其珍稀藏品数字化并上网，谷歌图书（Google Books）的出现更是将这一进程推向了前所未有的规模。

宏文本与远读：两种范式的交锋

在数字人文的发展历程中，存在两种看似对立但实际上互补的研究路径，我们可以将它们称为“宏文本”（macrotext）和“远读”（distant reading）。

宏文本研究强调的是对单一文本或有限文本集合的深度细读（close reading）。数字工具在这里的作用是辅助检索、定位和标注，让研究者能够更快地在长篇文献中找到关键段落，或者建立文本之间的交叉引用网络。这种路径与传统的文学研究方法一脉相承，只是借助数字工具大大提高了效率。斯坦福大学文学实验室的早期项目大多属于这一类型，他们开发的各种文本分析工具都服务于对具体作品和作家的深入理解。

远读则是由意大利学者弗兰科·莫雷蒂（Franco Moretti）在2000年代初期明确提出的一种方法论主张。与细读相对，远读主张我们不应该只盯着少数经典作品反复诠释，而应该借助计算工具对大量文本进行模式识别，从中寻找文学演化的宏观规律。莫雷蒂曾做过一个著名的实验：他将19世纪的英国小说输入电脑，分析其句长变化，发现了一个有趣的趋势——从维多利亚时代的繁复句式逐渐走向现代主义的短句革命。这一发现仅凭人力阅读几十部小说几乎不可能得出，因为它涉及的是跨越数百部作品的统计趋势。

这两种路径的张力实际上反映了人文学科内部的深层分歧：究竟应该追求对少数经典的深度理解，还是探索大量文本的整体图景？细读主义者认为，没有对具体文本的透彻把握，任何宏观概括都是空洞的；远读者则认为，正是对个别的执着让我们失去了把握整体的能力。这场争论至今仍在继续，但越来越多的研究者认识到，这两种方法并非相互排斥，而是可以相互补充的。

一个典型的案例是加州大学伯克利分校的“全景文学项目”（Panorama of Literature）。该项目收集了两千多部十八世纪英国小说，借助文本分析工具，研究者首先用远读方法识别出整体的语言模式和叙事结构变化；然后从中挑选出具有代表性的作品进行细读，验证计算发现的历史意义。这种“大规模粗读”（massive crude reading）与“精确细读”相结合的方法，正在成为数字人文研究的新范式。

2005：一个数字人文的分水岭

文学史的重新书写

如果我们必须在数字人文的发展历程中找一个标志性年份，许多学者会选择2005年。这一年发生了两件大事，深刻地塑造了数字人文此后的走向。

第一件事发生在春天。哈佛大学的网络化人文实验室（Lab for at Harvard）发布了“文学实验室论文”系列，这些论文大胆地运用计算方法分析文学史上的宏大问题。实验室的创始主任埃伯哈德·肯普夫（Eberhard K. Heine）——一位曾任微软高管的德国文学学者——极具争议性地宣称：“我们不需要读完所有的书才能理解文学史，我们需要的是一种新的阅读方式。”这句话在当时的文学系引起了轩然大波，许多保守的学者认为这是对文学研究的亵渎。但实验室的年轻人——包括后来成为数字人文领域领军人物的瑞恩·罗斯（Ryan Heuser）和伊莲·张（Elaine Zhang）——用扎实的成果证明了这不是哗众取宠，而是严肃的学术探索。

第二件事发生在同一年秋天，也就是前文提到的那个剑桥图书馆的故事。当弗兰岑和同事们的研究结果最终发表在《文学与计算》（Literary and Linguistic Computing）期刊上时，它如同一颗投入平静湖面的石子，激起了层层涟漪。这篇文章首次用大规模数据证实了一个长期被女性主义批评家直觉感知但难以量化的事实：女性在文学市场的参与度在维多利亚时代确实经历了显著下降。通过分析英语文学总目数据库中超过两万部小说，研究团队发现女性作者的比例从十八世纪末的高点（约38%）下降到十九世纪中期的低点（约20%），直到二十世纪才逐渐回升。

这一发现之所以重要，不仅在于其结论本身，更在于其方法论的示范意义。它告诉世人：那些宏大的文学史叙事并非不可质疑的铁律，当有了足够大的数据支撑和适当的方法论工具，我们可以重新审视甚至改写那些被视为理所当然的共识。在此之后，类似的研究如雨后春笋般涌现：关于殖民时期非洲文学的声音、关于边缘化地区女性写作的消亡、关于工人阶级小说在出版市场的兴衰——所有这些议题都在数字人文的视野下获得了新的生命力。

从危机到机遇：人文学科的自我革新

2005年前后的数字人文发展还面临着另一个背景：全球人文学科正经历着一场深刻的身份危机。在英语世界，学生人文学科的入学人数从1990年代开始持续下滑，大学管理层对人文学科的投入也日益谨慎。媒体和政客们不断追问：学习文学、历史和哲学有什么用？这些学科能为社会创造什么经济价值？

在这种氛围下，数字人文的兴起被一些人视为人文学科的救命稻草。它承诺：看，我们可以借助技术力量，可以在“STEM统治一切”的时代证明人文学者也能玩转数据、产出可量化的成果。这种策略在一开始确实奏效了——许多大学的管理者被数字人文项

目吸引，因为它们看起来更像“跨学科合作”，更容易申请到科研经费。

但这种功利主义取向也带来了内在矛盾。如果数字人文仅仅是为了让人文学科“看起来更有用”，那么它终究只是一层技术包装，其内核仍然是传统的人文学术。真正的转变必须是深层次的——它意味着重新审视人文学科的研究对象、方法和目标。幸运的是，数字人文的倡导者中不乏有识之士，他们清楚地认识到这一点。麻省理工学院的“化身与表演实验室”（Instant Paper）创始人之一格兰杰（Sherry Turkle）曾警告说：“技术本身不会拯救人文学科，如果我们只是用数字工具来重复旧的提问方式，那不过是把打字机换成了电脑。”

真正的数字人文应该是方法论层面的革新——它不仅是问“这部作品表达了什么主题”，而是通过分析成千上万部作品来问“什么样的故事结构在某个时期最受欢迎”；它不仅是问“这位作家的语言风格有什么特点”，而是将这位作家放在与同代人的对比中，看他的风格在当时的文学版图中处于什么位置；它不仅是问“这部小说反映了什么样的社会现实”，而是通过情感分析工具追踪读者在不同历史时期对这部小说的接受程度变化。

技术工具的演进：从词频统计到深度学习

第一代工具：词频与检索

回望数字人文的技术发展史，我们可以清晰地看到几个阶段的演进。最早的计算工具是简单的词频统计和关键词检索程序——这些在今天看来几乎不值一提的功能，在当时却彻底改变了人文研究的可能性边界。

1960年代问世的“词频索引”（concordance）程序可能是最早被广泛使用的数字人文工具。用户输入一部文学作品，程序会输出一份按字母顺序排列的单词列表，每个词后面标注出现次数和在文本中的具体位置。这种工具对于研究者检查某位作家的用词习惯特别有用——比如研究者怀疑某部作品的匿名作者其实是弥尔顿，就可以把这部作品和弥尔顿已知作品输入程序，比较他们的常用词分布。

这种词频比较方法后来演变成更复杂的“风格学”（stylometry）研究。研究者发现，每位作者都有相对稳定的用词偏好，这些偏好可以在统计学意义上区分不同作者。著名的例子包括1789年托马斯·潘恩的《人的权利》发表时曾被怀疑是匿名的，约克大学的研究者通过词汇分析确认其确实出自潘恩之手。另一个经典案例是美国最高法院大法官安东宁·斯卡利亚的署名意见与匿名评论之间可能存在的关系——风格分析表明某些匿名撰写的法律评论与斯卡利亚的写作风格高度吻合。

到了1980年代，概率统计方法的引入使风格分析更加精细化。研究者不再只是比较绝对词频，而是计算“词汇概率分布”——即在不同语境下使用某个词的条件概率。这种方法可以捕捉到更微妙的语言特征，比如介词的使用偏好、句子的节奏模式等。牛津大学数字人文研究中心在这个时期做出了重要贡献，他们开发了一套名为“莎士比亚作品词频数据库”的工具，收录了威廉·莎士比亚全部作品的高精度词频信息，为后来的大量研究奠定了基础。

第二代工具：文本聚类与可视化

1990年代中期，随着计算机处理能力的提升和统计学方法的进步，数字人文进入了第二个技术阶段。这个阶段的标志性特征是从简单的词频统计转向更复杂的文本聚类（text clustering）和可视化（visualization）。

文本聚类的基本思想是：如果两部作品在语言特征上高度相似，它们可能在主题、风格或历史上存在某种关联。研究者可以选取一系列文本，提取数百个语言特征（词汇丰富度、句子长度分布、词性比例等），然后用聚类算法将这些文本分组。相似的文本会被归入同一类，不同类之间则保持距离。

这种方法最著名的应用案例之一是“十八世纪小说项目”（ECCO）。该项目收集了十八世纪英国出版的所有小说，借助聚类分析，研究者发现了一些传统文学史从未注意到的模式：某些今天被视为“边缘”的作品在当年其实形成了独特的文学社群，它们之间共享着类似的主题关注和叙事策略。这一发现迫使文学史家重新思考“经典”与“边缘”的边界是如何被建构的。

可视化技术的发展则让人文学者能够以全新的方式呈现和理解数据。传统的文学研究论文通常由文字和少数表格组成，读者只能通过想象来把握文本之间的关系图景。而在数字时代，我们可以将整部文学史绘制成一幅“星图”：每颗星代表一部作品，星的位置反映其在主题空间中的坐标，星的颜色代表其年代或作者身份，星的大小表示其在历史上的影响力。通过这样一幅图，读者可以一目了然地看到哪些时期作品主题高度集中、哪些时期呈现多元化趋势、哪些作品在历史长河中起到了“转折点”的作用。

斯坦福大学文学实验室在这方面做了大量开创性工作。他们的“文学时间线可视化”项目允许用户交互式地浏览十九世纪美国文学的全景图——点击任意时间节点，可以看到当年出版的所有重要作品；悬停在任意作品上，可以看到它在主题空间中的位置以及与周边作品的关系。这种交互式可视化改变了人文学术成果的传播方式——不再是线性的论文写作，而是开放式的探索空间。

第三代工具：大语言模型与语义理解

2010年代后期至今，数字人文进入了第三个技术阶段：以大语言模型（Large Language Models）为代表的深度学习技术开始进入人文学者的工具箱。这一阶段的技术特征是从“语言形式”分析走向“语言意义”理解。

传统的词频分析和风格学本质上都是在处理语言的外在形式——词汇、句子结构、修辞模式。这些指标当然与意义相关，但毕竟是间接的代理变量。深度学习模型则可以直接处理语义信息：给定一段文本，模型可以判断其情感倾向、识别其中提到的人物和地点、抽取其核心论点、评估其与其他文本的主题相似度。

牛津大学“数字人文实验室”近年来启动了一个名为“语义文学史”的项目，尝试用预训练语言模型分析两百年来的英国小说语义演变。研究团队首先在大量文学文本上微调了一个语言模型，然后让它对每个历史时期的小说进行情感分析和主题建模。结果显示，十八世纪小说的情感轨迹与十九世纪小说存在系统性差异——前者的情感波动较为平缓，后者的情感张力明显加大。这种差异可能与出版市场的变化、读者群体的扩展、现实主义美学的兴起等多种因素有关，但数据层面的发现为这种解释提供了坚实的经验基础。

当然，新技术也带来了新的方法论挑战。大语言模型的“黑箱”特性让研究者难以解释其判断的根据——模型说这段文本表达了“忧郁”的情感，但这种判断是如何做出的？是识别了某些关键词，还是捕捉到了更抽象的语义结构？这种不透明性对于追求解释力和可验证性的人文研究来说是一个需要认真对待的问题。

此外，训练数据本身的偏见也会被模型继承和放大。许多大语言模型在英语文学语料上训练得最充分，对于其他语言和历史时期的覆盖相对薄弱。如果研究者直接将这些模型应用于十八世纪中文小说或十九世纪非洲英语文学的分析，可能会得出误导性的结论。如何构建更加包容和多元化的训练数据集，成为数字人文界亟待解决的问题。

数字人文的主流化：大学、资助机构与出版业

顶尖大学的战略性布局

如果说2005年的那些突破还只是学术前沿的实验，那么此后的十几年间，数字人文经历了从边缘到主流的惊人跃迁。这种跃迁最明显的标志之一是顶尖研究型大学的战略性布局。

2007年，斯坦福大学成立了文学实验室（Stanford Literary Lab），这是常春藤盟校中第一个专门从事数字人文研究的机构。实验室由英语系教授 Franco Moretti 和计算机科学系教授提供了一个独特的跨学科平台，吸引了文学研究者、计算机科学家、设计师和媒体艺术家的共同参与。实验室不设固定的研究方向，而是鼓励研究者自由探索数字方法在人文领域的各种可能性。这种“无主题”的做法在当时的学术体制中相当罕见，但它恰恰契合了数字人文跨学科、实验性的本质。

随后几年，类似的机构如雨后春笋般涌现。密歇根大学成立了“数字人文促进中心”（Digital Humanities Incubator），提供技术培训和研究资助；弗吉尼亚大学建立了“数字公共文化实验室”（Digital Public Humanities Lab），关注数字人文的社会参与面向；加州大学尔湾分校创立了“批判与数字研究实验室”，探索数字人文与批判理论的结合。

英国的牛津大学也在这个浪潮中不甘落后。2012年，牛津大学正式成立“数字人文研究中心”（Oxford Digital Humanities Centre），汇聚了历史、文学、语言学、考古学、信息科学等多个学科的研究者。中心的一大特色是与牛津大学博德利图书馆的深度合作——后者拥有世界上最大的手稿收藏之一，数字人文研究者可以第一时间接触到正在进行的数字化项目，并为之提供技术支持。

这种机构化的趋势意味着数字人文不再是少数“技术极客”学者的自留地，而是开始成为大学学科布局的正式组成部分。招聘市场也随之变化：越来越多的英语系、历史系开始要求候选人具备数字方法的能力，甚至出现了专门招聘“数字人文”方向的教授职位。传统的人文学者如果不懂一些编程或数据分析，在学术市场上会越来越处于不利地位。

资助机构的政策引导

如果说大学的机构布局反映了学术界的内部动力，那么资助机构的政策引导则从外部加速了数字人文的发展。

2007年，美国国家人文基金会（NEH）启动了“数字人文启动补助”（Digital Humanities Start-Up Grants）项目，每年资助约二十个处于萌芽阶段的数字人文项目。这笔钱数额不大，通常在两万五到五万美元之间，但它释放了一个重要信号：联邦资助机构正式将数字人文视为值得支持的研究领域。随后，NEH又推出了“数字人文.implementation补助”（Digital Humanities Implementation Grants），支持更具规模的数字人文基础设施建设。

在欧洲，情况类似。2013年启动的“数字人文基础设施”（DARIAH）项目汇集了欧盟二十多个国家的数字人文资源，建立了一个泛欧的数字人文合作网络。项目的目标是实现数字人文数据、方法论和研究成果的跨境共享，降低各国研究者的重复劳动。另一个重要项目是“欧洲ana”档案（Europeana），这是一个聚合了欧洲数百家博物馆、图书馆和档案馆数字化藏品的平台，为数字人文研究提供了前所未有的资源池。

英国艺术与人文研究委员会（AHRC）也不甘落后。它在2014年发布的“数字人文路线图”中明确提出，要将数字方法整合进艺术与人文研究的“核心基础设施”。路线图建议各大学建立数字人文支持中心，为人文学者提供技术培训和项目管理服务。这一政策的直接后果是英国各大学的数字人文支持服务显著增加