当古老的故事遇上新的技术

那是2019年春天的一个下午，在德国柏林的一家博物馆里，考古学家们围在一张巨大的工作台前。台面上摆着几十块残破的泥板，它们来自四千多年前的古代美索不达米亚，上面刻满了楔形文字——人类已知最早的书写系统之一。这些泥板记录着苏美尔人的日常生活：买卖契约、收据存根、神庙祈祷词、甚至还有情歌和酒馆里的八卦闲谈。

然而，解读这些泥板是一项极其缓慢的工作。传统上，学者们需要借助放大镜逐字辨认，然后用肉眼将楔形符号与已知字表进行比对。即使是经验最丰富的亚述学家，一整天的工作可能也只能完整翻译几百个字符。而柏林博物馆的这批泥板有将近三万块，按照传统速度，完全解读可能需要几十年甚至上百年时间。

但这一次，学者们有了新的帮手。

一台平板电脑被轻轻放在泥板旁边。屏幕上显示的不是简单的文字识别程序，而是一套复杂的人工智能系统。这套系统经过数百万个楔形文字样本的训练，能够自动识别泥板上的符号痕迹，判断它们可能对应的含义，甚至能推测出残缺部分最可能的内容。学者们惊讶地发现，这个人工智能在识别准确率上已经接近人类专家的水平，而速度却快了不知多少倍。

这不是科幻小说中的场景，而是数字人文研究正在真切发生的故事。当古老的泥板遇上现代的人工智能，当千年前的文字故事与现代的计算技术相遇，我们正在见证一种全新知识生产方式的诞生。这就是数字人文——一个正在深刻改变我们理解历史、文学和文化的跨学科领域。

让我们从最基本的问题开始：究竟什么是数字人文？

什么是数字人文

如果用最简洁的语言来定义，数字人文是运用数字技术和计算方法来研究人文问题的一门跨学科领域。它将人文 scholar 的人文智慧与人文学科的研究问题，与计算机科学的数据处理能力、数据分析技术有机结合。数字人文的研究对象涵盖了传统人文学科的所有领域——文学、历史、哲学、语言学、艺术史、考古学、音乐学等——但它采用的研究方法和工具却来自计算机科学、数据科学和信息技术的最新发展。

这个定义听起来也许有些抽象，让我们把它拆解成几个关键要素来理解。

首先，数字人文是一个跨学科的领域。跨学科这个词在当代学术话语中已经被用得很多，但数字人文的跨学科性有其独特的含义。它不仅仅是两个学科的简单合作，而是要求研究者能够同时掌握人文和技术的双重能力。一位从事数字文本分析的学者，不仅需要精通文学理论和文本解读方法，还需要理解自然语言处理的基本原理。一位从事历史GIS（地理信息系统）研究的专家，不仅需要对历史地理有深入了解，还需要熟练操作地图制图软件并进行空间数据分析。这种双重能力的要求，使得数字人文研究者成为一个独特的群体。

其次，数字人文的核心仍然是人文问题。技术在这里是手段而非目的。数字人文学者使用计算工具，不是为了展示技术的强大，而是为了更好地回答人文学科中的经典问题：我们如何理解一部文学作品的意义？历史事件的因果关系是什么？文化变迁的规律如何？技术方法的价值，在于帮助我们处理传统方法难以应对的大规模数据，发现肉眼难以察觉的模式和联系，最终服务于我们对人类文化和社会的深入理解。

第三，数字人文强调数据和计算的思维方式。在传统人文学科中，研究者通常以单个文本或有限的一组文本作为研究对象，进行深入的个案分析。这种方法的优势在于能够揭示文本的丰富细节和微妙含义。但它的局限也很明显：当研究对象数量庞大时，传统方法往往力不从心。而数字人文则提供了一种“远读”的可能性——通过对海量文本的统计分析，发现文学传统中的整体趋势、演变规律和结构特征。远读与细读互为补充，共同构成了人文研究的方法论框架。

为了更好地理解数字人文，让我们回顾一下这个领域形成和发展的历史。

从“人文计算”到“数字人文”：一段概念的演变史

数字人文的起源可以追溯到20世纪40年代末50年代初，那是计算机还占据整间房间、运算能力还不如今天一台普通智能手机的时代。然而，正是在那个时候，一些极具远见的学者开始思考一个在当时看来近乎疯狂的问题：计算机能否用来研究文学作品？

这个问题的第一个回答者之一，是意大利神父罗伯特·布萨。

1952年，罗伯特·布萨（Roberto Busa）神父在 IBM 的资助下，启动了一个雄心勃勃的项目：《托马斯著作索引》（Index Thomisticus）。这个项目的目标是对托马斯·阿奎那的全部著作进行系统的词汇索引编制。阿奎那是中世纪最重要的神学家和哲学家之一，他的著作数量庞大、手稿版本复杂。仅凭人力来完成这样一个索引，需要耗费数十年甚至更长的时间。

布萨神父找到了IBM公司，希望借助计算机来加速这个过程。IBM的创始人托马斯·沃森（Thomas J. Watson）对这个项目表现出了浓厚兴趣，并派遣工程师与布萨神父合作。这段合作持续了数十年，最终产生了人类历史上第一批完全由计算机生成的人文研究索引之一。当1980年《托马斯著作索引》全部完成时，它包含了超过一千万个词汇的条目。

布萨神父的工作在当时引起了巨大反响，但并没有立即引发人文学科的普遍变革。一方面，当时的计算机价格昂贵、操作复杂，大多数人文学者根本没有接触的机会。另一方面，人文学科的同行们对这些新技术持怀疑态度，他们担心计算机会把人文学者变成“数据处理员”，抹杀人文研究的创造性和艺术性。

这种怀疑的声音在接下来几十年里一直存在。即使在20世纪80年代个人计算机开始普及之后，人文学科的“计算机化”进程仍然非常缓慢。大多数情况下，计算机只是被用作文字处理工具和资料检索工具，而没有真正改变人文学者的研究方法。

真正转折点出现在21世纪之交。那时候，几个重要的发展汇聚在一起，彻底改变了数字人文的面貌。

首先，互联网的普及和万维网的诞生使得大规模数字化成为可能。以前，一部古籍需要专人手工录入计算机，既费时又费力。但随着扫描技术和光学字符识别（OCR）技术的成熟，图书馆和档案馆开始大规模地将自己的馆藏数字化。数以百万计的书籍、手稿、图片被转化为数字格式，并在网上向公众开放。这为数字人文研究提供了前所未有的原材料。

其次，21世纪初，“数字人文”这个术语正式确立并被广泛采用。在此之前，学者们更常用“人文计算”（Humanities Computing）或“计算语言学”（Computational Linguistics）来指称这个领域。2004年，两位数字人文领域的先驱学者——美国伊利诺伊大学的约翰·安斯康姆（John Unsworth）和意大利帕多瓦大学的弗朗哥·莫雷蒂（Franco Moretti）——开始使用“数字人文”（Digital Humanities）这个新术语。莫雷蒂是当时已经享有盛名的文学理论家，他的加入为这个新兴领域带来了巨大的人文学术声望，证明了数字人文不是技术专家的自留地，而是真正的人文学科。

第三，也是最重要的是，人工智能技术取得了突破性进展。2010年代，深度学习技术的成熟使得计算机在图像识别、自然语言处理、语音识别等领域达到了接近甚至超越人类的水平。这些技术为数字人文研究提供了强大的新工具。人脸识别技术被用于识别古籍手稿中的抄写者，网络分析技术被用于揭示文学作品的传播路径，自然语言生成技术被用于推测残损文献的可能内容。所有这些，在几十年前都是不可想象的。

这些发展汇聚在一起，使得数字人文在21世纪迎来了爆发式增长。大学里出现了专门的数字人文中心和研究所，出版社推出了数字人文方向的学术期刊，政府和基金会开始为数字人文项目提供大额资助，数字人文会议吸引了来自全球各地、数以千计的参与者。数字人文不再只是一个边缘的、实验性的研究领域，而是正在成为人文学科的主流方向之一。

数字人文的研究对象：一切皆可数据化

既然数字人文要用计算方法研究人文问题，那么它首先需要解决一个问题：把什么转化为数据？

答案是：几乎所有东西都可以被转化为数据。让我们来看看数字人文研究的主要对象。

文本：数字人文的核心阵地

文本是数字人文最传统、也是最重要的研究对象。从一开始，数字人文就与文本分析结下了不解之缘。

文本数据化的基本形式是数字文本（digital text）。与普通的电子文档不同，数字文本是经过结构化处理的文本，其中每个词汇、每个句子、每个段落的边界都有明确的标记。这种标记不仅是格式上的，更重要的是语义上的。例如，在一个标注完善的数字文本中，文本中的地名会被标记为人名、日期会被标记为时间、对话会被标记为引文。这种标注使得计算机能够“理解”文本的结构，从而进行更精准的分析。

数字人文中的文本分析可以分为几个层次。最低层次是词汇统计：计算文本中各个词出现的频率，绘制词频分布图。稍高层次是关键词提取：通过统计方法找出文本中最具代表性的词汇。更高的层次则包括主题建模（通过算法发现文本集合中潜在的主题结构）、情感分析（判断文本的情感倾向）、风格分析（识别文本的写作风格特征）等。

值得一提的是“远读”（distant reading）这个概念。它由意大利文学理论家弗朗哥·莫雷蒂在2000年代提出，是数字文学研究中最具影响力的方法论创新之一。与传统的“细读”（close reading）不同，远读不是逐字逐句地分析单个文本，而是通过统计分析大量文本，发现文学史上的宏观趋势和模式。例如，莫雷蒂曾经分析了19世纪欧洲小说中的地理分布，发现小說中的空間往往被简化为几个固定的类型：海洋、森林、城市等。这种发现是细读无法完成的，只有通过远读才能实现。

图像：视觉文化的量化分析

图像是数字人文的另一个重要研究对象。从古代的洞窟壁画到现代的摄影作品，从宗教圣像到政治宣传画，图像承载着丰富的人类文化信息。但在传统人文学科中，图像研究往往依赖专家的个人眼光和直觉，缺乏系统化的分析方法。

数字人文为图像研究带来了革命性变化。通过计算机视觉技术，学者们可以自动识别图像中的视觉元素——人物、物体、颜色、构图——并进行大规模的统计分析。例如，艺术史学家可以利用图像识别技术，分析数千幅文艺复兴绘画中人物姿态的分布，发现某些特定姿势的流行趋势。或者，通过颜色分析技术，比较不同地区、不同时期的绘画作品在色彩运用上的差异。

更复杂的图像分析还包括面部识别、表情分析、物体检测等。这些技术使得学者们能够以前所未有的规模来研究视觉文化，揭示那些在传统方法中难以察觉的规律和趋势。

地图与空间数据：看见历史的地理维度

历史地理信息系统（Historical GIS）是数字人文中发展最快的方向之一。通过将历史事件、历史人物、历史文化现象与地理空间联系起来，研究者可以揭示人类活动的空间规律。

例如，麻省理工学院的“地球时间”项目（EarthTime）将全球历史事件可视化在一个动态的地球仪上，用户可以直观地看到人类历史上重大事件在空间和时间上的分布。这种可视化不仅仅是展示工具，更是分析工具：通过观察事件的空间聚集和扩散模式，历史学家可以提出新的研究假设，探索历史因果关系的新解释。

空间分析还可以帮助我们理解文学作品的地理维度。通过标注文学作品中的所有地名，并将其在地图上可视化，研究者可以分析作品中的空间结构、人物活动的地理范围、叙事空间的构建方式等。这种方法对于研究旅行文学、地方文学、殖民文学等涉及大量空间移动的文学类型尤其有用。

音频与音乐：声音的数字化解读

音频数据在数字人文研究中有着独特的地位。一方面，音频是人类文化遗产的重要组成部分——古老的民歌演唱、口述历史录音、传统音乐表演——这些都是宝贵的人文资源。另一方面，音频分析为数字人文提供了新的研究维度。

数字音乐学（Digital Musicology）是音频分析在人文学科中最重要的应用领域。通过音频分析技术，研究者可以自动提取音乐作品的音高、节奏、和声、纹理等特征，进行大规模的比较研究。例如，音乐学家可以分析数百年来古典音乐作品中调性运用的变化趋势，或者比较不同作曲家在旋律构建上的风格差异。

语音识别技术的进步也为语言学研究带来了新工具。研究者可以自动转录口语语料，计算不同语言或方言的语音特征，分析语言演变的规律。对于研究濒危语言和方言的学者来说，这些技术尤其有价值。

视频：多模态数据的整合

视频是数字人文中最为复杂的研究对象，因为它同时包含了视觉、听觉和文本（字幕）三种模态的信息。分析视频需要对图像、音频、文本三种数据类型的处理技术进行整合。

数字人文中的视频研究主要用于分析电影、电视节目、纪录片等视听作品。例如，电影学者可以利用视频分析技术，自动识别电影中的镜头类型、场景转换、人物出现频率等视觉特征，进行大规模的影片比较研究。这种方法可以用来研究电影史上的风格演变、不同导演的视觉偏好、类型电影的模式化特征等。

社交媒体视频的研究则更侧重于内容分析。通过分析用户上传的视频内容，研究者可以了解社会文化趋势、公众议题的关注度变化、热点事件的发展过程等。

社交媒体数据：数字时代的人文资源

社交媒体是数字时代的新产物，但也已经成为数字人文的重要研究对象。Twitter、微博、微信、Reddit、豆瓣——这些平台上每天产生着数以亿计的帖子、评论、图片、视频，构成了人类历史上前所未有的海量数字文本和多媒体资源。

对于研究者来说，社交媒体数据提供了独特的窗口，让我们能够以前所未有的规模和精度观察当代社会的文化现象、语言使用、社会互动。例如，语言学家可以通过分析社交媒体上的语言使用，研究新词汇的产生和传播、网络语言与主流语言的关系、不同群体在语言使用上的差异。社会学家可以通过分析社交网络结构，研究社会关系的形成机制、信息在社会网络中的传播路径、意见领袖的影响力等。

当然，社交媒体数据研究也面临着严峻的伦理挑战。关于隐私保护、数据安全、知情同意等问题，数字人文研究者正在与伦理学、法学领域的学者合作，探索负责任的数据使用方式。这些问题将在后续章节中详细讨论。

从模拟到数字：数据的转化之路

了解了数字人文的研究对象之后，我们还需要理解一个关键问题：这些五花八门的人文材料是如何被转化为计算机可以处理的“数据”的？

这个过程通常被称为“数据化”（datafication），是数字人文研究的起点。数据化的方法多种多样，取决于原始材料的类型和分析目标。

对于文本数据来说，最基本的转化是键盘录入或扫描识别。键盘录入适用于可读的印刷文本或手写文本，而光学字符识别（OCR）则用于从扫描图像中提取文本。对于古代文献和手稿，OCR技术的效果往往不理想，这时可能需要借助人工转录或人工智能辅助识别。无论采用哪种方法，最终的目标都是将文本内容转化为可以被计算机处理的数字格式。

在基本转化完成之后，通常还需要进行更高层次的标注和编码。这种处理被称为“编码标注”（encoding annotation），通常遵循特定的文本编码标准。最广泛使用的文本编码标准是TEI（Text Encoding Initiative），它为各种文本特征的标注提供了详细的指南和规范。例如，在TEI编码的文本中，人名可以标注为`<persName>`，地名可以标注为`<placeName>`，时间可以标注为`<date>`，引用可以标注为`<quote>`。这种语义化的标注使得计算机能够区分文本中的不同元素，从而进行更精准的分析。

对于图像数据，数据化的第一步通常是图像采集——通过高分辨率扫描或摄影，将图像转化为数字图像文件。在此基础上，研究者可以采用不同的分析方法。对于简单的统计分析，可以使用图像处理软件提取图像的基本特征，如颜色分布、亮度对比、边缘检测等。对于更复杂的分析，可以利用计算机视觉模型进行物体识别、场景分类、人脸检测等任务。近年来，基于深度学习的图像分析技术取得了巨大进步，已经能够在许多视觉分析任务上达到与人类专家相近的水平。

对于音频数据，数据化过程涉及将声波信号转化为数字信号。原始的音频文件是连续的波形数据，分析之前通常需要将其转化为更易处理的特征表示，如梅尔频谱图（Mel spectrogram）或梅尔频率倒谱系数（MFCC）。这些特征能够捕捉音频的音高、音色、节奏等重要属性，是后续分析的基础。

对于空间数据，数据化需要为每个地理要素赋予坐标信息。历史上许多地点的准确位置已经难以确定，研究者需要综合历史地图、地方志、考古发现等多种信息源来进行地理配准（georeferencing）。完成了坐标赋予之后，空间数据就可以在GIS软件中进行可视化、分析和建模。

社交媒体数据的获取相对复杂，通常需要通过平台提供的应用程序接口（API）进行数据抓取。但API往往有访问限制和数据量上限，对于大规模研究可能不够。研究者也可能使用网络爬虫工具直接从网页抓取数据，但这需要谨慎处理法律和伦理问题。无论采用哪种方法，原始的社交媒体数据通常是嘈杂的、非结构化的，需要经过清洗、去重、标准化等预处理步骤才能用于分析。

数字人文与传统人文学科：伙伴还是对手？

在讨论数字人文的定义和历史时，我们不得不面对一个在学术界持续存在争议的问题：数字人文究竟是传统人文学科的朋友还是对手？

坦率地说，这个问题没有简单的答案。不同的学者出于不同的立场、经验和对数字人文的理解，给出了截然不同的回答。

一部分传统人文学者对数字人文持怀疑甚至批评的态度。他们担心数字方法会将丰富的人文体验简化为冰冷的数字统计，担心计算机生成的分析结果会掩盖人文研究的复杂性和创造性，担心年轻学者追求技术能力会削弱人文素养的培养。他们常常引用一个批评：“数字人文让你看到树木，但让你失去森林”——意即数字方法过于关注细节的量化，而忽视了整体的意义阐释。

这种批评不无道理。在数字人文发展的早期阶段，确实存在一些过于追求技术展示、忽视人文深度的问题。一些项目花费大量资金开发复杂的可视化系统，但最终产出的学术洞见却寥寥无几。也有一些研究者沉迷于方法论的新颖性，而忽视了对研究问题的深入思考。

然而，另一方面，数字人文的倡导者则针锋相对地指出，传统人文学科同样存在严重的局限性。他们指出，人文学者在面对大规模数据时往往束手无策，只能依靠个人直觉和有限样本得出结论，这种研究方式在方法论上是不可靠的。他们还指出，人文学科长期以来的门派之争和知识垄断，阻碍了跨学科合作和方法创新，数字人文正在打破这些壁垒。

更重要的是，越来越多的学者认识到，数字人文与传统人文学科不是对立的，而是互补的。远读与细读、数字方法与阐释方法、大规模统计与个案分析，它们不是相互排斥的，而是相互强化的。

让我们用一个具体的例子来说明这一点。牛津大学的大卫·斯彭伯恩（David Spibber）教授是研究17世纪英国文学的专家。在一项研究中，他对当时数千份出版书籍进行了文本分析，发现了一个有趣的现象：在这个世纪的文学作品中，“honour”（荣誉）这个词的使用频率呈现明显的下降趋势，从世纪初的高频率逐渐降到世纪末的低频率。

这个发现本身是通过数字方法得出的。但接下来，斯彭伯恩并没有止步于统计数据，而是深入阅读了那些使用“honour”频率最高的文本，分析这个词在不同语境中的具体含义和情感色彩，探索它与社会价值观变化的关联。这种从数字发现出发、深入文本阐释、再回到数字验证的循环，正是数字人文与传统方法融合的典范。

数字人文的新思维：不仅仅是工具

如果只能用一句话来概括数字人文的本质，我会说：它不仅仅是一套技术工具，更是一