什么是数字人文？—— 当计算机遇见李白与莎士比亚 / What is Digital Humanities?
什么是数字人文？— 当计算机遇见李白与莎士比亚 / What is Digital Humanities? — When Computers Meet Li Bai and Shakespeare
公元 756 年的一个秋夜，诗人李白在扬州的客店里抬起头，看见窗外的月光洒在地上，像铺了一层薄薄的霜。他提起笔，写下二十个字：
> 床前明月光，疑是地上霜。 > 举头望明月，低头思故乡。
一千二百年后，一个上海的五年级小学生坐在书桌前，打开笔记本电脑，在搜索引擎里输入"李白 月亮"，屏幕上跳出 1,247 行结果——这位古人一生写过大约 1,000 首诗，其中 327 首里出现了"月"或"明月"。这个小学生只用三秒钟，就完成了一件李白自己可能都没意识到的事：他看见了李白灵魂里反复出现的一个意象。
从二十个字到 1,247 行搜索结果，从竹简到笔记本电脑，变的不仅仅是"工具"，更是"读懂古人"的方式。
这一章，我们要回答一个看似简单、其实非常深刻的问题——
> 什么是数字人文（Digital Humanities）？它和我们平时读历史、读诗，到底有什么不一样？
为了回答这个问题，我会先带你认识三个真实发生过的故事，然后亲手做一次"宏观阅读"实验，最后给你一张属于小小探险家的好奇心清单。准备好了吗？我们出发。
---
一、一个大问题：人一辈子能读多少书？/ A Big Question: How Many Books Can One Person Read?
在展开"数字人文"这个名词之前，我们先做一道算术题。
大英图书馆（British Library）是世界上最大的图书馆之一，它的地下书库藏着超过 1.7 亿件藏品，其中光"书"就有大约 1,400 万本。再看中国国家图书馆，藏书超过 4,000 万册。我们把这些书加起来，假设全世界所有的图书馆一共藏有 10 亿本书——这个数字可能仍然偏保守。
一个普通人，平均阅读速度大约是每分钟 250 到 300 个汉字。假设你每天雷打不动地读 2 个小时，一年读 365 天，那么一年大约能读完 30 本中等厚度的书。
$$10^9 \text{ 本} \div 30 \text{ 本/年} \approx 3.3 \times 10^7 \text{ 年}$$
也就是说，一个人要读完世界上所有的书，需要三千三百万年——比现代人类出现的时间还要长十倍。
这就是第一个大问题：一个人的生命，是装不下人类全部文字的。
但人类的求知欲并不会因此停下脚步。几千年来，学者们发明了很多"绕过这个限制"的办法：
- **摘录法（Excerpting）**：抄下最精彩的段落，比如《古文观止》就是从几千篇文章里挑出来的 222 篇精华。
- **索引法（Indexing）**：像《康熙字典》那样，把所有汉字按部首排列，让你能"按图索骥"。
- **目录法（Cataloging）**：图书馆里那张卡片目录（Card Catalog），告诉你每一本书放在哪个架子。
这些都是了不起的发明。但它们都有一个共同的特点：它们仍然依赖一个具体的人去读过那本书。一本从来没有人读过的书，对人类来说就等于不存在。
数字人文要解决的，就是最后一个问题——它希望找到一种方法，让"没有人读过的书"也能被研究、被看见、被理解。
这一节的判断：传统的人文学科研究，受限于"一个人、一辈子、一双眼"。数字人文不是要否定这种"精读"，而是要给它加上一对新的翅膀——让"宏观阅读"（Distant Reading）成为可能。
> 小知识："Distant Reading" 这个词是意大利裔美国学者 Franco Moretti 在 2000 年提出的。他主张，文学研究者不必读遍所有小说，也应该像天文学家观察星空那样，"远观"成千上万本书的整体形状。这正是数字人文的核心思想之一。
---
二、拆开"数字"与"人文"：两个词的真正含义 / Unpacking "Digital" and "Humanities"
"数字人文"这四个字，其实是两个学科的"合体"。我们必须把它拆开看，否则会产生很多误会。
2.1 什么是"人文"？/ What are the Humanities?
"人文"（Humanities）这个词，在英文里和"人类（Human）"是同一个词根。它的意思是：所有关心"人创造了什么、为什么创造、如何被理解"的学科。
它通常包括：
- **文学（Literature）**：李白、杜甫、莎士比亚、托尔斯泰的诗与小说。
- **历史（History）**：王朝兴衰、战争和平、人物传记。
- **哲学（Philosophy）**：孔子、老子、苏格拉底、康德的思考。
- **艺术史（Art History）**：达·芬奇的画、王羲之的字、青花瓷的纹样。
- **语言学（Linguistics）**：汉字的演变、英语的语法、方言的分布。
- **宗教研究（Religious Studies）**：佛教、基督教、伊斯兰教等。
注意一个细节：人文研究不是单纯地"记录事实"，而是追问"为什么"和"怎么看"。比如同样是 755 年的安史之乱，历史学家关心它发生的政治原因，文学家关心战乱中杜甫写下《春望》时的情绪，哲学家关心战争与人性的关系。
一句话总结：人文研究的核心，是"理解人"。
2.2 什么是"数字"？/ What is "Digital"?
"数字"（Digital）这个词，在今天的语境里，几乎就等于"计算机"。但它比计算机更具体：它指的是"用 0 和 1 这样的离散信号，来表示和处理信息"。
当我们要让计算机帮忙研究李白的时候，我们至少需要用到这五类数字技术：
1. 数字化（Digitization）：把纸上的字扫描成图片（image），再用 OCR（Optical Character Recognition，光学字符识别） 把图片变成文字。这一步让李白的手稿可以变成一个文本文件（.txt）。 2. 数据库（Database）：把所有唐诗装进一个可以快速搜索的结构里。今天最著名的《全唐诗》电子版，里面装了 约 49,000 首诗、3,000 位作者。 3. 算法（Algorithm）：让计算机按照一套步骤去"数"。比如"数一数每个词出现了几次"，这就是 词频统计（Word Frequency Analysis）。 4. 可视化（Visualization）：把数字结果变成图表——柱状图、折线图、网络图、地图。 5. 机器学习（Machine Learning）：让计算机从数据里"自己找规律"。比如让计算机自动判断一首诗是"李白写的"还是"杜甫写的"。
一句话总结：数字技术的核心，是"用计算处理大规模数据"。
2.3 当它们相遇：数字人文的诞生 / When They Meet: The Birth of DH
把上面两段拼在一起：
> 数字人文 = 用计算机的方法，研究人的创造物（书、画、诗、历史、文物），并反过来，用人文的"问题意识"去引导计算的方向。
这个公式看上去简单，但它意味着一种研究范式的根本变化。我们用一个比喻来讲清楚：
| 比喻维度 | 传统人文研究 | 数字人文研究 | | --- | --- | --- | | 像谁 | 一个在显微镜前的生物学家 | 一个用望远镜的天文学家 | | 看什么 | 一朵花瓣的纹路 | 一片星空的形状 | | 工具 | 笔、纸、放大镜 | Python、数据库、词云图 | | 优势 | 看到细微、深刻 | 看到整体、宏观 | | 局限 | 看不见远方 | 看不清细节 |
这两种研究方式不是对立的，而是互补的。数字人文的奠基人之一、苏格兰文学学者 Willard McCarty 说过一句话："Humanities Computing is a *methodology*, not a *theory*."（人文计算是一种方法，不是一种理论。）这句话的意思是：数字人文不会告诉你"这首诗好不好"，它会告诉你"这首诗的哪些特征很罕见"——这些罕见特征需要一位真正懂诗的学者来解释。
---
三、三个真实的故事：数字人文不是科幻 / Three Real Stories: DH Is Not Sci-Fi
光说定义太抽象。我要带你认识三个真实发生过的项目。它们都在 2010 年前后出现，每一个都改变了我们"读古人"的方式。
3.1 故事一：Google Ngram Viewer —— 五百年的语言时间机器
Ngram 是什么？它是自然语言处理里的一个术语，指的是文本中连续的 N 个词。比如：
- 1 个词：**Unigram**（一元词组），例如 "love"。
- 2 个词：**Bigram**（二元词组），例如 "I love"。
- 3 个词：**Trigram**（三元词组），例如 "I love you"。
Google Ngram Viewer 的原理很简单：
1. Google 公司把过去 500 年里出版的 约 2,200 万本英文书（共占人类历史出版物的 7%）扫描成电子文本。 2. 用 OCR 把图片转成文字。 3. 把所有文字按年份归档。 4. 每年数一遍：某个 n-gram 出现了多少次？除以那年总共有多少词？
最终的结果是一个网页工具：你在搜索框输入"love, war"，选择年份 1700–2019，再选语料库是英文还是中文，它就画出一张折线图，告诉你这两个词在每一年出现的频率。
2011 年，Google 的工程师 Jean-Baptiste Michel 和哈佛大学的 Erez Lieberman Aiden 等人在顶级科学期刊 《科学》（Science） 上发表了一篇论文，叫 *"Quantitative Analysis of Culture Using Millions of Books"*（用数百万本书定量分析文化）。这篇论文震惊了整个学术界，因为它揭示了一个惊人的规律：
> 英语里像 "the"、"of" 这种"功能词"的频率，几乎和 1550 年一样；而像 "computer"、"internet" 这种"内容词"，则像股票的曲线一样剧烈波动。
更有意思的是，他们还发现：在 重大历史事件 发生的那几年，某些词会出现"凸起"——比如 "war"（战争）在 1914、1939、2001 年出现尖峰；"pandemic"（大流行病）则在 1918（西班牙流感）和 2020（新冠）出现尖峰。
这一节的判断：Google Ngram Viewer 告诉我们，语言是历史的化石。只要我们有足够多的文本，就能用词频的变化去"测"历史事件——这在以前需要花一个历史学家团队几十年的时间。
3.2 故事二：莎士比亚戏剧语料库 —— 谁和谁说了多少话？
莎士比亚（William Shakespeare, 1564–1616）一生写了大约 39 部戏剧、154 首十四行诗。要研究他的作品，一个经典问题是："在不同的剧里，谁是主角？"
传统方法：学者读完全剧，手工统计每个角色的台词数量。这要花上几个月。
数字人文方法：把莎士比亚全集做成一个 语料库（Corpus），然后用 Python 脚本统计每一行台词的角色名。
举个例子。我把《哈姆雷特》（Hamlet）的剧本喂给一个小程序：
```python from collections import Counter
with open("hamlet.txt", encoding="utf-8") as f: lines = f.readlines()
speakers = [] for line in lines: line = line.strip() if line.isupper() and len(line) < 20: speakers.append(line)
count = Counter(speakers) print(count.most_common(5)) ```
这段代码的意思是：
- 打开文件 `hamlet.txt`（提前下载好的剧本）。
- 一行一行读。
- 如果这一行全部是大写字母、且不超过 20 个字符，那很可能是一个角色名（比如 `HAMLET`、`CLAUDIUS`）。
- 统计每个角色名出现的次数，按次数从高到低排序，取前 5 名。
运行结果大致是：
``` [('HAMLET', 358), ('HORATIO', 110), ('CLAUDIUS', 108), ('POLONIUS', 87), ('LAERTES', 67)] ```
这一下我们就能看见：哈姆雷特本人果然是全剧的"话痨"，说了 358 段台词，遥遥领先于其他角色。克劳狄斯（他的叔叔）和波洛涅斯（御前大臣）的台词数差不多——说明这两个人物在剧中分量相当。
更进一步，如果我们画一个 角色共现网络图（Character Co-occurrence Network），把"在同一幕中一起出现的两个角色"连一条线，就会看到：
- 哈姆雷特处于网络的中心。
- 霍拉旭、奥菲莉亚、罗森格兰兹、吉尔登斯吞等都和哈姆雷特直接相连。
- 一些次要角色之间没有连接。
这种图，我们叫 社会网络分析（Social Network Analysis, SNA）。它本来是社会学家用来研究"微信群里谁和谁更亲近"的工具，被借用到文学里，效果出奇地好——它让我们一眼看出剧本里的人物关系结构。
这一节的判断：数字方法不是替代"读剧本"，而是给学者一双新的眼睛，去看见那些肉眼很难注意到的"统计规律"。
3.3 故事三：《全唐诗》数据库 —— 让 49,000 首诗同时开口
2000 年前后，台湾"中央研究院"（Academia Sinica）的几位学者做了一个大工程：把清代康熙年间编纂的《全唐诗》共 4 万 9 千多首诗、近 3,000 位诗人全部录入电脑，做成了一个免费的在线检索系统，叫 「唐诗三百首」电子版（后来扩大到全唐诗）。
这个数据库可以做哪些事？我随便举几样：
1. 关键字检索：输入"月"，立刻列出所有含"月"的诗（约 4,000 多首）。 2. 作者检索：输入"李白"，列出他所有现存诗作（约 1,000 首）。 3. 共词检索：同时找"月"和"酒"出现在同一首诗里的例子——这能帮助我们统计"李白是不是真的那么爱月下饮酒"。 4. 韵律分析：让程序检查每一首诗的平仄（古汉语的声调规律），自动判断它是否符合格律。
更厉害的是后来者。2016 年开始，国内外多个研究团队用 深度学习（Deep Learning） 训练了一个叫 "诗仙" 或 "九歌" 的人工智能模型。你只要给它一个开头，比如"黄河之水天上来"，它就能续写出整首七言古诗。虽然机器写的诗比不上李白，但已经能押韵、对仗、用典。
还有一类叫 Stylometry（文体计量学） 的技术。它通过统计一首诗里某些字词的出现频率，自动判断它的作者。研究者用它发现：
> 在《全唐诗》中，有 约 100 首长期被归于"李白"名下，但用文体计量学分析后发现，它们和李白其他作品的用词习惯差异显著——可能是后人伪托。
这一节的判断：《全唐诗》数据库告诉我们，当一座图书馆被"数字化"之后，它就从一个"藏书的地方"，变成了一个"会说话的地方"。每首诗都是一个证人，49,000 个证人一起开口，会讲出一个学者穷尽一生也读不完的故事。
---
四、流程对比：一束流程图看清两种研究方式 / Workflow Comparison: One Diagram, Two Methods
讲完三个故事之后，我们用一个流程图把"传统人文研究"和"数字人文研究"做一次直接对比。请仔细看下面这张图：
```mermaid flowchart TD A[Traditional Way: One book, one reader] --> A1[Read the whole book carefully] A1 --> A2[Hand-write notes and keywords] A2 --> A3[Form a personal interpretation] A3 --> A4[Write an essay or research paper] A4 --> A5[Publish in a journal] B[Digital Way: Ten thousand books, one computer] --> B1[Collect and digitize text corpus] B1 --> B2[Clean and tokenize text] B2 --> B3[Compute statistics, networks, embeddings] B3 --> B4[Visualize with charts and maps] B4 --> A3 A5 --> C[Knowledge grows slowly, one book at a time] A3 --> C ```
这张图想表达三件事：
1. 传统路径（左侧）是线性的：读 → 记 → 想 → 写 → 发表。每一步都依赖一个具体的人。 2. 数字路径（右侧）也是从"读"开始的，但中间加入了四个计算环节：建库（Build corpus）→ 清洗（Clean and tokenize）→ 计算（Compute statistics）→ 可视化（Visualize）。这四个环节让人文学者第一次拥有了"批量处理"的能力。 3. 两条路径最终汇合于同一个地方："Form a personal interpretation"（形成个人解释）。也就是说，机器只是工具，最后做判断的，永远是人。
如果你觉得流程图抽象，这里有一个生活中的例子：
> 想象你想知道"全校 2,000 名同学最爱吃什么水果"。 > - 传统方法：你站在校门口，逐个问每个同学（这要问 2,000 个人，问到一半你就累垮了）。 > - 数字方法：你让学校发一张在线问卷，全校同学 5 分钟填完，系统自动汇总成一张柱状图："苹果 38%