讲座｜包弼德：何谓数字人文？何为数字人文？

2023年10月27日，哈佛大学讲席教授包弼德应邀在上海交通大学人文学院进行了题为“何谓数字人文？何为数字人文？”（What are the Digital Humanities and Why are They Important?）的公开讲座。此次讲座同时也是上海交大人文学院20周年纪念活动之一，由上海交通大学人文学院王宁教授主持。

数字人文是借助计算机和数据科学等方法和手段进行的人文研究，近半个世纪，尤其是近十多年来，随着计算机技术手段的蓬勃发展，数字人文研究方兴未艾。包弼德教授首先介绍了人文与数字人文的定义及差别，并以CBDB（中国历代人物传记数据库）为例介绍了目前数字人文研究的情况，讨论了如何支持数字人文的发展。以下是讲座记录：

讲座现场（摄影：张艺菡）

什么是人文？可以有三层意思，首先，人文是人类创造出来借以达意的媒介，可以是语言文学，也可以是艺术和音乐；第二，人文是我们创造的叙事，通过现在和过去的关系定位现在，通过此处与彼处的关系定位此处，这同时包含时间上和空间上的意义，也就是历史和人文地理；第三，人文是关于我们是如何行动的学说，包括哲学、宗教等等。有人认为，在中国，人文可以对标为国学，国学以儒学为本，但国学这个词带一点意识形态意味。我宁可说人文就是文史哲。论语中有句话叫“述而不作，信而好古”，可是苏轼认为述而不作是不够的，必得有创造，必得有新意，人文研究也是如此，必须述而作，传统和创新都需要。

数字人文和传统人文研究的不同，有四个方面：一是数字资源，二是数据（data），三是用计算性方法查找和提取数据，四是用计算性方法分析数据，把数据可视化，来创造新的信息。也可以说，数字人文是在数字环境下促成周期研究，一个研究周期包括找到研究问题、收集数据、查找资料数据信息，整理、分析数据等环节，这些环节都可以运用数字人文方法。

数字资源是数字人文和传统人文的不同点之一。数字人文需要借助大量的电子资源展开研究。可现在的电子资源数据库越来越贵。信息革命的时代，大家有一些愿景，觉得可以借助这个潮流，让原本比较难获得的资源数字化后供给全世界。但不公平的情况仍然存在，资金充裕的大学数字资源多，资金匮乏的大学资源少。

第二个不同点是数据（data），数字人文就是有很多数据的人文。数据是什么？数据（data）是可以被作为单一实体处理并加以编码的一个事实或统计数据。可是data不是information（信息），data是个实体，必须把data整理联合起来，才可以成为信息。举一个例子，这张图是《宋史·吕祖谦传》中的一段话：

这一段话中有很多数据，包括人名、地址、职官、社会关系、亲属关系，通过文本挖掘的技术手段，可以从这一段话中提取出许多数据，并展示给大家。

第三个不同是数字人文用计算性方式查找和提取数据。现在有两个比较普遍的方法，一个是专名识别（Named Entity Recognition），比如如果有一个词典包含了所有地名，我们就可以依据这个数据库进行文本挖掘，看某个文本包含了哪些地名；另外一个方法是正则表达式（Regular Expression），正则表达式就是找到文本信息的规律，借助计算机编程进行提取这些信息。举一个简单的例子，比如我们要找到一个文本中的书名，书名往往分布在书名号（《》）之间，这就可以写一个计算机程序，提取所有书名号之间的文本。

也有一些更复杂的正则表达式，比如之前提取《宋人传记资料索引》两万五千条传记中的信息，设计正则表达式花了很久时间，但之后几天之内就把这些信息全都提取了出来，这就需要计算机专业人才的协助。欧洲的魏希德教授利用这一方法主持开发了Marcus平台，可以帮助我们进行一些文本信息（如人名、地名等）的标注。

第四是用计算性方式去分析数据，把数据可视化，创造信息。举两个例子，分别是北宋和南宋进士的地理分布和吕祖谦的学术网络。有意思的是，从吕祖谦的学术网络中，我们容易发现朱熹的地位还是要比吕祖谦更重要。

我自己主要研究思想史，尤其是唐宋元明士大夫的思想史。我利用数字人文进行群体传记学的研究。但文学研究者利用数字人文时的关注点往往和历史学家有所不同。历史学家往往对人物有兴趣，而文学研究者对词汇更有兴趣。文本分析的一个重要视角是互文性（intertextuality），即讨论文本之间的引用情况，例如《吕氏春秋·必己》和《庄子·山木》文本的互文情况。借助互文性研究的相关技术，我们可以得到所有先秦文献的“文本重复使用”的情况，如图所示：

最近自然语言处理工具ChatGPT的广泛运用引发了很多讨论。在大学里，一个很重要的问题就是学生在作业中可不可以使用ChatGPT。我们现在的基本看法是，几乎没有办法阻止学生使用ChatGPT，关键在于我们如何用它更深入地去研究哲学或者文学。我曾做过一个尝试，先用英文问ChatGPT佛学是什么（What is Buddhism）？然后用简体中文问：佛教是什么？再用繁体中文问：佛教是什麼？会得到三个不同的回答。这是因为ChatGPT会学习不同语言的语料库，简体中文、繁体中文和英文的回答不一样，是因为背后的学术传统不同，这很有意思。

今天第二个话题，我要以CBDB为例，介绍目前数字人文研究的情况。CBDB的基本观念很简单，从文本中提取各类人物数据，整理联合起来，创造新的知识。研究者可以使用数据库研究群体传记学，将CBDB应用到统计分析、社会网络分析、空间分析等研究。

CBDB由三个学校机构合作开发，分别是北京大学中国古代史研究中心、台湾“中研院”历史研究所和哈佛大学费正清研究中心。

CBDB是为了群体传记学的研究而创建。1972年历史学者L.Stone对于群体传记学的定义是：“透过对一群人之生平作集体性研究，而对这群历史人物之共同背景特征所作的探讨。其采用的方法为建立一个研究的场域，然后询问一组统一化的问题——关于出生与死亡、婚姻与家庭、社会出身与其继承的经济地位、居住地、教育、个人财富之数量与来源、职业、宗教、公职经验等等。”

这里提到了“个人财富之数量和来源”，如果你们经常看中国的墓志铭和传记资料，就会发现这些传记中很少涉及个人财富的相关信息，但是在欧洲的传记资料里面常常看到。我和欧洲的学者开会，他们认为CBDB数据库缺乏一个非常重要的表：钱，也就是财富。我们听取建议增设了这个表，但目前没有增添一条数据，因为中国的传记资料中很少涉及这个方面。这应该是中欧传记数据的一个不同。

CBDB数据的来源很广泛，例如宋代的传记资料我们从336种来源中提取信息。目前为止，CBDB总计已经收录了53万人物信息，社交网络信息超过18万，亲属关系收录最多，超过53万。除此之外还包括地址、社会区分、入仕、职官等核心实体。

我们把实体放入不同的表中，可以找出不同的表之间的关系。比如，在中国，人有名，有号，有字，有行第，有小名，有小字，所以我们做了别名编码表，这是最简单的表，有17个。但地址编码表的数量就很多，有三万多个；社会关系和亲属关系编码表差不多五百个。把这些编码表和数据表联合起来，就形成了关系型数据库。

在关系型数据库中，如果我们想要知道一个人在一生中经过了什么地点，会先做一个人名表，这是最重要的，没有它就不知道主人公是谁，然后我们将地名表与之对应。但是如何确定一个地名和人物的关系呢？这个地点是他的籍贯吗？或是他的故居吗？或是他的工作地吗？这时我们把地点（places）和关系（relations）的表相对应，就能解决问题。或者说，我们想知道某个时代的所有宰执官员间是否有亲属关系，就需要把人名、任官、亲属关系等表格联系起来考察。

CBDB是关系型数据库，组织不同实体间的联系，这是关系型数据库的主旨。我们从传记资料中提出不同类型的数据，放在不同的实体之内，同时在这些不同实体之间建立了多种形式的联系，通过将不同的实体联系起来，我们可以得到一些新信息，来解决一些问题。

CBDB有很多查询入口，每个查询入口对应不同的输出内容，可以进行循环搜索。在社会关系查询窗体中，CBDB能够找到人物之间的社会关系网络。我们在此基础上设计了一个四值度量法，用于社会关系的亲疏远近。比如我的朋友是第一度，朋友的朋友是第二度，以此类推。如下图，查询王阳明到第三度的社会关系，可以得到这个社会网络图：

或者我们可以用CBDB来做空间分析，例如可以考察亲属关系的地理分布。比如江西吉州的亲属关系分布图，可以发现，北宋时期亲属分布图是全国性的、很分散的，可是到宋末元初就地方化了。这种现象的形成不但在吉州，在金华、绍兴、赣州等各个地方都是这样。CBDB会证明有这样的现象，但不会解释为什么有这样的现象，而这正是学者们，特别是历史学者们该做的——解释事件发生的原因。我的新书《志学斯邑：十二至十七世纪婺州士人之志业》（Localizing Learning: The Literati Enterprise in Wuzhou, 1100-1600）就讨论了这个问题，中文版预计在明年出版。

CBDB也可以用来进行统计分析，下图是对唐代男性和女性死亡年龄的数据统计图，可以发现唐代女性在青壮年时期的死亡率明显高于这一时期的男性，这是由于生育风险。

CBDB不是一个传记辞典，尽管在不断修订，但并不要求数据各方面都精确无误。CBDB服务于群体传记学研究，致力于把很多数据联合在一起，形成一个大概的模型。我们也可以提供某一个人传记的各方面数据，然而作为数据库，更重要的是提供范围和数量上更大规模的数据，从而对研究提供帮助。

CBDB一直在发展。我们的内容在不断更新，现在查询到的数据图和明年的可能会有细微的不同，我们在不断增加历史数据，扩大数据库，比如一直在进行的对地方志和清代朱卷的数据挖掘、明代书信项目等，社会人士也可以通过API进行众包输入，扩充和校对数据。我们希望专业的人可以加入，帮助我们完善CBDB数据库。

今年三月哈佛大学举办了“业界工具：通往未来”（Tools of the Trade: The Way Forward）的数字人文国际会议，来自中国、日本、美国、加拿大、欧洲各国的学者都介绍了自己的研究成果和数字人文项目，他们的PPT都已在网络公开。2018年，我在一次会议上讨论了网络基础设施建设的问题。什么是数字人文基础设施？最基本的是硬件设施，但也包含了代码库、软件等方面的要求。之所以要做这些基础设施，是因为我们的数据库正在多元化，有很多独立的数据库，彼此之间关联很少。打比方，如果你要查阅一本书，不确定它有没有被数据化，就需要到很多地方、通过不同途径进行查询，查人物也是一样。所以要提高查询的效率，我们就需要把多元化的数据库联合起来，提供一键式的跨数据库学术资料检索服务，这需要开发通用平台作为中国研究的网络基础设施，这是一个挑战。

（文中图片由包弼德教授提供）