歷史上的文學(xué)大數(shù)據(jù)分析_數(shù)據(jù)分析師

雖然大數(shù)據(jù)概念近些年才熱起來，但早在19世紀(jì)，人們就見到了文學(xué)作品的定量分析的身影。

　　2014年7／8月號(hào)的《美國(guó)科學(xué)家》雜志發(fā)表了Brian Hayes的文章《文學(xué)與大數(shù)據(jù)一相逢》。他說，雖然大數(shù)據(jù)概念近些年才熱起來，但早在19世紀(jì)，人們就見到了文學(xué)作品的定量分析的身影。

　　在計(jì)算機(jī)尚未問世時(shí)，英國(guó)統(tǒng)計(jì)學(xué)家G. Udny Yule和C.B. Williams就嘗試過如何利用句長(zhǎng)的差異來表征不同的文學(xué)風(fēng)格，識(shí)別不同的作者。1964年，出現(xiàn)了史上第一個(gè)主題為“文學(xué)數(shù)據(jù)處理”的學(xué)術(shù)會(huì)議，參會(huì)者有150人，討論題目包括“計(jì)算文體學(xué)”，還有在計(jì)算機(jī)輔助下就彌爾頓對(duì)雪萊之影響作出估計(jì)。更早的時(shí)候，F(xiàn)rederick Mosteller和David L. Wallace就曾對(duì)《聯(lián)邦黨人文集》中常見詞的詞頻（例如also、an、by、of）進(jìn)行統(tǒng)計(jì)分析，試圖確定哪些文章是漢密爾頓寫的，哪些文章是麥迪遜寫的。

　　Brian Hayes特別想介紹的是19世紀(jì)美國(guó)的兩位“數(shù)字人文學(xué)”先驅(qū)人物。一位叫Thomas Corwin Mendenhall（1841~1924），是科學(xué)家，曾任印第安納州羅斯理工學(xué)院的院長(zhǎng)、美國(guó)國(guó)家科學(xué)院院士和美國(guó)科學(xué)促進(jìn)會(huì)會(huì)長(zhǎng)。1887年，他在《科學(xué)》雜志發(fā)表一篇文章《文章的特征曲線》。他認(rèn)為，正如光譜線的模式可以表明存在著某化學(xué)元素一樣，通過“詞譜”或“特征曲線”也能表征一篇文章。他以狄更斯的《霧都孤兒》和薩克雷的《名利場(chǎng)》為研究對(duì)象，看看兩人的“詞譜”差異大不大，結(jié)果發(fā)現(xiàn)，差異不足以區(qū)分開兩個(gè)作者。

　　另一位先驅(qū)人物叫Lucius Adelno Sherman（1847~1933），他的博士論文題目是《古英語(yǔ)詩(shī)歌“貓頭鷹與夜鶯”的語(yǔ)法分析》，從中可以看出他喜歡定量研究。例如，他統(tǒng)計(jì)了這首詩(shī)歌中用了多少介詞、連詞和否定式表達(dá)。1893年，Sherman發(fā)表了一部著作《文學(xué)分析學(xué)：關(guān)于如何對(duì)英語(yǔ)散文與詩(shī)歌進(jìn)行客觀研究的手冊(cè)》?！犊茖W(xué)》雜志發(fā)表過一篇書評(píng)，稱此書是“劃時(shí)代”的作品。在書里，他想做的不僅僅是通過定量分析來區(qū)分作者，如Mendenhall所嘗試過的，而且涉及更多內(nèi)容。比如，他在講授英語(yǔ)文學(xué)演變的過程中，注意到了一樁事實(shí)：從14世紀(jì)的詩(shī)人喬叟到17世紀(jì)的莎士比亞，再到19世紀(jì)的愛默生，文學(xué)家們寫出的句子越來越簡(jiǎn)單，擺脫了過去那種“凝重”和繁復(fù)。他從每個(gè)作家的作品中抽取500個(gè)句子，統(tǒng)計(jì)其平均句長(zhǎng)。16世紀(jì)初的Robert Fabyan平均句長(zhǎng)為63個(gè)單詞，19世紀(jì)的愛默生平均句長(zhǎng)只有20.5個(gè)單詞。

　　他在搜集基礎(chǔ)數(shù)據(jù)方面是下了苦功夫的，比如某個(gè)暑假里，他花了三周的時(shí)間，從麥考萊的五卷本《英國(guó)史》中整理出了4萬(wàn)多個(gè)句子中的單詞。當(dāng)然，有學(xué)生給他幫忙，因?yàn)樗墙淌诼铩?/span>

　　按現(xiàn)在的標(biāo)準(zhǔn)來看，這些數(shù)字人文學(xué)的先驅(qū)所做的工作都很簡(jiǎn)單，也不是那么成功，但是其開拓之功是不容否認(rèn)的。有先進(jìn)信息技術(shù)的助力，相信21世紀(jì)的數(shù)字人文學(xué)研究一定能別開生面。