歷史上的文學大數據分析_數據分析師

雖然大數據概念近些年才熱起來，但早在19世紀，人們就見到了文學作品的定量分析的身影。

　　2014年7／8月號的《美國科學家》雜志發(fā)表了Brian Hayes的文章《文學與大數據一相逢》。他說，雖然大數據概念近些年才熱起來，但早在19世紀，人們就見到了文學作品的定量分析的身影。

　　在計算機尚未問世時，英國統(tǒng)計學家G. Udny Yule和C.B. Williams就嘗試過如何利用句長的差異來表征不同的文學風格，識別不同的作者。1964年，出現(xiàn)了史上第一個主題為“文學數據處理”的學術會議，參會者有150人，討論題目包括“計算文體學”，還有在計算機輔助下就彌爾頓對雪萊之影響作出估計。更早的時候，F(xiàn)rederick Mosteller和David L. Wallace就曾對《聯(lián)邦黨人文集》中常見詞的詞頻（例如also、an、by、of）進行統(tǒng)計分析，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世紀美國的兩位“數字人文學”先驅人物。一位叫Thomas Corwin Mendenhall（1841~1924），是科學家，曾任印第安納州羅斯理工學院的院長、美國國家科學院院士和美國科學促進會會長。1887年，他在《科學》雜志發(fā)表一篇文章《文章的特征曲線》。他認為，正如光譜線的模式可以表明存在著某化學元素一樣，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》為研究對象，看看兩人的“詞譜”差異大不大，結果發(fā)現(xiàn)，差異不足以區(qū)分開兩個作者。

　　另一位先驅人物叫Lucius Adelno Sherman（1847~1933），他的博士論文題目是《古英語詩歌“貓頭鷹與夜鶯”的語法分析》，從中可以看出他喜歡定量研究。例如，他統(tǒng)計了這首詩歌中用了多少介詞、連詞和否定式表達。1893年，Sherman發(fā)表了一部著作《文學分析學：關于如何對英語散文與詩歌進行客觀研究的手冊》?！犊茖W》雜志發(fā)表過一篇書評，稱此書是“劃時代”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，而且涉及更多內容。比如，他在講授英語文學演變的過程中，注意到了一樁事實：從14世紀的詩人喬叟到17世紀的莎士比亞，再到19世紀的愛默生，文學家們寫出的句子越來越簡單，擺脫了過去那種“凝重”和繁復。他從每個作家的作品中抽取500個句子，統(tǒng)計其平均句長。16世紀初的Robert Fabyan平均句長為63個單詞，19世紀的愛默生平均句長只有20.5個單詞。

　　他在搜集基礎數據方面是下了苦功夫的，比如某個暑假里，他花了三周的時間，從麥考萊的五卷本《英國史》中整理出了4萬多個句子中的單詞。當然，有學生給他幫忙，因為他是教授嘛。

　　按現(xiàn)在的標準來看，這些數字人文學的先驅所做的工作都很簡單，也不是那么成功，但是其開拓之功是不容否認的。有先進信息技術的助力，相信21世紀的數字人文學研究一定能別開生面。