从数字人文视角看“近代中国的精英、网络与权力”
从数字人文视角看“近代中国的精英、网络与权力”
2023年7月至2024年1月，作者赴法国艾克斯-马赛大学亚洲研究中心，参与由著名上海史研究学者安克强教授主持的ENP-China研究团队。该团队在近代中国人物资料数据库建设等方面取得重要进展。本文将介绍ENP-China项目的研究旨趣、运用工具、研究成果等，向读者推介海外中国近代史研究的新动向、新方法与新思想。
ENP-China（Elites, Networks and Power in Modern China）主页
“近代中国的精英、网络与权力”
ENP-China项目全称Elites, Networks and Power in Modern China，意为“近代中国的精英、网络与权力”，受欧洲研究理事会资助。该项目以1830-1949年在上海、广州、天津等城市活动的中国社会精英为研究对象，旨在挑战过往“以国家为中心、以群体为基础”的文献研究法，将城市精英视为社会活动者，其地位、身份及行动等受不断变化的权力结构影响，且通过制度与非正式/正式网络的行动重新定义社会与政治的边界。因此，项目着重关注信息、资本与个体流动的网络，研究精英群体跨国化过程。在具体方法上则突破常规史料的限制，将名人录、人名辞典等复杂来源的信息，转化为精细的、可重复利用与可长期存续的数据，供目前与将来研究使用。该项目依赖可不断扩展的各类历史数据资料，以前所未有的规模提供精确的历史信息，重新塑造基于现有来源，如档案、日记等的史学研究，以期在现代中国精英转型研究中创造新维度。
团队负责人安克强以上海城市史研究著称，著有《1927-1937年的上海：市政权、地方性和现代化》、《镰刀与城市：以上海为例的死亡社会史研究》等。在多年的研究中，他非常注重各类数字工具在史学研究中的运用，曾融合地理信息系统（Geographic Information System, GIS）分析近代上海的公墓分布等问题。近年来，安教授以名人录等为基础材料，运用数字工具，力图建构近代中国社会精英的各类网络。因此，在招募团队成员时，除历史学者外，数据科学家与软件工程师也加入其间，共同开展项目研究。以作者在法期间为例，团队内既有安克强、孟喜等史学工作者，亦有从事数据库建设与维护的工程师Nora Van den Bosch与以人工智能（Artificial Intelligence,AI）和自然语言处理（Natural Language Processing ,NLP）见长的计算机博士Baptiste Blouin。为鼓励年轻学人运用数字工具辅助学位论文写作，团队亦招募具有中国近代史学科背景，具备一定信息技术素养的高年级博士生，提供六个月或一年的工作合同，开展数字工具使用等培训，并加入研究计划。作者即在2023年下半年密集接受程序语言等知识的学习，运用数字人文思维创新论文写作思路。由于团队与台湾“中研院”近史所深度合作，因此连玲玲等近史所研究人员亦有协助。此外，团队亦吸纳一些欧盟内其他高校的语言学家、计算机工程师等参与其间，协同开展资料库建设等工作。
数字工具与研究成果
ENP-China的关注群体为近代中国的各类社会精英，包括但不限于归国留学生、商人、绅衿等，其信息来源为Who’s who in China等名人辞典，因此如何有效率地提取大量个人信息，如其性别、籍贯、学经历等，并在此基础上建立可相互关联、不断延伸的信息网络，成为关键的先导工作。为此，团队将R Studio作为中心工具：其为程序语言R的操作平台，由法国数字人文开放平台Huma-Num托管，用于统计计算与图形呈现。由于其免费属性及社区成员不断为该语言开发各类功能包，因而备受研究者青睐。目前，通过R Studio中的各类功能包，如tidyverse等，可实现文字段落的自动分词、数据导出、可视化、数据建模等多种功能。具体而言，人名录及其他语料库（corpus，指具有一定格式的大量文本）中的各类命名实体，如姓名、年龄、字号、出生地名等，可运用特定功能包（如分词包），将其从文本中分离并分类建表，最终依此建立基于某一参数的网络，如同乡网络等。
基于R Studio平台，团队目前开发出两大可视化运用平台：HistText与MCBD。
HistText最早为Jeremy Auguste博士等开发的R Studio功能包，后经Baptiste Blouin博士的完善，成为易于操作的可视化平台，可实现在特定语料库（如《申报》、《东方杂志》等）中搜索关键字，随之生成新的语料库后，对此进行自然语言处理，实现如关键词云形成、人名、地名、机构名等命名实体（Named Entities）的识别与提取、搜索关键词年度分布表的建立等功能，为之后开展主题建模等工作提供基础资料。
MCBD全称Modern China Biographical Database，即近代中国人物传记数据库。该库与“中研院”近史所合作开发，旨在通过系统化的数据挖掘，收集在中国活跃的任何个人，包括中国人及在华外国人的传记数据。这些数据可以来自各种来源，如目录、传记词典、名人录等，报纸和期刊，以及学术文献。使用该库检索相关个人信息时，可随之查阅与其生平经历相关的其他个人，如同乡、同学等，从而为历史人物的研究探索出一条新路。
MCBD界面
目前，ENP-China团队的研究成果集中收录于2022年经Brill出版社出版，由安克强、孟喜与孙慧敏主编的《Knowledge, Power, and Networks. Elites in Transition in Modern China》一书。该书收录了9篇基于自然语言处理等数字技术，分析特定历史问题，如上海扶轮社、在沪英国妇女协会等社团成员组成与活动情况的专题论文。上述论文的作者在将大量人物信息运用R Studio等工具进行筛选、清洗、整理后，主要运用主题建模（Topic Modeling）、社交网络分析（Social Network Analysis, SNA）等分析模型，建构近代中国精英之中形成的各类网络，以探索精英社团的形成、发展与活动等问题。
必须指出的是，运用自然语言处理对文本进行信息提取等工作，仍有不尽如人意之处。由于经过光学字符识别（Optical Character Recognition, OCR）形成的语料库，其往往存在大量错误，加之程序语言只能对特定文本格式中的信息提取精度较高，常无法覆盖格式之外的有效信息，因而经提取后的相关数据，如姓名、生卒年等，必须进行数据清洗（Data Cleaning）。该过程通常较为耗时，且需充分掌握相关史实后方能加以甄别，因而需要一定人工力量介入。并且，若语料库的规模过小，也往往造成经软件分析得出的结果，与经常规阅读而得出的结论相差无几的现象。因而在实际操作的过程中，运用自然语言处理技术对文本信息加以提取、筛选等工作，仍有一些掣肘。
尽管如此，由于软件处理较之人工阅读，提取成规模史料（如1872-1949年《申报》的全部内容）中的相关信息，仍在工作效率等方面存在极为明显的优势，因而在中国近代史研究中有广阔的应用前景。特别是针对晚清民国精英人物的研究方面，由于其人数多、信息庞杂、各类正式或非正式网络多样，既有研究常建立在以中心人物为圆心的小规模社会网络之基础上，可能有“管中窥豹”之虞。不过，若使用自然语言处理技术，从海量数据中提取精英人物的基本信息并筛选、建模，较之传统的人工提取、校对、建表，有极为明显的效率优势。数据量的大大提升，也为特定研究领域（如民国知识人交流网络）中建立以籍贯、学经历、仕途等关系串联的大规模社交网络创造可能，从而依此产生一些颠覆式的研究成果。我们相信，伴随着语料库数量与质量的不断提高，加上数字工具的不断迭代演进，以网络分析为立足点的近代中国人物研究将方兴未艾，成为史学研究的一条颇值得尝试的新途。
本文原文来自澎湃新闻