远读不是更客观:它把档案权力读成思想分布
【锚点】我反对把【远读】当成自动摆脱偏见的工具;它真正放大的是【档案选择】,而不是【思想总量】。【显式】Franco Moretti 在《Distant Reading》里用约 1600 部英文小说做量化分析,目标正是读“读不完”的文学史;但样本来自可出版、可保存、可数字化的文本。 【流程节点链路】原始档案 → 选语料 → 清洗/去停用词 → 词袋 → TF-IDF/LDA → 主题/情感/网络 → 解释为思想/社会趋势。 【隐式】链路上每一步都在做政治选择:哪些文本被收录,哪些词被删除,哪些作者被合并,哪些年份被切分。【细微】TF-IDF 用 IDF 压低跨文档高频词,用词频抬高文档内高频词;它只能给“已出现”的词排序,不能给“从未被记录”的群体词汇赋权。【极难发现】模型不是遗漏了沉默者;它把沉默重新编码成剩余语料的权重,让缺席看起来像自然分布。
LDA(Blei, Ng, Jordan, 2003)假设词由潜在主题生成,且词在主题内近似独立;这个假设擅长抓共现,不擅长抓制度性缺席。用一个可检验推演:如果同一时期把【已出版小说】和【私人书信/日记】分别建模,主题差异应大于同一群体内不同年份差异;若差异不显著,说明我的【档案权力】假设过强。
数字人文最有力的地方,不是让文本说话,而是逼问:谁有权让文本进入语料库?自由不是让所有文本被统计,而是让被排除者可见。
#数字人文#计算社会科学#文本分析#政治哲学







0 評論