几十年来，文学作品中的统计分析已经从单纯的破译理论发展到更尖端的研究

1993年,Tom Stoppard的戏剧《世外桃源》（Arcadia）正式上演。在这部脑洞大开的戏剧中那些用数据统计进行文学评论的桥段成为圈内人的笑料。剧中一位傻乎乎的诗歌教师，Bernard Nightingale，嘲笑他的同事用计算机程序来断定一个没有署名的故事出自于劳伦斯(D.H. Lawrence)之手。并且还得意的指出“在同样的统计基础上，竟然有百分之九十的可能性，Lawrence还撰写了《淘气小威廉》(“Just William”.作者是里奇马尔Richmal Crompton)这本书以及前一天的《百眼巨人报》(英国布莱顿市的一份地方报纸)。虽然这只是该剧中的几个笑话，但现在突然变得令人“细思恐极”了。 随着《新牛津莎士比亚》系列的出版，人们开始了一场关于伊丽莎白时期剧作家身份的讨论。

《新牛津莎士比亚》全集的最新版登上了去年10月份的头条新闻。因为书中指出莎士比亚的44部戏剧作品有17部是和别人共同完成的（相比之下，1986版中仅列出了8部）。 而其中一个新出现的人名，马洛（Christopher Marlowe），更让人们兴奋不已。这个名字的出现似乎佐证了之前一些关于作者身份被驳回的阴谋论。 然而，更吸引人眼球的是得出这个论断背后的技术。人们已不再是根据编辑观察等传统的方式，而是通过计算分析来做出这样的结论。 那么今天的数据语言学家是如何在不受作者影响力的前提下，弄清楚作者与作品的关系的呢？ 同时我们更需要思考为什么做到这点很重要？

计算机和人类都可以通过一些“附加词”来识别是不是莎士比亚的作品，比如他会经常在自己的作品中使用 “gentle”, “answer”, “beseech”, “tonight”。 显然用这种方法来判断是不是莎翁作品已经变得不那么准确了，因为那时候的作家常常会模仿其他人的行文风格。 早期的剧作家是非常紧密的一个团体，而与此同时16世纪的观众似乎并不是很在意作品的独创性。《帖木儿》(Tamburlaine)，马洛的一部非常受欢迎的戏剧，当时被许多人模仿衍生出各种续作。以至于当时著名的剧作家本·琼森(Ben Jonson)对该剧被无休止的模仿而发出了哀叹。 莎士比亚也和其他人一样没能免俗。 《马耳他岛的犹太人》(“The Jew of Malta” ,1589)中, 马洛笔下的巴拉巴斯将他的女儿阿比盖尔隔离在一个阳台上：

“But stay! What star shines yonder in the east?

The lodestar of my life, if Abigail!”

(“看！ 哪颗星星在东方发光？就是我生命中北极星，阿比盖尔！“)

如果这段台词听起来很熟悉，那是因为十年后莎士比亚笔下的罗密欧有着类似的台词：

“But soft! What light through yonder window breaks?

It is the East, and Juliet is the sun!” (“轻声！那边窗子里亮起来的是什么光？这是东方，而朱丽叶就是太阳！“)

在这种相互影响的情况下，电脑如何能够分辨出马洛和莎士比亚本人的作品以及他们作品中相互借鉴的区别？根据《新牛津莎士比亚》的编辑，其中的关键在于“功能词”， 就是 “to”或“a”这类能够为句子提供语法支撑的单词。 他们的理论认为作家们都会无意识地以自己独特的方式使用这些词。 例如，莎士比亚经常把“and”与 “with”连在一起用 - 克劳狄斯与乔特鲁德婚礼中的“With mirth in funeral and with dirge in marriage” (“葬礼中的挽歌和婚礼中有欢歌”)，老哈姆雷特的鬼魂说到“缓慢而庄严得出现在他们面前”( “Appears before them, and with solemn march。Goes slow and stately”)。 因此即使作家们试图模仿他人的写作风格，功能词的使用仍然能够揭示他们真实的身份。 通过分析作家如何使用那些功能词，计算机可以初步地识别他们独特的语言指纹。

在莎士比亚作品的研究中，能够获知作品作者，作品内容以及写作时间是非常关键的，通过这些信息能有助于说服那些唯莎士比亚论者，因为在他们眼里莎翁就是一个孤傲的天才。 之前之所以人们会认为莎士比亚少有与人合作，主要原因还是那些与他合作的作家并不是非常出色。尽管计算机模型不是绝对准确的，但是以证据而非作品质量来判定作品的归属还是令人信服的。

其次，正确的作品归属让我们更好的了解戏剧作品本身。 当我们打开一部历史戏剧作品的第一页，就像开始了一部关于这段历史的电影。 由于《亨利六世》第二章的大部分可能是马洛撰写的，这就打破了这个历史剧作的统一性。 马洛更多的表现出对普通百姓角色（比如低调的杰克·凯德）的兴趣，而不是那些无所不能的君主;相反， 莎士比亚更喜欢“国王之死”类似的故事。 知道同一部作品出自他们两人之手，了解到其中的争议和共生，我们可以更好地理解戏剧本身。

据《新牛津莎士比亚》编辑之一加布里埃尔·埃根（Gabriel Egan）所说，归因模型越来越准确，主要的原因就是“计算机研究人员越来越多地将研究精力转向自然语言，而自然语言研究是计算机发展方向中最难的问题之一 。“在《世外桃源》中，Bernard Nightingale曾坚持认为”你不能把拜伦的思想放进笔记本电脑里“。但就现在的情况来看，他的观点仍然可能是正确的。 在控制测试中，即使像《新牛津莎士比亚》所使用的高级模式，有时也会有明显的误判，把作品张冠李戴。统计分析仍将是重要的分析工具之一。因为它有着学术的客观性，只是之前人们在莎士比亚研究领域很少用到。

以上为译文

本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。

文章原标题《Revenge of the maths mob - Why literature is the ultimate big-data challenge》，由《经济学人》发布。

译者：friday012 ；审校：主题曲（身行）

文章为简译，更为详细的内容，请查看原文。原文文本也可见附件