典籍數字化與搜索：源與流，深與淺 張軸材 |
各位專家，大家好： 因為在座各位面孔比較陌生，所以我先介紹一下我自己。跟文史古籍界的各位不太一樣，我是踏入文史典籍領域的一個“越俎代庖”分子，不是文字專家，也不是文史專家，只是一個工程師。我原來學自動控制，后來學計算機，但是由于歷史的誤會，從89年起就卷入中日韓漢字統一當中。是一個CJK統一編碼的“始作俑者”者，“始作俑”為什么加引號？因為現在有的人說有好的評價，有的說還有這樣那樣的問題，不管怎么樣，我有相當的責任，因為在國際上我是該項目的長期負責人。我卷入大家做的這個領域是從95年做《漢語大詞典》電子版開始，到文淵閣《四庫全書》電子版工程，還有大家熟悉的《四部叢刊》電子版，所以我做的事情跟大家相關；但我做的和國學的尹小林比，我在某些地方是“先烈”，有些地方我犧牲了，但沒有取得成績或回報。 在這里，我談到的是狹義的典籍數字化，聽起來跟大家不太一樣，在座好多專家的理解是廣義的。狹義的典籍數字化把整理后的古籍文獻內容，從紙面轉換為數字，與相關的數字化工具結合在一起，達到字字可查、句句可檢的水準，提供給文史工作者使用。這是一個基礎工作。目的不是取代文史工作者（也永遠取代不了），而是讓學者“如虎添翼”（季羨林老先生在我們贈送北京大學《四部叢刊》時講的話）。進行深層次的研究（廣義的數字化：標引、校勘、版本對比、注釋、同義詞語、韻律、批評…）。這些我們做不好，這些工作是是文史工作者的使命，當然要配合一定的工具。 我今天和大家一起交流的，首先看看到典籍數字化的大好形勢。95年以前數字化大陸很差，臺灣中央研究院做得很好，后來我們做得不錯，到今天來看，我們確實是有長足的進步，形成了全面展開的態勢，我就把自己視野范圍內的標志性發展，以及我自己的感悟和大家交流一下。 ·文津閣四庫全書（標志性的，盡管是做圖形版。） ·臺灣：典藏數位化項目,佛學…（佛學是發動群眾，有規模有水平的。） ·民間：天一閣（全面數字化，正在研究之中，） ·基礎：古籍字頻統計（還有詞語統計，詞語統計還不太成熟，字頻統計在商務印書館估計11月份出版。） 全面展開，國內（文淵閣《四庫全書》、《四部叢刊》）之后，基本古籍CD,國學網…有一些好的發展，比如政府項目： ·第一歷史檔案館：（作了大量踏踏實實的工作） ·清會典（已成為產品） ·清實錄（已成為產品） ·上諭檔（進行中） 《清會典》和《清實錄》已經成為產品，《上諭檔》正在制作中，這是我們書同文公司做的，主要是明清檔案。 此外， ·地方志 ·清史工程 ·中華大典 國際： ·日本：《漢方醫書大成》已經進入全文數字化第二版 ·美國：世界大家譜（和國內的一些公司有聯系） ·韓國：《奎章閣》數字化 ·法國：《永樂大典》相關典籍數字化 對這下發展，我有一些感悟和大家交流。在談漢字信息化時，我就談過這樣一個觀點：漢字源于中國，但是漢字并不只屬于中國。漢籍也源于中國，但是并非只有中國可以數字化；如果多次出現讓外人將“端午節”“申非”的情勢，只說明某些政府部門的無作為和典籍故鄉學者的無奈。還有一條，典籍一旦數字化，它的用戶群就飛速地擴大到全世界，沒有任何學者再成為“絕對權威”，或者說，“學閥”的土壤就不復存在了。大家都處于信息資料公開的平等學術環境中。我也檢索過，像利用《四部叢刊》、《四庫全書》電子版寫論文的，港澳臺、海外的很多華人，出的論文可以和大陸相匹敵，別想限制人家，別怨天尤人，還是自己急起直追吧。電子的市場是走向全世界的。 感悟之二，我們可能有很多的數字化設想語抱負，但是字-詞-語-文-版，字仍然是基礎；適用的文字平臺工具，仍然是重中之重。基礎不穩，后患無窮。但是，字的重要性主要表現為字樣的多樣性，而不是字符的多寡。除了大規模字書的需要外，片面地追求“超大、特大字符集”是誤解或誤導的結果。根據我們的統計CJK_B只占5%%在典籍里，片面的強調大字符集這點，會分散注意力。還有一個就是數字內容為王。我們要高度重視紙張-電子轉換的鋪路工作，掃描、拍攝、拷貝，不能取代最基礎的字符轉換工作。必需投入資源。資料掃描在初期是必要的，但是把它作為樣板、讓人誤以為掃描資料就是數字圖書館，這是誤導領導和群眾，這是很糟糕的事情。 感悟之三：數字化典籍最終要走向網絡服務，而且是從C/S到B/S。B/S，Browser/Server這個潮流是肯定的。網絡服務的主要形式是搜索，搜索的早期問題是查全率差，分類欠缺，Google一查一大片都出來了，但是沒有分類，連檢繁關聯都沒有，我們老早就已經做檢繁異關聯了，這是我們做《四庫全書》時，但是人家很快就上來了，這個問題解決了。但是今天和明天的問題是什么呢，我只是一家之言，我認為現在是：“流”滿全球，難以溯“源”。例：與時俱進。社科院一老師誤以為我是專家，讓我查“與時俱進”出自哪兒，一查才清楚，這個詞是古已有之的，不是現在才創造的。如果在Google或百度里查，它所找到的一大片成千上萬全是流，沒有源，找不到源。全部被淹沒了。溫總理那年中秋引用的一首詩是：“心中為（唯？惟？）念農桑苦，耳里如聞饑凍聲。”體會老百姓疾苦的好詩，我一查古籍，里面好幾個版本，意思挺多，可是去查Google,Baidu，查不到，都是人民日報上登的那個版本，找不到真實的，缺少深度，抄襲致“淺”吶。比如：有一個詞是張本繼末，這是我親身經歷的，給一個位小朋友寫的藏頭詩，他姓張，想一個詞是張本繼末，想在Google里查一下，一查所有的張本繼末解釋全一樣，全都是抄的，解釋是把事情的本末說清楚，我一看覺得不對勁，仔細推敲，真是不對，大家抄來抄去，連標點符號都一樣，然而真正的意思是有繼承和發展的意思卻忽略了，本是根本，到處都說只是“把事情的本末說清楚”，這叫做張本繼末，這是不對的，不全面的，起碼我提的問題沒地去查。所以我們做完《漢語大詞典》第一版時，在新聞出版署開發布會時，北大文史系一老師就問有沒有例證，如果沒有例證就沒用，說得很尖銳。確實是這樣，我現在越來越認識到這一點。我們為此有了一個新的數字化創意：詢經問典，這是Google,BaiDu,MS共同的空白。今天沒時間展開談，有機會希望和大家深入交流一下。 感悟之四就是要合作：典籍+數字化，兩方面的人，術業有專攻，但一定要合作。我要學習尹小林與文史界的密切聯系。我也很欣慰：李鐸博士這樣的具有文學功底的新一代數字化少壯派的涌現，我真得感到很高興，原來我主持《四庫全書》電子版工程時，他是古漢語的輔導員，和一些北大、北師大的博士生，做了很多貢獻，現在，自己也能做很多項目。文理合作的模式很多，其中一個模式在圖上（請參看PPT）,我就不說了.像我們書同文數字化公司這樣的主要做什么呢，我們是數字化清道夫：把問題突現出來，把平臺搭起來，讓學者去創造新的成果，像我們做《日本漢方醫書》時字很亂，要合作，《清實錄》這些可以用一種模式，通過網絡，這是可能的。臺灣做《佛學》電子版時，能做到把很多佛教信徒通過網絡，大家提供知識的幫助、相互咨詢，一起來做，這完全是可行的。 時間所限，在此打住。謝謝傾聽，希望多多聯系！ 【作者單位】教育部語言文字應用研究所 【聯系方式】www.unihan.com.cn |
 |