大數據幫你進一步認識蘇軾

官天澤 徐子昂 王儲玉 馬梓銘 葛宇軒

編者按

不久前，北京清華附小六年級的學生成了“網紅”。原因是幾位小學生合作寫了一篇論文《大數據幫你進一步認識蘇軾》，利用大數據搜索，整理了蘇軾詩詞的高頻用詞，還展示了研究過程中克服文獻查找困難的解決辦法。很多人在驚嘆的同時，也很困惑，為什么清華附小的學生這么牛？下面，我們選登《大數據幫你進一步認識蘇軾》，看看這些小學生是如何開展研究性學習的。

前言：我們是清華附小2012級4班的學生，2017年正逢蘇軾誕辰980周年，學校開展了一系列致敬蘇軾的活動。我們利用課前時間演講了解蘇軾生平，在晨讀時間吟誦蘇軾的詩詞，在暮省時間進行游戲飛花令，臨摹蘇軾的書法和畫作，跟著康震老師一起品讀蘇軾。通過老師的推薦，觀看了紀錄片《蘇東坡》。

隨著對蘇軾的了解越來越多，我們心中也產生了很多疑問。利用假期時間，我們進行了以蘇軾為主題的小課題研究。同學們自愿組成小組，確定研究課題，進行小組討論和分工。為了方便交流、討論，我們組建了微信群和QQ群，大家在群里熱烈討論，特別是對于貢獻了智慧的同學，組長還給他發紅包。各小組同學將老師也拉入群中，大家一遇到疑難問題就隨時向老師請教，老師成了同學們的“貼身軍師”，思維在碰撞中產生了更多火花。

本次班級共完成課題研究報告23 份，研究主題各有不同：《大數據幫你進一步認識蘇軾》《今人對蘇軾的評價和蘇軾的影響力》《行走的蘇軾》《唯美景與美食不可辜負》《蘇軾的朋友圈》《蘇軾的心情曲線》《蘇軾的旅游品牌價值》《蘇軾VS李白》等等。

上學期我們用大數據的方法寫了一首《如夢令》，這次我們小組研究蘇軾，我們想再用大數據的方法對蘇軾的詩詞進行進一步的分析。

一、數據證明蘇軾是名高產作家

首先我和徐子昂把蘇軾的3458首詩詞都找了出來，大概有25萬字。我們發現唐宋詩詞由9552位作者創作了276545首詩詞，平均下來每位作者要完成28～29首詩詞的創作，而蘇軾一個人就相當于120位詩人，占了整個唐宋詩詞量的1.25%。蘇軾一共活了66歲（其實按照今天的計算方法來算，他只活了64年，古代出生的時候就算1歲，過了年又算1歲，所以在他出生半個月的時候就算2歲了），我們按照他的實際年齡來計算，他平均每年需要寫54首詩詞，這樣下來平均每周至少寫一首詩詞。這些僅僅是他的詩詞，不包括散文、札記、書信等。

二、通過數據看蘇軾的人生經歷

1. 我們的方法

我和爸爸通過電腦程序把蘇軾的3458首詩詞進行了分詞研究，找出了這些詩詞中的高頻詞。

排名前50的高頻詞表如下：

由于漢語里有很多一個字的詞，這些詞也需要考慮，于是我們把所有的高頻字也做了分析。

排名前50的高頻字表如下：

2. 我們的問題

這些高頻詞和字分析出來之后，我們產生了很多疑惑。比如：

“歸來”這個詞竟然出現了157次，是蘇軾詩詞里面用得最多的一個詞（注：第一次分析高頻詞時，還沒有搜索“子由”，因此排在第一位的詞匯是“歸來”），“歸去”出現92次，蘇軾是在到處云游嗎？

蘇軾經常提到“故人”，出現了135次，還有“道人”60次，這些人都指的誰呢？他是不是有很多和尚、道士朋友呀？

蘇軾詩詞里面提到“西湖”92次，“江南”84次，這些詩詞是否都是他在杭州當官時候的作品呢？這些詩句描述的場景是不是與他的這段人生經歷有關？

高頻單字中，“山”2041次，“我”1732次，“風”1447次，“云”1260次，“月”1059次，“水”1020次，“花”1006次，“酒”826次，高頻詞里面“明月”出現100次，“飲酒”出現57次，這些詩句描述的都是什么場景？蘇軾是不是因為官場上不得志而寄情于山、水、花、酒之間？

“使君”出現了152次，而使君是誰？“東坡”出現了108次，“東坡”是指地方還是蘇軾自己呢？為什么提到這么多次“東坡”？他的人生和“東坡”的關系是什么？帶著這些問題，我們小組開始了研究。

3. 研究的過程

研究的過程就像一次考古，很艱苦也很有意思，因為在這個過程中我們遇到了很多困難，也想出了不少辦法。隨著研究的深入，我們的研究范圍甚至高頻詞表都進行了調整和更新。但通過這個過程，我們也收獲了很多，于是我們把整個研究過程都記錄了下來。

（1）小組分工和確定主題

根據分析數據產生的問題，我們小組成員進行了分工，其中：

徐子昂負責研究蘇軾三次被貶的經歷，以及包含“歸來”“歸去”的詩詞。

馬梓銘研究蘇軾在西湖及江南的經歷，以及包含“西湖”“江南”的詩詞。

王儲玉負責研究蘇軾在“明月”“飲酒”方面的愛好，以及所有包含“明月”“飲酒”的詩詞。

官天澤負責研究蘇軾與“使君”“東坡”的關系，以及所有包含“使君”“東坡”的詩詞。

葛宇軒負責研究蘇軾與“故人”“道人”的關系，以及所有包含“故人”“道人”的詩詞。

大家接受了任務之后，分別查找資料，總結分析后形成了各自的研究成果。其實上面這五個研究方向都很有趣，但是受時間和資料所限，我們經過討論，最終決定把這次課題報告聚焦到蘇軾三次被貶的經歷和含有“歸來”詩詞之間的關系上來，其他的研究方向等以后有時間再一一攻克吧。

我們猜想“歸來”可能反映了蘇軾在被貶后，渴望回到朝廷、繼續為官報效國家的一種心情。

我們先在蘇軾詩詞全集中把所有包含“歸來”的詩詞都找了出來，為了分析這些詩詞和蘇軾生平的對應關系，我們需要知道蘇軾創作這些詩詞的時間和地點，然后對比看看是不是他在被貶后寫的。

（2）基礎資料查找

我們上網搜索各種版本的蘇軾詩詞全集，但是發現要把每一首詩詞對應的年代和地點都找出來，卻是一件艱苦而且巨大的工程，因為沒有一個網站能完成這樣的任務。

后來我們發現了兩本工具書，一個是《東坡先生編年詩》[50卷，清乾隆二十六年（1761年）海寧查氏香雨齋刻本]，另一本是《蘇軾詞編年校注》（中華書局“十國古典文學基本叢書”，鄒同慶、王宗堂著），這兩本書對蘇軾的詩詞按照年代進行了編排，可以實現我們的想法。

研究蘇軾的詞，可以查找《蘇軾詞編年校注》。這書有編年的詞292首，沒有編年的31首，殘句11則。我們在網上找到了這本書的電子版，可以快速檢索出來每一首詞的年代。

研究蘇軾的詩，可以查找《東坡先生編年詩》。不過這本書只能找到哈佛線上圖書館的竹紙線裝的掃描書，一共16冊50卷（http：//nrs.harvard.edu/urn-3：FHCL：15633072）。清朝人編著的都是繁體字，對我們來說簡直是天書，根本無法進行檢索（見下圖）。

我們幾乎放棄了之前的想法，但是在爸爸的幫助下我們找到了另外一個網站——http：//ctext.org/library.pl？if=gb&res=94092&remap=gb，這個網站把這本竹紙線裝的書進行了光學字符識別掃描，這樣，大多數的詩就可以用搜索的方法查到了（見下圖）。

我們是從編年詩入手的，工具書雖然找到了，但還有很多工作需要完成：

第一，由于這本古籍書是豎排排版，文字的識別率不是很精確，很多工作需要人工再次確認。

第二，我們需要手工查詢每一卷詩創作的年代和地點。

我們開始分工，把50卷書中的每一卷書的年代和地點都找了出來，做出了一張對應表格，見下表（刊發時有刪節）：

我們興奮地以為這下就可以大功告成了，真是高興得太早了，我們開始查詢的第一首詩就出了問題。《次韻和王鞏》在《東坡先生編年詩》的第十冊里面，可是第十冊居然有2個電子文本（在掃描過程中現代人對這本古籍進行了重新分冊，16本紙質書被掃描成了23冊電子文本）。每個電子文本里面還有好幾卷啊，我們如何能夠快速定位這首詩是在具體的那一卷里面呢？看樣子搞研究真不是一件容易的事情啊！

經過討論，我們想到了一個辦法，就是做一套對照表，來體現電子書和紙質書的對照關系，然后把搜索到的結果經過兩次對照，找出它的具體年份。下面是電子書和紙質書的對照關系表（刊發時有刪節）：

這樣我們就可以快速定位每一首詩的具體年代了，舉個例子：《次韻和王鞏》在《東坡先生編年詩》里面，我們搜索其中的詩句“歸來千首詩”，搜索結果是如下圖這樣的：

這代表它在該書第十冊第32列，我們點擊“十”可看到下圖中的的詩句。

由于十冊是兩本，我們還需要回到十冊的首頁，看一下到底是十（1）還是十（2），在《電子書和紙質書的對照關系表》上找到這首詩對應的卷冊之后，再在《每一卷書的年代和地點對應表》上找到這首詩的年代和創作地點：

說明《次韻和王鞏》這首詩創作于哲宗元祐元年，即公元1086年，蘇軾當年在京都當翰林學士時候創作的。

（3）研究結論

我們按照上面的方法和步驟，查到了蘇軾所有包含“歸來”的111處詩的年代。但由于時間的原因，我們沒有來得及對蘇軾所有包含“歸來”的詞進行查找。因此，下面的分析是基于111首包含“歸來”詩的統計結果。

這是蘇軾一生中，“歸來”一詞在詩中出現的次數分布圖：

我們查找了蘇軾三次被貶的經歷，即第一次（1080—1084），因為“烏臺詩案”他遭到新黨誣陷，被貶黃州;第二次（1089—1091），蘇軾因為不同意司馬光盡廢新法，被貶杭州、潁州;第三次（1094—1101），蘇軾因為與章惇政見不合，被貶惠州、儋州。

我們發現，每次被貶結束之后，蘇軾詩中的“歸來”出現的次數都會有所增加，蘇軾這些“歸來”詩，與他跌宕起伏的一生似乎存在著聯系，他一直滿懷憂國之情，總能將這些歸去歸來的經歷，化作美好的文學意境。

數據分析的結果印證了我們的猜想，讓我們從一個新的角度認識了這位文學巨匠。蘇軾一生憂患重重、多次被貶，正是這些苦難的經歷和豐富的閱歷，讓蘇軾更關心民間疾苦，更親近大自然，使他的作品成為傳世的杰作。時至今日，我們讀蘇軾的詩詞，仍然能感到無限的哀怨和悲涼，更能體味到中國文化的深厚底蘊和幽香。

三、額外的發現

在研究過程中，我們還發現“子由”出現在很多詩詞中，“子由”是蘇軾弟弟的字，這讓我們想到應該檢索一下“子由”在蘇軾作品中出現的次數。于是，我們重新檢索了一下，發現“子由”在《蘇軾詩詞全集》中居然出現了229次，它才是蘇軾高頻詞里面的王者！為此，我們更新了高頻詞表。

我問爸爸為什么第一次做的高頻詞表中沒有搜到“子由”，爸爸給我們解釋說，“子由”在漢語中不是一個詞匯，因此電腦軟件第一次在做分詞的時候，并沒有對它進行檢索。分詞是一門很深的學問。每一部著作都有自己的特點。對每部著作的分析是一個不斷發現的過程。今天看著正確的分析結論，可能隨著研究的深入就不一定正確了，比如這次。

這次對高頻詞表的更新，讓我們在研究主題之外，有了額外的收獲：就是我們發現了蘇軾和他的弟弟子由之間的手足情深。通過上網進一步查資料，我們了解到蘇軾幾乎每到一個任所就給弟弟子由寄信贈詩，晚年被貶謫時更是如此。蘇家兄弟情誼之深厚是文學史上的佳話。他們是兄弟，是師生，是詩詞唱和的良友，是政治上榮辱與共的伙伴，也是精神上相互勉勵安慰的知己。我們設計的高頻詞表也進一步印證了他倆之間的情誼，我們可以得出結論，研究表明蘇軾還是一個好哥哥！