数字人文入门与研究准备指南
检索截止：2026年10月23日｜重点：数字人文 × OCR、数字人文 × 语言学｜面向：尚未接触本领域的团队
本报告回答四个问题：这个领域究竟研究什么；现实中已经做到哪一步；2024—2026年的论文在推进什么；零基础团队如何选择能落地、能验证、有研究意义的切入口。先铺开整个领域，再展开OCR与语言学，最后给出选题比较、学习路线和可追踪的文献表。
阅读方法 ：第一次只读第1、2、3、10、11节；准备选题再读第4—9节；查论文与工具时使用附录和配套文献表。网页报告提供章节折叠、目录和文献搜索，适合分次阅读。
证据说明 ：这是一份范围性调研和叙述性综合，不能宣称穷尽全球研究。重点检索中英文一手论文、正式论文库、研究机构、标准及工具官网。正式发表、预印本、进行中项目分开标注；“可读网页”与“可获取研究数据”也分开。候选选题和学习安排是本报告建议，尚未完成针对每个题目的查新或实证实验。
1. 先建立共同认识：数字人文是什么
1.1 用一句话理解
数字人文（Digital Humanities，DH）是一组围绕人文问题开展的数字研究实践：把文献、图像、声音、空间和文化活动转为可整理、可连接、可分析、可展示的材料，同时研究这些数字化过程如何改变知识。它包含资源建设、计算分析、数字编辑、公共传播与方法反思，边界并不只有一种划法。作为其中较偏计算研究的刊物，Computational Humanities Research明确要求论文扎根人文问题，并用计算、定量方法研究人文材料。CHR办刊范围
例如，研究一本地方志，可以逐页转录并建立可检索版本；也可以分析其中地名与人物关系，研究地方社会；还可以比较不同版本中某个词的意义。它们共享材料，却可能有完全不同的研究贡献。以下例子均是 研究设计示意，并非已完成的历史发现 。
1.2 五个容易混淆的层次
| 层次 | 你们在做什么 | 能得到什么 | 仍需回答什么 |
|---|---|---|---|
| 数字化 digitization | 把纸本拍成图片 | 可保存、可阅读的影像 | 版本是否清楚、有没有缺页 |
| 文本化 transcription / OCR | 把图像转成机器可读文字 | 可搜索、可复制的文本 | 识别是否忠实、顺序是否正确 |
| 数据化 data modeling | 给人物、时间、地点、关系建立字段与规则 | 可计算、可关联的数据 | 分类是否符合材料，歧义怎样保留 |
| 数字研究 | 用版本比较、统计、语言分析、网络、空间等方法回答问题 | 对历史、语言、文学等的解释 | 证据是否支持结论，替代解释能否排除 |
| 公共呈现与持续维护 | 数字版本、展览、地图、数据库、教学平台 | 可使用、可检查的研究成果 | 能否长期访问、更新、复用 |
这张表是本报告的教学划分；真实项目常同时跨越几层。数字版本、数据库和公共项目本身也可以构成学术成果，并非只有最后的计算分析才算研究。TEI用于表达文本结构与编辑信息，IIIF用于图像与相关展示的互操作，能帮助理解“数字文件”如何进一步成为研究材料。TEI；IIIF
1.3 你们考虑的三个方向是什么关系
| 方向 | 核心问题 | 典型成果 | 最应具备的能力 |
|---|---|---|---|
| 数字人文总体方向 | 数字材料和方法如何帮助回答人文问题 | 数字版本、数据库、专题研究、方法论论文、公共项目 | 学科问题意识、材料批判、数据组织 |
| 数字人文 × OCR | 怎样把特定文献转成可靠文本；识别误差怎样影响研究 | 转录资源、识别/校对流程、质量评测、下游影响研究 | 版本与字形判断、误差分析、基本实验 |
| 数字人文 × 语言学 | 怎样用真实材料研究语言结构、使用与变化 | 语料库、标注体系、语言现象研究、语言模型评测 | 语言学概念、语料设计、标注与统计 |
三者可以组成同一条研究链： 历史文献影像 → 可靠转录 → 语言标注 → 语言或人文问题 → 回到原件核查解释 。其中任何一步都可以成为研究重点，但论文应说明自己的主要问题和贡献。
1.4 与相邻领域的区别
- 语料库语言学 围绕语料研究语言模式；可以使用当代口语，也可以使用古代文献，与DH有交叉。
- 计算语言学/NLP 研究机器处理语言的方法和任务；一项通用分词或OCR算法，需要结合人文材料、问题和证据，才形成具体的DH交叉研究。
- 计算社会科学 常研究群体、制度和行为；与数字历史、社会语言学、文化分析有大量交叉，研究尺度和解释目标可能不同。
- 数字文化遗产 重视文化对象的记录、保存、访问和利用；它与考古、博物馆学、建筑史、艺术史及公共人文相连。
- 文化分析/计算文学研究 关注文本、图像等文化材料中的模式，同时需要解释这些模式的历史与文化意义。
这些边界是便于入门的工作性划分，不是各学科统一同意的排他定义。判断项目时，建议先看“研究问题—材料—方法—验证”，再看它使用什么领域名称。
2. 整个领域的研究版图：先广后深
下表用于找位置，例题是本报告整理的候选问题， 不表示已经确认研究空白 。
| 研究板块 | 常见材料 | 研究问题示意 | 常见方法 | 与你们的关系 |
|---|---|---|---|---|
| 数字文献与数字校勘 | 古籍、手稿、不同版本、批校 | 某处异文怎样形成，版本之间怎样关联 | 转录、TEI、文本对齐、异文记录 | OCR最直接的后续方向 |
| 数字档案与资料组织 | 书信、报纸、地方志、行政档案 | 哪些材料能被检索，分类怎样影响发现 | 元数据、检索、实体链接、来源记录 | 数据基础与证据意识 |
| 计算文学与叙事 | 小说、诗歌、戏剧、评论 | 文体、叙述视角、人物关系怎样变化 | 文体计量、分类、标注、细读与远读 | 文学与语言学交叉 |
| 历时语言与概念史 | 分期语料、报刊、辞书、译著 | 词义、句法、概念使用如何变化 | 语料检索、语义表示、搭配、统计 | 语言学重点 |
| 社会语言学与话语 | 访谈、报刊、社交媒体、对话 | 身份、权力、礼貌、立场怎样表达 | 人工编码、语用分析、分类、比较 | 可发挥中文分析能力 |
| 历史GIS与空间人文 | 古地图、方志、游记、地名表 | 人、物、知识怎样迁移和传播 | 历史地名消歧、GIS、时空分析 | OCR地名错误会传导到地图 |
| 人物、关系与知识网络 | 传记、族谱、书信、引文 | 交往、师承、引述网络如何形成 | 人物消歧、关系抽取、网络分析 | 可从小型手工网络入门 |
| 艺术史与视觉文化 | 书画、版画、海报、照片、电影 | 图像母题如何流通，图文如何关联 | 图像检索、视觉标注、多模态分析 | 不应把DH局限于文字 |
| 数字考古与建筑遗产 | 遗址、器物、铭文、建筑 | 对象怎样复原，空间怎样使用 | 三维记录、遥感、形态与空间分析 | 通常需要专业材料与设备 |
| 音乐、声音与口述史 | 乐谱、录音、方言、访谈 | 演唱、口音、记忆与表演怎样变化 | 音频处理、转写、时间对齐、声音分析 | OCR之外还有ASR等数据入口 |
| 濒危语言与多文字材料 | 少数民族语言文献、口述材料 | 如何保存、转写、描述与教学 | 语料库、HTR/OCR、语言文献记录 | 人文、语言学和技术共同参与 |
| 公共人文与数字展示 | 博物馆、社区记忆、文化遗产 | 数字呈现是否改变理解和参与 | 数字展览、地图、交互、用户研究 | 需同时评估内容和使用效果 |
| 原生数字文化 | 网络文学、共创、游戏、平台 | 平台规则怎样影响创作与传播 | 版本追踪、平台研究、网络与话语分析 | 研究对象本身已是数字材料 |
| 批判数字研究 | 数据集、模型、平台、基础设施 | 谁被收录、谁被遗漏，分类与工具如何塑造知识 | 案例研究、方法反思、偏差审计 | 与所有板块相连 |
这些板块可以在已有资源与研究中找到实例：人物数据库CBDB、历史地理项目CHGIS、语言基础设施CLARIN、图像与文化遗产项目，以及下文的论文表提供具体入口。CBDB；CHGIS；CLARIN
对“广泛”的理解 ：选题准备阶段需要看见这张地图；正式做项目时，应缩到一种材料、一个清楚的问题和一套能检验的证据。把所有方法堆进一个项目，会增加难以判断的环节。
3. 现实发展到哪一步：观察项目、机构与服务
3.1 发展并不是所有旧方法同时被替代
一条常见的简化历史线索，是从Busa于1949年开始的拉丁文索引工作，看到索引、语料、文体与作者研究的长期积累。文本编码、数据库和网络数字出版，后来扩展了研究对象与成果形式。这不是所有地区唯一的起源或严格分期，也不意味着某一新技术取代了此前研究传统。D01
可以用“资源与数字版本—关联与计算分析—AI辅助理解与研究”观察方法扩展。这是本报告的归纳，不是严格分期。数据库、数字编辑、GIS、人工校勘仍有独立价值；2026年的AI研究也继续依赖这些基础。
例如，奥地利DHinfra在2026年10月开放相关研究教学项目申请，服务包括算力、数字化、存储及开源软件，显示一部分发展已进入共享基础设施运行。另一方面，牛津BodleianLLM在2026年9月启动，计划到2027年8月建设馆藏语料、评测和开放模型；截至本报告日期，它属于 进行中项目 ，不能把预期产出写成已经完成。DHinfra；BodleianLLM
3.2 看现实项目，要同时看四件事
| 检查内容 | 可以怎样核查 | 对研究的实际影响 |
|---|---|---|
| 资源实际是什么 | 影像、OCR文字、校对文字、结构化数据，还是只有展示 | 决定能做图像识别、文本研究还是只能浏览 |
| 当前开放到什么程度 | 是否有可下载文件/API、是否需注册或申请、许可是什么 | 决定能否复现、共享、训练或公开成果 |
| 质量怎样记录 | 来源版本、缺页、转录规则、人工复核、错误情况 | 决定结论的可信范围 |
| 谁维护、维护多久 | 机构、版本号、更新日志、归档与引用方式 | 决定毕业后别人能否继续使用 |
资源网站“免费阅读”不自动意味着可批量下载、重新发布或用于训练。 立项时应逐项记录实际许可和获取方式；表中的“开放”均按所链接页面的用途理解。
3.3 中文语境的现实特点
中国国家图书馆的古籍资源、大学的数字人文中心、历史人物与地理数据库、古籍阅读与整理平台，已经提供了多种研究入口。2025年国图“中华古籍智慧化服务平台”上线试运行的官方说明，显示资源服务从影像阅读继续扩展到专题组织与知识服务；它并不等于全部古籍已有可直接研究的高质量文字。文化和旅游部转发国图说明，2025
中文研究的一个实际优势是材料问题明确：繁简与异体、竖排、双行小注、版本差异、人名地名歧义，都可以形成具体任务。但“有大量古籍”还不够，仍需核查版本、许可、标注质量与研究问题。2026年的古籍文档基准和历史OCR论文，为这些问题提供了新的技术与评测入口，见第5、8节及文献表。
3.4 研究团队常怎样分工
本报告建议用任务理解团队角色：材料与学科负责人判断版本和解释；数据负责人制定字段与标注规则；技术负责人实现清洗、模型或检索；质量负责人组织抽查、误差与复现；展示与维护负责人让成果可检查、可持续。小团队可以一人兼任，但关键判断应有第二人复核。
对初学者，材料整理、概念定义、标注规范、人工参照、误差分类与解释都是可以承担的研究工作。是否需要训练模型，取决于问题与验证结果；学习顺序可以从语料和评测起步。
3.5 代表性项目和资源：能看见什么，能怎样使用
| 项目/基础设施 | 现实内容 | 适合的入门用途 | 核验边界 |
|---|---|---|---|
| DARIAH D09 | 人文学术的培训、工具、数据与服务网络 | 看真实研究怎样组织，寻找方法课程 | 各服务条件不同，未逐项实测 |
| CLARIN D10 | 语言资源与语言技术基础设施 | 查语言材料、工具与实践 | 本次主站失败，采用官方国家节点说明 |
| Europeana D11 | 跨机构欧洲数字文化遗产入口 | 理解馆藏元数据、图像与跨库检索 | 藏品各自有许可，未逐件下载 |
| CBDB D12 | 中国历史人物与关系数据库 | 群体传记、关系与空间研究 | 有2026年发布信息，收录不是历史人口随机样本 |
| CHGIS D13 | 历史地名与行政单位时空资料 | 理解历史地名如何与文本连接 | 覆盖有范围，不能假定各朝全国完整 |
| MARKUS D14 | 中文历史文本专名标注、词表和结果导出 | 理解从文本到结构化知识 | 所读介绍较旧，2026维护状态未独立确认 |
| 国图古籍资源与智慧化服务 D15 | 影像、全文转换与相关知识服务 | 查版本、看图文与服务类型 | 来源报道不是AI准确率评测 |
| CText D16 | 古代中文文本、影像、检索与工具 | 练习有出处的用例、图文核对 | 部分转录仍需校对；具体API与下载条件另查 |
| CBETA D17 | 佛典全文与程序化检索入口 | 佛典相关语料与文本研究 | 已核接口目录与版本，未批量运行 |
| 数字敦煌素材库 D18 | 壁画、文献等素材与授权体系 | 看视觉材料与文化遗产如何组织 | “开放素材”仍有具体授权条件 |
| 北大数字人文开放实验室 D19 | 古籍、NLP、图谱、可视化与交互研究 | 找跨学科实践、案例与团队 | 机构介绍不等于各项目独立效果验证 |
| Transcribe Bentham D20 | 公众转写手稿、编辑与研究使用 | 看众包、质量控制和贡献怎样结合 | 公众转写仍需编辑流程，本次未参与转写 |
| Old Bailey D26 | 可检索的历史审判记录及关联研究 | 看真实史料数据库的研究问题 | 所读说明含旧内容，不据此报当前规模 |
欧盟2026年发布的文化遗产数据空间战略，将数据质量、互操作、治理、多语访问与AI、3D/XR结合，也承认资金、技能与数据孤岛等问题。它提供发展方向，2025—2030的目标仍应与已实现服务区分。D39
4. 基础知识：先理解完整流程，再选择工具
4.1 一项文字型数字人文研究怎样走完
问题与材料范围 → 版本/来源/许可登记 → 获取影像或文本 → 转录与校对 → 结构化和标注 → 分析与对照 → 解释与细读 → 发布、引用和维护。
这是建议的工作流程，可以往返修改。例如，研究发现“某词少见”，要回查是语言现象，还是OCR漏识；发现关系网络有中心人物，要回查是否因为其传记较长。流程中的回查往往比再增加一个模型更有价值。
4.2 大家至少应听懂的术语
| 术语 | 用普通话解释 | 立刻能用上的判断 |
|---|---|---|
| 语料 corpus | 按规则收集的一批语言材料 | 说明收什么、为什么收、不收什么 |
| 元数据 metadata | 描述材料的信息 | 作品、作者、年代、版本、页码、来源等不能只藏在文件名里 |
| 标注 annotation | 为材料中的现象加有规则的标签 | 先定义“什么算”，再统计有多少 |
| 金标准/人工参照 | 用来检验工具的人工核定材料 | 仍须记录疑难、分歧与裁决，不是天然绝对正确 |
| 基线 baseline | 一个简单、透明、可重复的对照方法 | 新方法要说明比它改善在哪里 |
| 训练/验证/测试 | 分别用于学习、调参数、最后检验的材料 | 测试材料不能在调试时反复变成答案来源 |
| 泛化 generalization | 换一批真实材料还能不能用 | 换朝代、文类、版本、书手都可能改变效果 |
| 操作化 operationalization | 把抽象概念变成可观察的判断规则 | “讽刺”“尊敬”“叙事视角”要有定义、例子和反例 |
| 效度 validity | 实际测到的是否正是想研究的东西 | 情感分数不自动代表人物态度，分类成功不自动证明理论 |
| 稳健性 robustness | 合理改变方法或样本，结论是否保持 | 换分词、提示词、抽样方式之后再看 |
| 溯源 provenance | 能追查结果来自哪里、怎样变化 | 一条表格记录应能回到原页和编辑决定 |
| 可复现性 | 别人按材料与说明能否得到可比较结果 | 保存数据版本、参数、代码、模型和人工处理记录 |
这些是本报告的教学释义。有关历史语料的元数据与标注，参见L15；关于AI辅助研究中概念与测量的关系，参见M04。不必先背熟所有英文，先能在自己的材料上指出对应环节。
4.3 数字文献最少要区分的几层
建议至少保留： 原件影像/原始文本；忠实转录；规范化文本；研究标注；推测或解释 。它们可以相互链接，不应互相覆盖。例如，异体字归一化便于检索，但原字形可能正是语言史研究对象；补出的缺字应明确是编辑者或模型的候选。
清洗、分类与编码包含研究判断。Rawson与Muñoz的《Against Cleaning》用数据整理案例讨论这一点；Drucker则提醒人文可视化需要表达选择、歧义和解释。它们支持记录处理决定，并不意味着识别错误应一律保留不改。D03；M01
5. 数字人文 × OCR：从“认字”到可靠文献
5.1 OCR不是一个孤立按钮
| 环节 | 解决什么 | 常见失败 |
|---|---|---|
| 图像处理 | 裁边、校正歪斜、改善可读性 | 处理过强抹掉笔画、批注或印记 |
| 检测与分割 | 找出文本块、列、行或字 | 漏掉双行小注、连笔或靠边文字 |
| 版面分析 | 判断正文、标题、注释、图表、印章等 | 正文与批注混合 |
| 阅读顺序 | 还原块、行、列的先后 | 字认对了，却按错误顺序拼接 |
| 文字识别 OCR/HTR | 将印刷或手写字形转为编码 | 罕见字变常用字，字被删掉、重复或凭空补出 |
| 后纠错 | 修正初次转录 | 把历史上正确的罕见表达改成现代常见说法 |
| 导出与对齐 | 输出文本、结构和原页位置 | 只留下纯文本，无法回查错误和结构 |
OCR常泛指光学字符识别，HTR强调手写文字识别，两者技术有重叠。“文档解析”还需要文字之外的结构；“文档问答”则是利用页面回答问题。某系统能回答一页的大意，不足以证明它逐字转录可靠。OCR-D流程；Kraken文档；O07
5.2 古籍、档案为什么尤其难
困难来自多层组合：破损、透印、歪斜等图像问题；异体、俗字、生僻字和历史字形；竖排、双行夹注、眉批与印章；古汉语和无标点；同书异版以及现代点校改变。解决图像清晰度，只覆盖其中一层。O01；O06；O13
大规模数据也不等于全量专家金标准。HisDoc1B采用半自动构建，所查资源还存在非商业研究与机构申请审核条件；选数据集时应同时检查标注形成和实际获取门槛。O06
一条需要验证的误差链是： 罕见人名误识 → 纠错改成普通词 → 实体抽取漏人 → 网络关系改变 → 历史解释受到影响 。这是说明性假设，不是真实案例数据。已有研究证明OCR质量会影响不同下游任务，但影响程度随任务与材料而变化；不能为所有语种设一个通用可用阈值。O02
5.3 2024—2026年的技术路线，怎样读才不混乱
| 路线与代表 | 值得理解的变化 | 对人文研究的边界 |
|---|---|---|
| TrOCR（AAAI 2023；预印本2021） | 用预训练视觉与文字Transformer做识别 | 识别器不是完整古籍整理系统；仍需分割、结构与校对 O03 |
| Donut（ECCV 2022） | 页面图像直接生成任务结构，不调用独立OCR引擎 | “OCR-free”不等于没有识字错误，表单任务成绩不能代表古籍逐字保真 O04 |
| Nougat（ICLR 2024；预印本2023） | 学术论文页面转带公式等内容的标记文本 | 原版几乎全英文训练，原文讨论非拉丁文字重复；中文古籍不宜直接套用 O05 |
| OmniDocBench（CVPR 2025） | 把文字、表格、公式与读序分项评价 | 是多样PDF基准，需另做历史材料测试；版本间不能直接混比分数 O07 |
| olmOCR 2（2025预印本） | 围绕可检查的文档条件设计训练奖励 | 主要英文基准，单元测试成绩不能充当中文古籍CER O08 |
| DeepSeek-OCR / OCR 2（2025/2026预印本） | 探索视觉文字压缩、视觉token组织与阅读顺序 | 压缩和通用解析结果不直接证明史料保真 O09；O10 |
| PaddleOCR-VL / VL-1.6（2025/2026预印本） | 紧凑多语模型、薄弱样本改进与后训练 | 1.6仍有版面模型与VLM两阶段，不应把所有VLM都说成端到端 O11；O12 |
| HisDoc-OCR（Findings ACL 2026） | 针对历史中文加强图像依凭，处理字形、布局、幻觉与重复 | 说明“忠实看图”本身仍是前沿；代码实际发布状态需另核 O15 |
这里选择的是解释路线的代表，并非完整模型榜单。本次没有在你们的电脑和材料上运行它们，也没有独立复现作者性能。
5.4 直接面向古籍的2026研究，比通用榜单更贴近你们
- AncientDoc 把中文古籍OCR、白话翻译、推理和知识问答等任务放在同一基准。它提示“识别”和“理解”应拆开评测，样本仍偏明清、楷书，对早期材料和跨页理解的覆盖有限。O13
- MCHDoc 区分纸本、简牍、书法、碑刻、帛书、甲骨等载体，并考察识别与后纠错。论文已正式发表，但所查仓库未确认完整数据可下载；不宜马上据此承诺复现。O14
- EvaHan2026 有正式评测总报告，将印刷、手写和布局分别设任务。按正文表4，封闭赛道特定印刷测试在异体字等价匹配规则下的最佳综合识别得分为97.36%；布局最佳mAP@[.5:.95]为59.41%。前者是组合得分，后者是区域检测指标， 均不是“所有古籍准确率”，也不能直接相减比较。 异体字计为等价不代表原字形完全保留；文字与布局仍需分别检查。C05
- 纠错溯源研究 把每次修改的位置、前后内容与来源保留下来，连接下游实体变化。它是小规模方法试点，不是全领域有效性的证明，却提供了很适合人文团队借鉴的工作方法。O16
5.5 怎样评价“够不够用”
CER（字符错误率）的常见形式是： 替换数＋删除数＋插入数，再除以参考字符数 。插入很多时可能超过100%，所以不能一概写成“准确率＝1－CER”。中文使用词错误率WER时，还要说明怎样分词；标点、空格、繁简、异体字、Unicode规范化规则都会改变结果。O01
建议为实际研究增加四组检查，属于本报告的设计建议：
- 字与结构 ：漏字、错字、重复、漏行、正文/注释、阅读顺序分别报告。
- 证据敏感信息 ：单列人名、地名、年代、数值、罕见字；平均分可能掩盖重要错误。
- 工作成本 ：记录人工校对时间、疑字处理和返工，而不只记录模型推理时间。
- 下游结论 ：比较原始OCR、人工复核文本、自动纠错文本所得的检索、词频、实体或关系是否实质改变。
试点应先制定忠实转录规则，再组织独立复核。若要训练或调参，应按书、卷、作品或独立材料单元留出测试，检查近重复和跨版本重叠，避免同一本书相邻页面的相似性制造过于乐观的结果。
6. 数字人文 × 语言学：能研究哪些问题
6.1 从六类问题开始理解
| 研究线 | 可以追问什么 | 入门方法 | 进一步发展 |
|---|---|---|---|
| 词汇与语义变化 | 一个词在何时、何种文类中怎样用 | 检索上下文、人工分义、标准化频率、搭配 | 历时嵌入、用例聚类、可解释语义特征 |
| 语法与构式变化 | 某种句式、虚词、表达策略怎样变化 | 确定构式定义、抽样、句法/语用标注 | 自动分析、历史树库、混合效应统计 |
| 语用与话语 | 礼貌、立场、隐喻、身份、评价怎样表达 | 明确编码标准、独立复标、上下文分析 | LLM辅助标注、跨体裁与群体比较 |
| 文体、叙事与作者 | 哪些风格特征跨作品保持，人物和叙述怎样组织 | 功能词、字词n-gram、文体/叙事标注与细读 | 语言模型、作者归属、长文本与叙事评测 |
| 古汉语处理与文献学 | 断句、翻译、专名、关系、异文如何可靠识别 | 人工对照、规则与词表基线、版本比对 | 古文模型、信息抽取、修复与检索 |
| 方言与低资源语言 | 怎样保存发音、变体、语境和使用者知识 | 录音、转写、例句、词典、社区共建 | 语音/形态处理、OCR/HTR、辅助工具 |
这些是可交叉的研究线。相关代表见L02、L06、L10、L11、L13，下面只解释关键方法和判断。
6.2 最先学的不是复杂模型，而是语料比较
检索行KWIC 把目标词放在中间，左右保留上下文，帮助逐条确认含义。 标准化频率 先约定按字、词等单位计数，再除以相应语料规模，减少仅由子库大小造成的差异；文类、作者、版本和识别质量仍需另外检查。 搭配 关注邻近词的反复共现。 关键词分析 比较目标语料与参照语料的突出差异，参照语料选什么会改变问题。
例如要研究某称谓的变化，应先固定或记录文类、年代、作者结构和版本。某时期出现次数增加，可能是语义/社会变化，也可能是该期收进了更多某类书。Pechenick等针对Google Books的研究，直接说明了语料构成对文化和语言趋势推断的限制；“被收录多”和“社会上更普遍”之间需要更多证据。L01
6.3 历时语义：一个重要的研究传统，也有清楚的反证
Hamilton等2016年用历时词向量研究语义变化，是经典入口。Dubossarsky等2017年通过控制条件说明，部分看似语言变化的规律也可能来自表示模型和频率偏差。两篇应对读：既理解技术能发现什么，也学习怎样检查算法是否自己制造了规律。L02；L03
2025年的方法进一步关注具体用例与可解释语义特征，例如研究法语“indigène(s)”的历史用法；同时，另一项研究发现，小规模预选词评测的好成绩不保证能从大词表可靠发现变化。对中文选题的启发是：比较简单搭配与模型方法，人工检查高分候选，并设置“本来不该变化”的控制条件；是否在中文同样有效仍需实测。L08；L09
6.4 古汉语研究已经有任务、资源和专门模型
WYWEB 把古文能力分成多类NLP任务； CHisIEC 提供古代史的实体与关系抽取语料； WenyanGPT/WenyanBENCH 将古文模型与任务评测结合。它们提供可起步的任务框架，但基准覆盖不等于各朝代、各文类和各群体都具代表性。L05；L06；L07
“古文理解”因此应继续细问：已转写文字的字义是否理解、断句是否合适、专名能否消歧、翻译是否保留含义、解释有没有原文证据、遇到多解能否说明不确定。识别原图字形属于前面的OCR环节，上述文本任务不自动检验看图能力。把这些合成一个笼统总分，会使研究问题不清楚。
6.5 历史文本修复：先产生候选，再接受学术检验
Ithaca面向希腊铭文的缺文、地域与年代判断；Aeneas进一步面向拉丁铭文的历史语境、平行材料检索及视觉信息。它们是AI与古代文献研究结合的代表案例。模型候选、研究者觉得有帮助、最终释读正确，是三种不同证据；不能把这些论文讲成通用古籍OCR已解决。L04；L12
6.6 语言学也可以研究模型本身
可研究模型怎样处理多义、指代、预设、讽刺、称谓、历史语境和文化概念。这时研究对象是模型行为；若用模型给真实文本贴标签，模型则是研究工具。两种研究需要不同的验证：前者测它怎样错，后者还须评估错误对材料判断和结论的影响，并说明适用范围与不确定性。M04
HistBench/HistAgent的正式版已发表于ICML 2026，提供涉及来源检索、多模态材料与多语历史问题的评测。它展示了工具协作的进展，也显示复杂任务依旧困难；不能把考试题、知识记忆和史料推理混为一谈。L14 2026年9月的Chronologic预印本进一步区分历史语境的识别与自由生成能力，但其英语出版材料和模型裁判有局限，仍待后续检验。L16
6.7 方言与少数民族语言需要更宽的成功标准
数字词典、音频例句、语法描述、社群参与和可持续保存，本身就可以是有价值的成果。Living Dictionaries相关研究与2026年语言记录计算方法综述，提供了这样的实践入口。评估应与使用者需求相连，不能只有模型分数。L11；L13
7. 两个交叉方向怎样真正汇合
以下是本报告综合提出的方向，不是“首次发现”的声明。
| 连接点 | 可能的人文/语言学问题 | 技术问题 | 可验证的贡献 |
|---|---|---|---|
| 异体、俗字与规范化 | 字形差异有何时代、地域或书写意义 | OCR与纠错是否抹去真实差异 | 保留原形与规范层的语料、误差分类 |
| 历史人名地名 | 人与地方怎样在文献中被记述 | 误识如何影响专名、同名消歧和关系 | 原图到实体/网络的可追溯分析 |
| 断句与版本 | 异文和标点怎样改变句义 | 自动断句是否因OCR错误改变 | 不同版本/转录层的对照与解释 |
| 历时语义 | 词的用法是否真的改变 | 频率、识别错误和文类变化会否制造假趋势 | 控制条件、人工用例审查和稳健性比较 |
| 低资源文字 | 如何保存读音、字形、释义与文化语境 | 缺少编码、字体与训练样本 | 小型多层资源、规范、社区复核与适用性评测 |
| 版面与话语层级 | 正文、注释、批评和引用声音是什么关系 | 文字顺序正确但层级被压平 | 图文对齐的结构化版本及层级分析 |
| 古籍检索与问答 | 怎样找到可引用的证据 | 错字、异称、补文与模型记忆如何影响检索 | 证据定位、召回与有无依据的回答评测 |
最值得优先检查的共同问题是： 工具改变了哪些材料，改变是否影响了研究结论，是否还能追查回来。 可参考OCR溯源O16、历史语料规范L15和数据整理反思D03，再为自己的书种和问题设计实验。
8. 前沿学术在推进什么：同时读进展和限制
8.1 从代表来源看到的活跃线索
以下为本次来源的综合归纳，不是按论文数量计算的趋势排名。
| 线索 | 代表证据 | 下一步真正要解决的问题 |
|---|---|---|
| 历史文档专门化 | AncientDoc、MCHDoc、HisDoc-OCR，2026 | 面对新字形、复杂版式、跨页和新载体是否仍忠实 O13；O14；O15 |
| 合成数据与低资源适配 | 满文VLM OCR，2026；水书资源与识别，2026 | 合成效果能否转到真实材料，语境与专家知识怎样加入 M12；C02 |
| 从无结构文本到历史知识 | CHisIEC，2024；Heritage Weaver，2025 | 实体/关系/跨馆记录能否核查，错误会否系统性偏向某类对象 L06；D06 |
| 语言变化的实例与解释 | 可解释语义特征、真实词表发现，2025 | 区分真实变化、题材变化与模型噪声 L08；L09 |
| 叙事事件抽取与长文本理解 | Llamas Don’t Understand Fiction，2025；Too Long, Didn’t Model，2026 | 怎样验证文本事件与叙事状态，篇幅和呈现方式如何影响可靠性 D04；D08 |
| 历史与文化适切性 | HistBench，2026；文化时代错置，2026；Chronologic，2026预印本 | 当代语言和价值预设是否被投射到过去，证据能否定位 L14；L18；L16 |
| 理论驱动的AI测量 | Piper、Pichler与Pagel、Chang，2026 | 概念怎样变成任务，提示与标注怎样影响结论 M04；M05；M06 |
| 可追溯、可复现与持续服务 | OCR修改溯源，2026；复现条件调查，2025；基础设施项目 | 处理链、运行环境、版本与维护责任怎样一起保存 O16；D05；M09 |
| 数字版本、互操作与长期保存 | TEI、IIIF、文化遗产数据空间 | 出处、异文、结构与跨馆关联怎样在长期服务中保留；这是持续研究与建设议题，不是模型性能榜单 D21；D22；D39 |
| 社群参与、访问与解释权 | DH2025、公众转写、CARE | 谁能贡献、使用和控制材料，质量控制与社群需求怎样协调 D27；D20；D25 |
8.2 一个适合学习“怎样读前沿论文”的真实例子
2026年的满文OCR论文使用合成词图微调视觉语言模型。作者报告，某模型在 参与模型检查点选择的合成验证集 上词准确率为98.6%；这个数值偏乐观，不是独立测试成绩。独立留出的真实扫描词图测试为87.4%，对象仍是 已分割词块 ，不含整页布局与分词；图像处理、速度、硬件和专家校正也影响实际使用。M12
因此，读论文时至少追问： 分数在什么材料上、是什么任务、参照怎样建立、真实使用还缺哪一步 。这比把论文摘要里的“高性能”“低成本”直接转为项目承诺更有帮助。
8.3 几组看似矛盾、实际需要限定条件的结果
| 表面张力 | 应怎样理解 | 对你们的研究设计意味着什么 |
|---|---|---|
| 模型在文档榜单很强，古籍仍出错 | 现代PDF、中文刻本、甲骨、手札不是相同测试分布 | 为自己的材料建立分层测试 O07；O13；O14 |
| 加入人文理论，模型表现未必更好 | Pichler与Pagel的三类理论任务中，提示效果依任务与模型变化 | 不能只展示一个最好提示；检查输出是否符合定义 M05 |
| 语义变化方法在基准上有效，真实发现仍困难 | 预选词排序与大词表发现是不同任务，误报代价也不同 | 把人工审查和控制组纳入设计 L03；L09 |
| 修正文档能改善使用，也可能改变研究对象 | 错字修正、规范化、补文是不同编辑操作 | 各层分存、保留修改与原因 D03；O16 |
| 档案问答更方便，历史解释仍不能一键获得 | 检索与回答会掩盖馆藏选择、材料缺漏及来源语境 | 回答应给证据位置，并说明馆藏与问题范围 M07 |
这些是基于相邻任务的比较与综合解释，并非声称论文之间存在已经解决的直接争论。尚未覆盖的跨领域张力可能存在。
8.4 中文论文与实践入口，也要纳入阅读
| 已核实材料 | 能学到什么 | 本次证据范围 |
|---|---|---|
| 《段玉裁〈说文解字注〉知识库的构建与应用》，2025 | 传统文字学知识怎样分类、标注、结构化并用于具体问题 | 官方题录、摘要；未读正文，需使用更正PDF C01 |
| 《水书文字数据库和智能识别平台构建》，2026 | 字形、注音、释文与识别系统怎样结合 | 官方目录与摘要，未独立测试平台 C02 |
| 《面向口述史文本分析的大语言模型提示工程与人机协同策略》，2025 | 中文口述史任务怎样进行人机分工 | 官方题录、摘要，未据此复述未读实验 C03 |
| 《本地化智能史料管理系统的构建方法与实践》，2026 | 史料、笔记、OCR与协作如何形成工作流 | 官方题录、摘要；成本与安全未另作审计 C04 |
| EvaHan2026评测总报告 | 古籍识字与布局怎样设置任务、指标和对照 | 正式论文库题录、摘要，组织者任务说明 C05 |
| 《诗品》品级的计算研究，2025 | 怎样把中国文学批评材料转为可检验问题 | 正式论文与相关方法；可预测性不是诗歌价值定论 D07 |
本次中文期刊正文抓取存在超时，未完成CNKI、万方和学位论文的系统检索。上述中文论文可作为后续馆藏获取与精读起点，不能据此宣称国内文献已查全。
9. 基础工具：按任务和门槛选择
9.1 第一轮不必装齐所有软件
建议的最小组合是： 文献管理工具＋一个来源/标注表格＋一个合适的文本检索或转录工具＋清楚的文件备份规则 。第一步可以用熟悉的表格软件管理材料；Python、GIS、网络图、服务器和模型训练按任务逐步加入。
门槛分成三层： A：现成界面，完成基本操作可起步；B：需要学习数据结构、参数或一点脚本；C：需要技术协作者负责部署、算力与维护。 同一工具的入门和进阶功能可能跨层。下表核查的是文档与功能，并未在本机逐个安装和性能测试。
9.2 通用工具：任务—输入输出—门槛
| 工具 | 做什么、得到什么 | 门槛与负责角色 | 当前许可/使用条件 |
|---|---|---|---|
| Zotero T01 | 收藏书目/PDF/笔记，整理和输出参考文献 | A，文献负责人带全员起步；Windows图形界面 | 免费开源；可选附件云存储另有方案，自动导入书目仍须核查 |
| 表格软件 | 登记材料、标签、页码、分歧与统计分母 | A，全员；先学一行一条记录、一列一个字段 | 用现有合适软件即可，优先保存可交换的CSV/TSV副本 |
| OpenRefine T02 | 表格筛选、拆列、聚类、查重复；导出数据和项目 | A→B，数据负责人；Windows启动后在本地浏览器操作 | 免费开源；外部实体匹配服务才涉及相应联网请求 |
| Voyant T03 | 文本词频、趋势、上下文与探索视图 | A，文本分析者；公共网页或本地部署 | 免费开放工具；公共服务需上传文本，古汉语分词要检验 |
| QGIS T04 | 坐标/图层→地图、空间数据与项目 | B，空间分析者；有Windows界面 | 免费开源；需理解坐标和历史地名，现代地图不自动代表古代 |
| Gephi T05 | 节点表＋边表→网络、指标与图 | B，关系分析者；Windows界面 | 免费开源；边的含义与证据由研究者确定，共现不等于交往 |
| Omeka S T06 | 元数据与媒体→数字馆藏/展览 | A编辑＋C部署；内容与技术人员配合 | 开源；通常需要服务器、数据库和维护，Windows可作浏览器编辑端 |
| JupyterLab T07 | 代码、说明、数据→可重跑Notebook与结果 | B，计算负责人；浏览器界面仍需理解代码 | 免费开源；可本地运行，交付时要从头重跑并记依赖 |
| Colab T08 | 托管Notebook，省去部分本地环境配置 | B，计算负责人；需账户和网络可用 | 免费/付费服务；算力不保证，AI功能的数据处理需与普通运行分开理解 |
| Git＋GitHub Desktop T09；T10 | 代码/指南/文本→修改历史、差异与协作版本 | B，版本负责人先学图形界面 | 客户端免费开源；本地提交、备份、推送与公开发布是不同动作 |
工具的任务范围依据所链接官方资料；表中的学习分层和分工是本报告建议。先做文本研究时，QGIS、Gephi与Omeka S可以暂缓；等问题需要空间、关系或展示时再引入。
9.3 OCR与转录工具：先区分怎么获得工作环境
| 路径/工具 | 适合先做什么 | 怎么进入、谁负责技术 | 要核实的关键条件 |
|---|---|---|---|
| 图像查看器＋文本编辑器＋表格 | 人工转录、页图对齐、疑字与修改记录 | A，普通本地文件工具；全员可学 | 文件编码、稳定页号、原图与加工稿分存 |
| 识典古籍 V01；V02 | 从已有书目看版本、图文对照，再了解整理流程 | A阅读；自有材料整理需核实际账号功能 | 可确认OCR、校对、对勘等功能介绍；个人自助建库、额度和导出权限本次未确认 |
| CText V03 | 学按原图校字、定位页面和保留修订依据 | A阅读；可先只作本地候选修改记录 | 创始人教程较旧，当前菜单未逐项验证；公共编辑按站点规则进行 |
| Transkribus V04 | 建资料集合、上传图像/PDF、选模型、识别、编辑、导出 | A，浏览器使用托管服务；基本识别可先用公共模型 | 账号、额度和模型适配；旧桌面eXpert已被官方标为弃用，不宜照旧教程起步 |
| eScriptorium＋Kraken V05 | 行/版面与文字的校对、模型应用及可选训练 | A使用＋C部署；向已有机构申请账号或请技术人员部署 | 软件不是统一免费托管站；账号、存储、备份和维护要有人负责 |
| Tesseract | 建立传统本地OCR对照 | B，本地引擎；技术协作者先配环境 | 通用语言包不等于古籍模型，需在自己的材料上抽查 |
| PaddleOCR / OCR-VL类 | 本地/服务化识字与结构解析实验 | B→C，运行要求依具体模型与版本 | 记录识别与版面模型、参数、硬件、输出和许可，历史材料另测 |
| OCR-D | 了解模块化流程、质量与标准 | C，更适合技术协作者参考 | 主要历史德语印本背景，组件许可和安装分别核对 |
本地引擎入口：Tesseract官方仓库、PaddleOCR官方仓库、OCR-D。它们可以作为对照或流程参考，尚未证明在你们将选的古籍上哪一个更好。
9.4 语言学与标注工具：按材料选择
| 工具/资源 | 输入与输出 | 门槛、适合问题 | 需要研究者判断什么 |
|---|---|---|---|
| AntConc U01 | 文本→检索行、词表、搭配等 | A，Windows桌面界面；适合先查词语与构式用法 | 中文切词、分母、检索式；非商业学习教学研究免费，商业另许可，并非开源 |
| ELAN U02 | 音视频→分层、时间对齐的EAF标注 | A→B，Windows桌面；访谈、方言、手势等 | 起止时间、说话人、听辨和层级；媒体和标注需一起保留 |
| Praat U03 | 录音→声学测量、TextGrid与图 | B，Windows界面，进阶脚本；声调、语音和韵律 | 参数、切分与错误曲线，测量要和听辨互查；GPL开源 |
| INCEpTION U04 | 文本→实体、关系等多层标注与复核 | A标注＋B/C配置；42.1有Windows安装包，团队服务需维护 | 标签定义、字符位置、独立复标、导出完整性；Apache-2.0 |
| UD U05 | 规范与树库→可比较的语法标注表达 | B，研究词性、形态和依存句法；不是自动分析器 | 语言/时代和切词标准是否适配；各树库许可分别看 |
| jieba U06 | 中文字符串→分词序列与位置 | B，Python库；轻量预处理或词典比较 | 古汉语、专名与繁简切分需人工测试；可用不等于准确，MIT开源 |
只研究词语和句式时，先用AntConc与人工编码即可；研究录音才增加ELAN，研究发音再增加Praat，多人标注复杂后再引入专门平台。这是按任务减少学习负担的建议。
9.5 资源、标准和模型，也要分清
| 类型 | 代表 | 用途 | 初学者现在需要做到什么 |
|---|---|---|---|
| 文本资源与语料检索平台 | CCL、BCC、CText、CBETA | 查真实用例和文献，部分提供API | 先核收录与版本，再按问题定义样本；记录子库、检索式与检索日，不默认全部内容天然可比 |
| 数据集/评测集 | WYWEB、CHisIEC、AncientDoc、HisDoc1B | 定义任务、研究模型或建立对照 | 先看样本与标注规则，检查能否获取及许可 |
| 模型 | GuwenBERT、WenyanGPT、OCR-VL类 | 提供特定表示、识别或生成能力 | 先理解输入输出、训练背景和任务，不把名字当效果证据 |
| 文本编码标准 | TEI（通常以XML表达） | 表达结构、异文、编辑信息 | TEI是规范、XML是通用标记语法；按项目选择子集 |
| 图像互操作 | IIIF | 跨机构展示、引用和连接数字图像 | 知道图像/页面有可引用标识；无需先开发服务器 |
| 语法标注规范 | UD/CoNLL-U | 词性、形态与依存句法的公共表达 | 它是规范和树库生态，自动分析另需工具 |
| 文化遗产语义模型 | CIDOC CRM | 将事件、人物、物件、地点等知识关联 | 小项目先理解实体与关系，复杂建模再找协作者 |
| 数据与治理原则 | FAIR、CARE | 可发现、复用、来源、许可及社群权益 | 在材料清单中实际记录获取方式、许可和责任 |
标准入口见D21—D25及U05；语料与模型见第6节及文献表。FAIR允许必要的认证授权，并不要求所有材料无条件公开；CARE源于原住民数据治理，使用时应尊重其具体语境。D24；D25
使用标准也需记录版本：本次IIIF官网将3.0.0列为现行API，4.0.0为候选；CIDOC CRM将7.1.3标为官方/ISO对应、7.4标为草案。版本号更新不自动表示已成为正式规范。D22；D23
中文语料的现实更新 ：CCL官方2026年10月22日公告称，2026版于当年5月上线；公告日和上线日不同。BCC同样提供语料检索与帮助。使用时应保存具体查询条件，不把两个平台或不同子库的频率直接当同一分母比较。CCL官方公告；CCL；BCC帮助
9.6 普通电脑、云端与GPU怎样安排
本报告的起步建议：普通电脑先完成书目、表格、文本检索、人工标注和小规模统计；调用云端模型时记录版本、费用和材料使用条件；需要本地VLM或微调，再根据具体模型与材料估算显存、存储、运行时间和维护成本。不要仅由模型参数量或论文中的“低成本”推算自己能运行。
第一轮也不必把所有资料上传模型。可先用已获得许可、能公开或允许相应用途的少量材料熟悉流程，再决定本地、学校服务或云端方案。软件、权重、训练数据、馆藏影像各自有许可对象，代码开源不自动覆盖其他对象。
10. 通用分工：先分责任，再分工具
10.1 一项项目可以拆成七类工作
下表是团队组织建议，不是必须招齐七名成员，也不是就业市场统计。
| 工作方向 | 主要负责什么 | 需要逐步学习什么 | 应交付什么 |
|---|---|---|---|
| 学科问题与材料 | 研究问题、底本选择、历史/语言解释 | 文献检索、领域背景、细读、版本判断 | 问题说明、关键原文、范围与反例 |
| 文献与来源管理 | 书目、来源、许可、读取状态 | Zotero、基本引文核查、文件管理 | 来源清单、书目、阅读卡 |
| 数据整理与管护 | 文件、元数据、清洗、版本与备份 | 表格、编码、OpenRefine，逐步学数据库 | 原始/加工材料、数据字典、变更日志 |
| 转录与标注 | OCR校对、图文对齐、语言标签与规范 | 相关界面、转录规则、标签定义 | 标注指南、人工参照、疑难与分歧表 |
| 计算与方法实现 | 批量处理、基线、统计、模型与参数 | Python/R、Notebook；按需学ML/GIS等 | 可运行流程、环境说明、结果表 |
| 评价与复核 | 抽样、复标、误差、稳健性与证据边界 | 指标含义、比较设计、基本统计 | 独立复核记录、错误分析、限制说明 |
| 展示与维护 | 图表、地图、检索、展览、发布与持续更新 | 可视化、界面、数据发布与维护 | 可查看成果、来源定位、使用与维护说明 |
每个人都应会登记出处、保存原件、区分事实与推测；复杂部署不必全员掌握。材料判断和独立复核不能完全交给同一个自动系统。
10.2 小团队怎样兼任
三人示意 ：甲负责材料/问题和书目；乙负责语料/工具/流程；丙负责标注组织/复核/分析。甲乙也参与独立试标，避免丙成为唯一判断者。 四人示意 ：把技术实现与数据整理拆开，或把评价与标注拆开，取决于哪一环最吃力。
这些只是组织方案。分工不必按“文科的人只写文字、技术的人只跑模型”安排：概念定义、版本、误差解释、评测设计都是核心研究。作者署名应依据真实贡献协商，记录贡献过程，不能由软件操作次数决定。
10.3 可以形成哪些类型的研究贡献
| 主要贡献 | 可以是什么 | 需要怎样证明 |
|---|---|---|
| 材料/资源 | 新整理的限定语料、数字版本、字形或标注资源 | 来源、代表性、规范、质量、可用性与许可 |
| 方法评测 | 某种方法在特定材料上适用到什么程度 | 合理基线、独立测试、错误类别、可复现条件 |
| 工作流程 | 更能追溯、更便于校对或协作的流程 | 对照、人工用时、错误与使用效果，而不只列功能 |
| 人文/语言学发现 | 某种用法、版本关系、历史模式的新解释 | 数据与细读互证、反例、替代解释与历史语境 |
| 技术方法 | 改进模型、训练、检索或结构表示 | 消融、泛化、成本、数据与方法贡献的区分 |
| 理论/批判 | 澄清数字方法改变了什么知识前提 | 概念、材料、案例与论证之间的清楚联系 |
| 公共成果 | 展览、档案、词典、教学或社区项目 | 研究价值、内容质量、参与过程、访问与维护评价 |
这是一套帮助定位贡献的判断框架，不保证任何形式自动达到发表标准。具体要求仍应读目标学术社群的实际论文与投稿范围。D36；D37
11. 选题比较：哪些适合第一项研究
所有题目均为 本报告提出的候选设计，尚未完成逐题查新 。“较易”指可在不训练大模型的情况下启动，不表示没有学术难度。是否可做，首先取决于材料与人员。
| 候选方向 | 问题怎样缩小 | 第一步的成果 | 主要依赖与风险 | 起步建议 |
|---|---|---|---|---|
| 某类文献的OCR适用性 | 限定一个书种/时期/版式，哪些错误最重要 | 人工核定样本、错误分类、工具对照 | 能读原件；不可只报平均准确率 | 优先考虑 |
| OCR对人物/地名研究的影响 | 识别和纠错会漏掉、合并或错连哪些对象 | 图文对齐、实体与编辑差异表 | 同名消歧、人工参照；可连三方向 | 优先考虑 |
| OCR纠错是否抹去异体/俗字 | 限定一类字形与材料 | 忠实/规范化双层文本、保留与误改分析 | 需要文字学判断；不要把异文当错字 | 有相关导师时优先 |
| 某称谓或构式的历时使用 | 限两期、固定文类或控制文类 | 检索行、人工标签、标准化频率、细读 | 年代、作者、版本、分母可比性 | 优先考虑 |
| 版本异文影响断句和解释 | 同一短篇少数明确版本 | 对齐、异文表、断句与释义比较 | 版本可得；现代标点与原文分层 | 适合文献学兴趣 |
| LLM理解古文多义/指代 | 限定现象，准备可接受答案和证据 | 小型评测、错误与不确定案例 | 训练重叠、模型自评、专家分歧 | 适合语言评测兴趣 |
| 中文语义变化候选的误报 | 一个可比语料，检查高分候选是否真变化 | 简单基线、候选审查、无变化控制 | 统计/编程要求中等，低频噪声多 | 第二阶段深入 |
| 文体与作者跨作品泛化 | 候选作者明确，按作品留出测试 | 透明文体基线、跨文类对照 | 题材、编辑、年代与切片泄漏 | 有语料基础后做 |
| 小型历史人物/文献网络 | 明确何种关系与证据 | 节点表、边表、原文定位与网络分析 | 共现不等于交往，缺失记录会偏 | 数据结构入门好方向 |
| 方言/少数语言数字词典 | 与使用者共同确定小范围需求 | 词项、音频、例句、语境与授权记录 | 社区协作、听辨与维护 | 有接触条件才选 |
| 古籍RAG检索与问答 | 限定一部/一类材料及可定位问题 | 有证据/无证据、检索召回、拒答评测 | 资料漏检、误引、补文与版权 | 有可靠文本后做 |
| 文学理论与模型判断 | 把一个概念拆成有规则的任务 | 标签定义、人工分歧、提示对照 | 模型流畅不等于理论效度 | 适合有理论基础者 |
| 版面与解释层级 | 限正文—注释—批语关系 | 区域标注、图文链接与层级研究 | 版面标注成本与版本判断 | 中等难度特色方向 |
| 多模态馆藏关联 | 一种物件或图像母题跨若干馆藏 | 匹配参照、检索与人工误差表 | 图像与元数据许可、专家判读 | 有馆藏合作时做 |
11.1 为你们当前准备阶段建议保留三条主线
主线A：可靠语料与OCR误差。 适合能接触古籍、档案、地方文献并能找到读懂材料的人。先研究错误和人文后果，再决定是否改模型。
主线B：语料与具体语言现象。 适合更喜欢中文语言、语用、文学和历史解释的人。先用真实例句、标注与简单统计形成证据，再加入复杂模型。
主线C：人文语言现象与模型评测。 适合既有人文兴趣，又想进入AI研究方法的人。把多义、指代、称谓、文化与历史语境定义成可检查任务，同时保留可多解和不确定情况。
这是准备阶段的比较判断，不是替你们决定最终方向。最强的共同底座是： 限定而清楚的材料＋可信人工参照＋一个具体问题＋能回到原件的证据链 。
11.2 用六项实际条件筛选，而不是只看题目新不新
- 能否拿到明确版本、用途许可合适的材料？
- 团队或导师中是否有人能判断关键字、史料与语言现象？
- 问题是否能用一批明确材料和可解释方法回答？
- 是否有第二人独立核查，能否保留分歧？
- 能否先做简单对照，再决定模型是否必要？
- 即使结果不如预期，是否仍能报告有价值的误差、边界或材料发现？
“覆盖全部古籍”“复原古人真实思想”“建一个能回答所有文史问题的大模型”都需要继续拆小，才能形成可验证计划。新颖性应针对具体材料、问题和方法组合检索，不能由“跨了两个领域”直接推出。
12. 零基础准备路线：从共同语言到第一次小试点
12.1 前十二周可以怎样安排
这是可调整的学习方案，不是进度保证，也不是研究样本量要求。各阶段达到交付标准再推进，周数可按课程与人员情况变化。
| 阶段 | 重点 | 建议动作 | 阶段结束要看见什么 |
|---|---|---|---|
| 第1—2周 | 认识领域与材料 | 共读本报告；每人找一项真实项目、一篇论文和一种材料；练书目与来源登记 | 一页领域定位、统一材料表、少量带来源的阅读卡 |
| 第3—4周 | 跑通基础工具 | Zotero＋表格；按方向选AntConc、图文校对或一个标注工具 | 每人能打开材料、检索/标注、保存、回到原文 |
| 第5—6周 | 定义问题和规范 | 比较候选材料；共同试标；写标签、转录与疑难规则 | 一个具体问题、规范v1、分歧表与可用性判断 |
| 第7—8周 | 建立小型人工参照 | 独立复标、核版本、保留原始与加工层；做简单基线 | 来源可靠的参照材料、错误表与基线结果 |
| 第9—10周 | 试验与稳健性 | 做一项受控比较；换合理参数/提示/抽样，检查结论 | 对照表、失败例、是否需要更多技术的证据 |
| 第11—12周 | 小报告与下一步决策 | 用原文解释结果；他人按记录复做；补查具体题目文献 | 可复核的小报告、数据字典、处理说明与下一阶段计划 |
全员先学材料与证据基本功；可由一人逐步学Python。第一轮Python只需围绕同一批材料学习读取TXT/CSV、筛选、计数、保存和基础图表，再根据实际重复工作扩展，不必同时学深度学习、数据库、网页与模型训练。
12.2 一次“不训练模型”的OCR入门试点
以下是操作方案， 尚未实际采集或运行 ：
- 选同一版本、有人能读懂、用途许可明确的一小组页图，写下一个词/人名/地名问题。
- 保存原图和页号对应；加工图另存，不覆盖原件。
- 保存原始OCR或人工初稿；约定异体、缺文、注释与标点怎样记录。
- 把文字对应到页、列/行和区域，正文与注释分开。
- 分类记录错字、漏字、多字、重复、读序错及编辑规范化。
- 第二人核关键内容和疑难，保留未决项与修改依据。
- 比较初稿和复核稿所得检索/实体结果，说明哪些改变影响了判断。
没有合适模型或整理账号时，可以先人工转录并建立参照。此时初稿与复核稿的比较属于转录审计；有实际OCR输出后，才在同材料上分析OCR误差。第一轮的成功标准是：另一位同学可以根据记录找到原图、理解修改、检查结果。工具路径见第9节。
12.3 一个语言学入门试点
限定一种称谓、句式或语用现象，选择来源清楚的同类材料；先共同读实例，拟定标签与反例；再由两人独立判断一小批，讨论定义问题，保留不一致。之后才扩大检索、比较频率和典型语境，必要时用模型辅助。
若比较时期，先看文类与作者结构是否可比；若比较模型，先固定测试材料和人工评价规则；若比较社会群体，说明材料记录的是谁的声音。不能由文本分布直接跨到没有材料支持的社会总体结论。
12.4 第一次成果包最少应留下什么
| 文件/材料 | 应包含的内容 | 验收办法 |
|---|---|---|
| 问题说明 | 对象、时间、材料、具体问题、预期贡献与范围 | 团队能用同一段材料说清研究什么 |
| 来源与版本表 | 唯一ID、书目、年代依据、版本、页号、链接、许可、纳入理由 | 随机挑一条结果能追回原件 |
| 原始与加工材料 | 原图/原文、OCR初稿、忠实转录、规范层分存 | 可以比对前后变化 |
| 数据字典与标注指南 | 字段、标签、单位、正反例、疑难与多解规则 | 新成员能据此试做并提出问题 |
| 复标、分歧与裁决 | 独立记录、分歧原因、裁决人/依据、未决项 | 不用统一后的结果冒充原始一致性 |
| 分析与复现说明 | 检索式、分母、参数、版本、代码或界面步骤 | 另一人能重做关键结果 |
| 结果短报告 | 核心发现、原文例证、反例、错误与限制 | 数据模式与人文解释逐项对应 |
13. 论文怎样开始读，学术信息怎样继续收集
13.1 分层阅读，而不是一次读完所有文献
第一层：建立问题意识。 先读领域史D01、数据整理D03、语料代表性L01和历史语料规范L15。DruckerM01及Underwood专著M02可帮助理解数字证据、远读和解释；本次对专著仅核出版社资料，需自行获取全书精读。
第二层：选择支线。 OCR先读后纠错综述O01、下游影响O02与古籍基准O13；语言学先读历时语义的经典与控制研究L02、L03，古汉语任务读L05、L06，低资源语言读L13。
第三层：追前沿。 从2026年古籍视觉依凭O15、修改溯源O16、历史推理L14、理论评测M05、历史语境预印本L16中，选与自己的问题直接相关的几篇。不是越新越适合入门；可以先读任务和例子，再补技术细节。
13.2 每篇论文做一张短阅读卡
建议只填七项： 研究问题；材料与版本；方法；人工参照/评价；主要结果；局限；对自己项目有什么用 。把“作者说了什么”“自己推论了什么”“尚未读到什么”分开。模型论文尤其要记录它处理的是整页、行、词、字，还是问题回答。
书目核验建议按正式出版页和论文PDF检查题名、作者、年份、会议/期刊、页码或文章号；预印本记录版本。找到页面与读懂论文是两件事，阅读表不要只设一个模糊的“已读”勾选框。
13.3 可以长期手动追踪的学术入口
| 入口 | 看什么 | 当前需注意的状态 |
|---|---|---|
| DH国际会议 | 整个DH的宽主题、项目、方法与批判研究 | DH2026已有闭幕与录像公告，会议摘要适合找线索 D28 |
| 中国数字人文年会 | 中文材料、团队、项目与议题 | CDH2026已举行；项目发布报道不等于性能验证 D32 |
| CHR会议与期刊 | 定量方法与人文问题结合的论文 | CHR2025论文集已出；官网下一届列2027年1月，不能自行称已有CHR2026会议录 D29；D37 |
| SIGHUM / LaTeCH-CLfL、NLP4DH | 语言技术、文学、历史与文化遗产 | ACL Anthology可查正式题录与开放论文 D30；O16 |
| LT4HALA / EvaHan | 古代与历史语言、古汉语共享任务 | 读任务总报告、指标和数据条件，再看参赛系统 C05 |
| DSH、DHQ、《数字人文研究》 | 方法、解释、项目与理论 | 不只追模型；同时读数据、版本、基础设施与批判文章 D36；D35；D33 |
| DHEAC | 东亚古籍与跨语言数字人文 | 适合以古籍/东亚材料为中心找研究团队 D38 |
| DHTech | 研究软件、复用、维护与开发社群 | 可了解真实软件分工与维护问题，不据此推岗位数量 D34 |
| Programming Historian、DARIAH-Campus | 新手教程与方法课程 | 按任务选课；前者本次首页列英/西/法/葡入口，不承诺完整中文版本 M10；M11 |
这是阅读入口清单，本次没有为你创建自动提醒、订阅或向外发送信息。
14. 本次检索怎样做，哪里仍有缺口
14.1 范围与核验方法
检索日期为2026年10月23日，采用中英文主题检索与论文/项目追踪。主要检索词包括digital humanities、computational humanities、historical document OCR、HTR、post-OCR correction、Chinese ancient documents、historical NLP、diachronic semantic change、corpus linguistics、cultural analytics、historical reasoning、construct validity，以及数字人文、古籍数字化、语言学等。
通过公开搜索发现线索，再查ACL Anthology、CVF、PMLR、arXiv、正式出版社、大学、标准组织与工具官网。每条来源登记实际读取范围；有的只核官方题录和摘要，有的读到方法、结果或局限。论文是否正式发表、数据是否可取、模型是否运行，分别记录。
来源筛选覆盖了领域基础、资源、方法、技术前沿、反证与实际工具；没有编造数据库总命中数、筛选流程人数或覆盖率。文献表是 简式导读书目 ，部分只列首作者；正式论文引用应从原始出版页导出完整书目并再次核对。
14.2 已明确保留的限制
- 不是穷尽检索 ：没有完成CNKI、万方、所有中文期刊、各国语言文献与学位论文的系统检索，不能声称“全球/国内研究已查全”。
- 分布不均 ：计算文本与模型研究比重较大，主要因为本次重点是OCR与语言学；表演、音乐、考古、博物馆、残障与无障碍等只建立入口，未做同等深度专门综述。
- 语言与地域覆盖有限 ：英文论文较易获得，虽补充中文、东亚、欧洲语言及低资源语言案例，仍不足以代表全球南方和所有文化社群。
- 部分正文访问受限 ：若官方页面超时、403或仅能取摘要，已在条目注明，不把未读正文写成全文结论。
- 没有独立性能复现 ：模型结果来自论文作者；本次没有安装全套工具、注册整理服务、下载验收全部数据或在你们材料上测试。
- 资源会变 ：账号、额度、许可、数据下载与版本状态以实际使用时的官方说明为准；本报告记录的是本次能核实的状态。
- 选题尚未查新到具体对象 ：候选题目用于方向比较，不能写成“无人研究”“国内空白”或保证发表。
14.3 对后续准备最有价值的补查
确定一至两种候选材料后，再补查其专门学术史、馆藏与版本、同类数字项目、中文与外文研究，以及可获得的专家支持。届时再决定要补的是文献学、语言学、统计、编程还是模型技术，学习会更有依据。
AI使用说明 ：本报告由AI辅助检索、整理、比较与写作，核验来源限所列页面与读取范围。并行检索继承同一会话模型，不是跨模型独立验证。没有虚构调研数据、实际用户访谈或模型实验；综合判断、候选问题和教学方案均不冒充已发表研究结果。
附录A. 学术论文、综述、专著与书章
58项。简式导读；部分只列首作者，正式引用请回原出版页核对完整书目。点击条目查看用途、边界与读取范围。
M01Humanities Approaches to Graphical Display2011 · 正式期刊论文
主要用途 解释人文数据与可视化中的选择、建构和不确定性。
证据边界 方法论论述，不是特定OCR或模型的性能证据。
本次读取 官方PDF摘要与引言（第1—2页）；未逐页精读全文
获取情况 开放全文
查看一手来源 ↗基础与批判方法 · 入门
M02Distant Horizons: Digital Evidence and Literary Change2019 · 学术专著
主要用途 提供数字证据、远读与文学变迁研究的专著入口。
证据边界 本次只能支持阅读推荐与书目说明，不据此复述未读章节结果。
本次读取 出版社书目、简介与目录；未读全书
获取情况 书目信息开放；全书访问另查馆藏
查看一手来源 ↗基础与文学研究 · 入门
M03The Computational Case against Computational Literary Studies2019 · 正式期刊论文
主要用途 列为计算文学研究方法争论的延伸阅读。
证据边界 未取得正文，不借此评断其具体批评是否成立。
本次读取 出版社题录与作者信息；正文受限
获取情况 题录开放；全文受限
查看一手来源 ↗基础与批判方法 · 进阶
M04A theory-first approach toward using generative AI for humanities research2026 · 正式期刊论文
主要用途 把理论、概念操作化和提示词稳健性放在生成式AI研究设计的中心。
证据边界 框架性方法论论文，不提供适用于一切任务的性能保证。
本次读取 出版社全文页：摘要、研究问题形成、评估与验证、解释与迭代等关键段落
获取情况 开放全文；2026-06-18在线发表
查看一手来源 ↗前沿方法论 · 入门
M05Evaluating Humanities Theory Alignment in Large Language Models: Incremental Prompting and Statistical Assessment2026 · 正式会议工作坊论文
主要用途 将三类人文理论转为可测试任务，比较加入理论说明前后的模型表现。
证据边界 结果依任务与模型而异，不能用分类成绩证明模型掌握了整套理论。
本次读取 ACL题录与摘要、官方PDF引言及方法表述
获取情况 开放全文
查看一手来源 ↗前沿人文理论评测 · 前沿
M06Language Models as Measurement Apparatus for Culture2026 · 正式会议工作坊论文
主要用途 分析模型、语料、标注与评价如何共同参与文化测量。
证据边界 以若干文化文本案例论证，不能被当作全球文化的统一测量标准。
本次读取 ACL题录摘要与官方PDF引言
获取情况 开放全文
查看一手来源 ↗前沿文化测量 · 前沿
M07AI assistants in the archive and the lure of “instant history”2026 · 正式期刊论文
主要用途 讨论档案AI助手如何使用户低估来源中介性、馆藏缺漏和历史解释的复杂性。
证据边界 概念与案例分析；并非证明所有RAG档案系统均无用。
本次读取 出版社全文页摘要、建议、结论
获取情况 开放全文；2026-03-06发表，DOI中的2025并非发表年
查看一手来源 ↗前沿档案与证据 · 入门
M12Fine-tuning vision–language models as OCR systems for low-resource languages: A case study of Manchu2026 · 正式期刊论文
主要用途 用合成词图微调VLM并在真实满文词图上测试，连接低资源语言与历史OCR。
证据边界 98.6%来自参与检查点选择的合成验证集；独立真实测试是已分割词图而非整页，速度、显存与泛化仍有限制
本次读取 出版社全文题录、摘要、Model selection与Overall performance、局限、数据可用性
获取情况 开放全文，2026-07-20在线发表；未实际运行模型
查看一手来源 ↗低资源语言与OCR · 前沿
C01段玉裁《说文解字注》知识库的构建与应用2025 · 正式期刊论文
主要用途 将传统文字学材料转为分层知识表示，并以谐声归部问题展示应用。
证据边界 未核实验表与平台实际可用性；官网有图片错排更正公告，应使用更正PDF。
本次读取 官方文章与目录的检索呈现：题录、摘要、引用信息；直接网页/PDF抓取超时，未读正文
获取情况 官方摘要可检索，正文访问本次超时；应核更正版本
查看一手来源 ↗中文知识组织与语言文字学 · 入门
C02水书文字数据库和智能识别平台构建2026 · 正式期刊论文
主要用途 组合书篇句字层级、图像注音释文与检测识别模型，面向少数民族文字资源。
证据边界 摘要宣称的效果未经本次独立复现，不据此报准确率或可公开下载状态。
本次读取 官方卷期目录中的题录与完整摘要；未读PDF
获取情况 官方摘要可检索；未取得正文与数据
查看一手来源 ↗低资源文字与OCR · 入门
C03面向口述史文本分析的大语言模型提示工程与人机协同策略2025 · 正式期刊论文
主要用途 以票证口述史文本讨论规则化任务与人机分工，提供中文口述史案例。
证据边界 不能由摘要推出所有口述史都可自动可靠编码，需读原文确认评价设计。
本次读取 官方文章和卷期摘要的检索呈现；未读正文
获取情况 摘要可检索；直接页面本次超时
查看一手来源 ↗口述史与人机协同 · 入门
C04本地化智能史料管理系统的构建方法与实践2026 · 正式期刊论文
主要用途 以Obsidian、OCR和同步机制连接个人史料、笔记与协作工作流。
证据边界 作者关于成本安全的判断未在本次独立审计，不能据此承诺所有部署低成本或高安全。
本次读取 官方文章检索呈现的题录、摘要、引用与日期；未读正文
获取情况 摘要可检索；直接页面本次超时
查看一手来源 ↗史料管理与工作流 · 入门
C05Overview of EvaHan2026: The First International Evaluation of Ancient Chinese OCR and Layout Analysis2026 · 正式会议工作坊论文
主要用途 同时评测古籍印刷、手写与布局，显示文字与结构应分别验证。
证据边界 表4的97.36%为综合分，并非单纯字符准确率；测试材料、异体字规则与赛道限制适用范围，数据获取条件另查
本次读取 ACL官方题录与摘要、官方PDF正文表4与附录表A.5（已查看页面图），组织者任务与数据获取说明
获取情况 正式论文开放；数据获取条件另查
查看一手来源 ↗古籍OCR现实评测 · 前沿
O01Survey of Post-OCR Processing Approaches2021 · 正式期刊
主要用途 系统整理后纠错问题、方法、资源及下游影响，是建立 OCR 纠错知识框架的入门综述。
证据边界 早于当前大规模 VLM，不能用于判断 2026 年模型优劣或直接给中文古籍工具排序。
本次读取 作者提供全文：摘要、问题定义、引言、方法分类与评价相关部分；未逐页精读全部参考文献。
获取情况 作者公开全文 https://adammo12.github.io/adamjatowt/cs21.pdf；未实际运行文中工具。
查看一手来源 ↗OCR后纠错/方法综述 · 入门
O02Assessing the Impact of OCR Quality on Downstream NLP Tasks2020 · 正式会议
主要用途 以多种下游 NLP 任务检验 OCR 质量影响，说明识字评测之外还需评价研究任务的稳定性。
证据边界 具体语言、历史报刊材料与工具设置不能直接外推为中文史料的统一可用阈值。
本次读取 作者机构全文：摘要、引言、数据和评价设计与任务范围；未复现实验。
获取情况 机构全文 https://www.staff.universiteitleiden.nl/binaries/content/assets/governance-and-global-affairs/isga/artidigh_2020_7_cr.pdf
查看一手来源 ↗OCR误差传播/数字人文可信度 · 入门
O03TrOCR: Transformer-Based Optical Character Recognition with Pre-trained Models2023 · 正式会议
主要用途 使用预训练视觉与文本 Transformer 构建文字识别器，展示预训练识字路线。
证据边界 原文聚焦识别并将检测留作以后工作，不能当成解决古籍版面和阅读顺序的完整系统。
本次读取 摘要、引言、架构概览与实验任务说明；未复现实验。
获取情况 原文 HTML https://arxiv.org/html/2109.10282v5；AAAI 正式发表已核验。
查看一手来源 ↗OCR基础模型/预训练 · 进阶
O04OCR-free Document Understanding Transformer2022 · 正式会议
主要用途 Donut 不调用外置 OCR 引擎，由页面图像直接生成任务所需的结构化输出。
证据边界 OCR-free 仍须学习识字，表单和文档问答成绩不能等同于中文古籍逐字转录保真。
本次读取 摘要、方法结构及输出类型和下游任务范围；未复现实验。
获取情况 全文 HTML https://arxiv.org/html/2111.15664v5；原文页面注明 ECCV 2022。
查看一手来源 ↗文档理解/OCR-free · 进阶
O05Nougat: Neural Optical Understanding for Academic Documents2024 · 正式会议
主要用途 将科学论文页面转为含正文、表格和公式的标记文本，展示神经文档解析路线。
证据边界 原文数据几乎全英文且指出非拉丁文字重复和跨页不一致，不能推荐为现成中文古籍通用工具。
本次读取 摘要、数据、评价与 §5.5 局限。
获取情况 全文 https://arxiv.org/html/2308.13418v1；ICLR 正式页面已核验。
查看一手来源 ↗科学文档解析/适用边界 · 进阶
O06A large-scale dataset for Chinese historical document recognition and analysis2025 · 正式期刊
主要用途 HisDoc1B 将中文历史文献数据扩展到大规模书级、字符和标点标注。
证据边界 采用半自动识字、规则读序和模型标点，不能称全量专家金标；数据访问受机构审核和非商业许可限制。
本次读取 摘要、Methods、Data validation、Data records 和官方数据获取要求。
获取情况 官方仓库 https://github.com/SCUT-DLVCLab/HisDoc1B；CC BY-NC-ND 4.0、非商业研究、机构在职申请人签字和审核条件；未下载。
查看一手来源 ↗中文古籍数据/资源现实 · 前沿
O07OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations2025 · 正式会议
主要用途 以多文档类型、元素和属性分项评价文本、公式、表格与阅读顺序，比较流水线和 VLM 的强弱项。
证据边界 通用 PDF 总分不能作为古籍专项结论，不同基准版本和评测设置的数字不能混比。
本次读取 作者 arXiv 全文：数据与标注类别、§4 评价方法、§5 评测和讨论。
获取情况 CVF 正式入口已核验，PDF抓取403，采用作者全文 https://arxiv.org/html/2412.07626；未运行评测。
查看一手来源 ↗文档评测/指标与材料分层 · 进阶
O08olmOCR 2: Unit Test Rewards for Document OCR2025 · 预印本
主要用途 用文字、阅读顺序、公式和表格的二元单元测试作为可验证训练奖励。
证据边界 核心基准为英文，测试通过率不能当中文古籍 CER，论文成本也不能视为自己的运行预算。
本次读取 摘要、§2 单元测试、§3 数据和训练、结果与官方代码/模型许可。
获取情况 全文 https://arxiv.org/html/2510.19817v1；官方代码和所查模型卡 Apache-2.0；本次未核实同名正式发表，未运行。
查看一手来源 ↗VLM OCR/可验证评测与训练 · 前沿
O09DeepSeek-OCR: Contexts Optical Compression2025 · 预印本
主要用途 探索以视觉 token 压缩文字上下文并恢复文字的模型结构与计算权衡。
证据边界 特定压缩率和基准上的恢复表现不能证明历史史料无损保真，也不能替代古籍或下游人文评测。
本次读取 摘要、架构概览、压缩研究与实际 OCR 评测范围和讨论；未复现。
获取情况 全文 https://arxiv.org/html/2510.18234v1；第一代官方仓库与模型卡 MIT；未运行。
查看一手来源 ↗VLM OCR/视觉文本压缩 · 前沿
O10DeepSeek-OCR 2: Visual Causal Flow2026 · 预印本
主要用途 通过视觉编码器和因果查询机制探索视觉 token 动态重排与页面阅读逻辑。
证据边界 类人机制是设计动机而非已经证明的人类认知机制，通用文档基准不能替代历史载体逐类验证。
本次读取 摘要、§3 编码器与因果流和评测任务范围；未逐节精读全部实验或复现。
获取情况 全文 https://arxiv.org/html/2601.20552v1；第二代官方仓库与模型卡 Apache-2.0，与第一代许可不同；未运行。
查看一手来源 ↗VLM OCR/读序与视觉编码 · 前沿
O11PaddleOCR-VL: Boosting Multilingual Document Parsing via a 0.9B Ultra-Compact Vision-Language Model2025 · 预印本
主要用途 以紧凑 VLM 和动态分辨率进行多语及文本、表格、公式、图表元素识别。
证据边界 语言覆盖不等于各历史字形充分支持，初代与后续版本成绩必须分开记录。
本次读取 摘要、版本记录及官方架构说明；未逐项复算表格。
获取情况 原文摘要与官方文档公开；未运行；后续版本另列O12，1.5见 https://arxiv.org/abs/2601.21957。
查看一手来源 ↗VLM OCR/紧凑多语模型 · 前沿
O12PaddleOCR-VL-1.6: Expanding the Frontier of Document Parsing with Under-Optimized Region Refinement and Progressive Post-Training2026 · 预印本
主要用途 识别模型不稳定、覆盖稀疏和监督不可靠的区域进行定向数据优化与分阶段训练。
证据边界 完整解析系统仍是 PP-DocLayoutV3 加 VLM 的两阶段流程，通用高分不能当所有古籍准确率且仍需独立验证。
本次读取 §1–2 系统、薄弱区域数据策略、后训练及评价任务范围；核对官方模型卡。
获取情况 全文 https://arxiv.org/html/2606.03264v1；官方1.6模型卡 https://huggingface.co/PaddlePaddle/PaddleOCR-VL-1.6 标Apache-2.0；未运行。
查看一手来源 ↗VLM OCR/领域数据与后训练 · 前沿
O13Benchmarking Vision-Language Models on Chinese Ancient Documents: From OCR to Knowledge Reasoning2026 · 正式会议
主要用途 AncientDoc 分别评价古籍整页 OCR、白话翻译、推理问答、知识问答和语言风格/修辞相关问答。
证据边界 明清楷书偏多，跨页和整体结构未充分覆盖，LLM 评分不能完全替代专家评价。
本次读取 正式PDF任务、数据构建、结果讨论与Limitations。
获取情况 正式PDF https://aclanthology.org/2026.findings-acl.1438.pdf；官方仓库标CC0-1.0且有数据卡；未下载逐项验收。
查看一手来源 ↗中文古籍/多模态理解评测 · 前沿
O14MCHDoc: A Comprehensive Benchmark for Reading Multi-Carrier Chinese Historical Documents2026 · 正式会议
主要用途 将纸本、简牍、书法、碑刻、帛书和甲骨纳入识别与有无外部知识后纠错的跨载体评价。
证据边界 所查官方仓库只有README和LICENSE且论文写将发布数据，不能声称完整数据已获取或独立复现。
本次读取 作者机构全文摘要、数据与标注、四类任务和结果/结论；CVF主文403，未从正式入口读到页码。
获取情况 作者机构原文 https://palm.seu.edu.cn/hxue/publications/MCHDoc%20A%20Comprehensive%20Benchmark%20for%20Reading%20Multi-Carrier%20Chinese%20Historical%20Documents.pdf；官方 https://github.com/blackprotoss/MCHDoc 标CVPR2026，完整数据可下载性未确认。
查看一手来源 ↗历史载体/古文字/后纠错评测 · 前沿
O15HisDoc-OCR: Restoring Visual Grounding in MLLMs for Chinese Historical Document OCR2026 · 正式会议
主要用途 通过版面注入、首现字加权和注意力蒸馏增强历史中文 OCR 对原图的依凭，抑制幻觉与重复。
证据边界 重复率降低不等于全部幻觉消失，特定基准领先不代表所有古籍可用且本次未确认官方代码已发布。
本次读取 正式PDF问题、方法、§4 数据/指标/主结果及布局复杂性分析和结论。
获取情况 正式PDF https://aclanthology.org/2026.findings-acl.301.pdf；论文写代码将公开，本次未找到可确认运行的官方发布。
查看一手来源 ↗中文古籍OCR/视觉依据/幻觉 · 前沿
O16From OCR to Analysis: Tracking Correction Provenance in Digital Humanities Pipelines2026 · 正式会议
主要用途 记录位置、修改前后、来源与审阅状态等纠错事件，使下游实体变化可回溯并辅助人工复核。
证据边界 作者明确是小规模方法学试点，不能外推所有语种与体裁，置信分也不是跨工具可比的校准概率。
本次读取 原文HTML的§3编辑事件表示、§4比较设计、结果讨论和§6.1局限；核对正式PDF书目与摘要。
获取情况 正式全文 https://aclanthology.org/2026.nlp4dh-1.1.pdf；arXiv全文 https://arxiv.org/html/2603.00884v4；未复现实验。
查看一手来源 ↗数字人文可信度/编辑溯源/人在回路 · 前沿
L01Characterizing the Google Books Corpus: Strong Limits to Inferences of Socio-Cultural and Linguistic Evolution2015 · 正式期刊
主要用途 展示馆藏采样、科学文献和高产作者如何影响词频趋势，建立语料与社会影响力之间的证据边界。
证据边界 研究针对 Google Books 的特定构成，不能直接推断所有语料均有同样偏差。
本次读取 官方元数据、摘要、正文关于语料构成的讨论
获取情况 开放全文
查看一手来源 ↗语料代表性与文化测量 · 入门
L02Diachronic Word Embeddings Reveal Statistical Laws of Semantic Change2016 · 正式会议
主要用途 以跨时期词向量研究词义变化，并提出词频、多义性与变化速率之间的统计关系。
证据边界 所谓规律需与控制实验和表示模型偏差研究对读，不能视为已无争议的普遍定律。
本次读取 ACL 官方元数据、作者 HistWords 项目说明及摘要
获取情况 开放PDF；作者开放项目
查看一手来源 ↗历时语义变化 · 入门
L03Outta Control: Laws of Semantic Change and Inherent Biases in Word Representation Models2017 · 正式会议
主要用途 以不可能发生真实变化的匹配控制条件检验语义变化规律，指出模型与频率可以造成表面规律。
证据边界 针对被检验的表示方法与规律，不应外推为所有历时语义计算均无效。
本次读取 ACL 官方元数据与摘要
获取情况 开放PDF
查看一手来源 ↗历时语义方法反思 · 入门
L04Restoring and attributing ancient texts using deep neural networks2022 · 正式期刊
主要用途 Ithaca 结合希腊铭文缺文修复、地域与年代归属，评估历史学家与模型协作。
证据边界 专门任务中的修复分数不能当作一般古籍 OCR 准确率，候选修复还需史学与文献学判断。
本次读取 论文摘要检索结果、作者 Ithaca 仓库说明；本次 Nature 直接抓取失败，未宣称通读
获取情况 开放论文；作者开放代码
查看一手来源 ↗数字文献学与人机协作 · 入门
L05WYWEB: A NLP Evaluation Benchmark For Classical Chinese2023 · 正式会议（Findings）
主要用途 提供九项古文 NLP 任务，覆盖分类、序列标注、阅读理解和翻译，拆解古文模型能力。
证据边界 任务测试不能替代真实古籍的考据、版本判断与跨时代文类泛化评估。
本次读取 ACL 官方元数据与摘要
获取情况 开放PDF；作者数据代码仓库
查看一手来源 ↗古汉语基准 · 入门
L06CHisIEC: An Information Extraction Corpus for Ancient Chinese History2024 · 正式会议
主要用途 构建包含四类实体、十二类关系的古代史信息抽取语料，覆盖十三个朝代的样本。
证据边界 跨朝代覆盖不能证明各期、各文类与社会群体具有均衡代表性。
本次读取 ACL 官方元数据与摘要
获取情况 开放PDF；作者数据代码仓库
查看一手来源 ↗古籍实体与关系抽取 · 入门
L07WenyanGPT: A Large Language Model for Classical Chinese Tasks2025 · 正式会议
主要用途 在 LLaMA3-8B-Chinese 上继续预训练和指令微调，提供 WenyanBENCH 古文评测。
证据边界 作者基准上的优势不证明对所有古文都优于通用模型，独立泛化及训练重叠应另查。
本次读取 IJCAI 官方元数据与摘要
获取情况 开放PDF；作者说明训练与评测数据开放
查看一手来源 ↗古汉语专门模型 · 进阶
L08Disentangling language change: sparse autoencoders quantify the semantic evolution of indigeneity in French2025 · 正式会议
主要用途 以稀疏自编码器提取可解释特征，分析法语 indigène(s) 在1825–1950年的用法与殖民法律语境。
证据边界 作者承认样本代表性、早期数据少与模型生成特征标签可能影响解释。
本次读取 官方元数据与摘要；PDF首页、研究动机、讨论、第9节局限
获取情况 开放PDF
查看一手来源 ↗文化语义与可解释历时分析 · 前沿
L09Current Semantic-change Quantification Methods Struggle with Discovery in the Wild2025 · 正式会议
主要用途 对照预选词基准与全词表发现任务，显示高变化分候选中存在大量误报。
证据边界 只检验两个英语数据集，作者明确提出需扩展其他数据和语言。
本次读取 官方元数据与摘要；PDF任务定义、讨论、第8节局限
获取情况 开放PDF；标注代码开放
查看一手来源 ↗语义变化真实发现与误报 · 前沿
L10Attributing authorship via the perplexity of authorial language models2025 · 正式期刊
主要用途 训练候选作者语言模型，以困惑度比较归属，并提供可检查的词级线索。
证据边界 题材、年代、文本长度和候选集合会影响归属判断，不能把分类分数当作者身份定案。
本次读取 官方元数据、摘要、引言与传统方法局限
获取情况 开放全文；数据代码开放
查看一手来源 ↗文体计量与作者归属 · 进阶
L11Citizen linguists and decolonial lexicography: Co-creative dictionary-building in grassroots digital language documentation2025 · 正式会议（工作坊）
主要用途 介绍 Living Dictionaries 的社区与研究者协作多媒体词典建设路径。
证据边界 数字可见性与资源建设不能单凭平台存在就等同于已经实现语言活力恢复。
本次读取 ACL 官方元数据与摘要
获取情况 开放PDF
查看一手来源 ↗语言保存与社区协作 · 入门
L12Contextualizing ancient texts with generative neural networks2025 · 正式期刊
主要用途 Aeneas 面向拉丁铭文检索文本与语境平行材料，并融合视觉和长度未知的缺文修复。
证据边界 研究起点有用、研究者信心增加与历史结论真实是不同指标，解释仍需史料复核。
本次读取 官方元数据、摘要、Main开头；未宣称通读全部方法和附录
获取情况 开放全文
查看一手来源 ↗文献修复与历史语境检索 · 前沿
L13Computational Methods for Language Documentation and Description2026 · 正式期刊（综述）
主要用途 梳理低资源语言的数据采集、标注、转写、音系、形态句法与翻译中的计算方法及社区主导原则。
证据边界 综述提供方法地图，不等于任一工具已在用户目标方言上验证有效。
本次读取 官方元数据与摘要；动态全文未通读
获取情况 开放论文页和摘要；页面全文动态加载
查看一手来源 ↗低资源语言全景 · 入门
L14On Path to Multimodal Historical Reasoning: HistBench and HistAgent2026 · 正式会议
主要用途 以414题、29种古今语言测试史料与多模态历史推理，并构建带OCR等工具的领域代理。
证据边界 正式版 HistAgent pass@1 28.50%与早期预印本27.54%不可混引，得分仅适用该评测设定。
本次读取 2026正式版与2025 arXiv v3官方摘要/元数据对照
获取情况 开放PDF；代码开放
查看一手来源 ↗LLM历史推理评测 · 前沿
L15Metadata and annotation in historical text corpora: standards, challenges and best practices2026 · 正式期刊
主要用途 讨论历史语料元数据、标注、FAIR和实际工具兼容，展示标准与轻量工作流的取舍。
证据边界 单个项目的务实编码选择不能当作所有历史语料均应采用同一格式的证明。
本次读取 官方元数据、摘要、实践建议、MetaLing案例
获取情况 开放全文
查看一手来源 ↗语料建设与可复用 · 入门
L16Chronologic: Measuring Language Models' Ability to Represent the Past2026 · 预印本
主要用途 评估1831–1930英文历史语境，区分答案识别与自由生成，指出历史适切性尚有明显不足。
证据边界 依赖187个来源与866题，单语、分期不均、偏重出版精英，并存在模型裁判与干扰项偏差。
本次读取 官方元数据、摘要、HTML引言、未来工作和第8节局限
获取情况 开放PDF和HTML
查看一手来源 ↗LLM历史表征与时代错置 · 前沿
L17A Recipe for Adapting Multilingual Embedders to OCR-Error Robustness and Historical Texts2026 · 正式会议
主要用途 适配多语嵌入处理历史拼写与OCR噪声，同时在模拟退化和真实历史语料测试。
证据边界 证据主要来自欧洲语言与目标检索任务，不能直接证明适用于中文历史文献。
本次读取 ACL 官方元数据与摘要
获取情况 开放PDF；模型代码数据按作者页AGPL-3.0开放
查看一手来源 ↗OCR噪声下历史检索 · 前沿
L18On the Cultural Anachronism and Temporal Reasoning in Vision Language Models2026 · 正式会议（Findings）
主要用途 TAB-VLM以印度文化物件测试视觉语言模型如何用不合时代的概念解释历史材料。
证据边界 特定文化物件评测不能外推为所有文化、时期与研究任务的统一能力排名。
本次读取 ACL 官方元数据与摘要
获取情况 开放PDF
查看一手来源 ↗多模态文化偏差与时代错置 · 前沿
L19Mitigating Cultural Bias in LLMs via Multi-Agent Cultural Debate2026 · 正式会议（Findings）
主要用途 以中英双语基准研究文化偏差，报告中文提示可能改变偏向而非消除偏差，并尝试多代理缓解。
证据边界 文化类别与无偏指标含操作性假设，模型裁判和投票结论需另作人类与跨文化验证。
本次读取 ACL 官方元数据与摘要
获取情况 开放PDF
查看一手来源 ↗文化评测与提示语言 · 前沿
L20Quantifying Lexical Semantic Shift via Unbalanced Optimal Transport2025 · 正式会议
主要用途 用非平衡最优传输比较语境嵌入，量化具体用例和义项使用变化。
证据边界 方法分数仍需对应人类义项判断，不能直接替代语言学与历史解释。
本次读取 ACL 官方元数据与摘要
获取情况 开放PDF
查看一手来源 ↗实例级语义变化 · 进阶
L21Can LLMs Help Create Grammar?: Automating Grammar Creation for Endangered Languages with In-Context Learning2025 · 正式会议
主要用途 探索以情境学习辅助濒危语言语法材料创建。
证据边界 本次未核验具体实验准确率，模型生成语法事实必须由语言证据和说话人复核。
本次读取 ACL官方题名、作者、年份和摘要；未细读实验
获取情况 开放PDF
查看一手来源 ↗低资源语言与LLM · 进阶
L22Large Language Models' Expert-level Global History Knowledge Benchmark (HiST-LLM)2024 · 正式会议
主要用途 基于Seshat世界历史资料构建专家级知识评测，并分析时期与地区表现。
证据边界 结构化知识选择题不同于开放史料解释，不能与HistBench任务与分数混用。
本次读取 官方元数据与摘要
获取情况 开放PDF
查看一手来源 ↗历史知识评测 · 进阶
D01The History of Humanities Computing2004 · 正式书章
主要用途 以长期历史说明人文计算从索引、语料、编码逐步发展。
证据边界 历史材料不说明2026年的最新技术能力或穷尽全部历史。
本次读取 正文部分：起源、索引、文本与编码的历史段落
获取情况 官方获出版社授权的开放HTML正文
查看一手来源 ↗基础与领域史 · 入门
D03Against Cleaning2019 · 正式书章
主要用途 用菜单数据案例说明清洗包含知识建模，应保存语境与差异。
证据边界 并非主张不纠错，案例结论需依具体研究问题应用。
本次读取 HTML正文：清洗、菜单数据模型与分类差异
获取情况 出版社与CUNY官方开放书章
查看一手来源 ↗人文数据管护与方法论 · 入门
D04Llamas Don’t Understand Fiction: Application and Evaluation of Large Language Models for Knowledge Extraction from Short Stories in English2025 · 正式会议
主要用途 用人工标注的英语同人短篇评测文学死亡事件抽取，揭示漏检与背景知识干扰。
证据边界 59篇希腊神话同人故事与当时模型不能代表全部文学、语种及后来模型。
本次读取 正式元数据与摘要；PDF任务、语料、标注、局限及伦理段落
获取情况 正式会议录开放HTML与PDF
查看一手来源 ↗文学计算与LLM评测 · 前沿
D05“Works on My Machine”: A Case Study of Replicability Challenges in Computational Humanities Research2025 · 正式会议
主要用途 检查CHR2024论文的代码与依赖声明，呈现计算环境复现的基础条件问题。
证据边界 代码和依赖声明调查不等于实际重跑全部研究，亦不能外推全DH。
本次读取 正式元数据与摘要
获取情况 正式会议录开放HTML与PDF入口
查看一手来源 ↗可复现性与研究软件 · 进阶
D06Heritage Weaver: Classifying, Searching, and Linking Museum Data with Multimodal AI2025 · 正式会议
主要用途 实验探索多模态模型在跨馆藏分类、检索和记录关联中的使用及专家评价。
证据边界 本次未读完整实验表，不给出普适性能优势或生产部署结论。
本次读取 正式元数据与摘要
获取情况 正式会议录开放HTML与PDF入口
查看一手来源 ↗视觉多模态与文化遗产 · 前沿
D07Was Poetry Graded Validly?: Text Mining Shipin, a Sixth-Century Chinese Work of Literary Criticism2025 · 正式会议
主要用途 用古汉语BERT表征与分类研究《诗品》评语、诗歌和品级的内部对应。
证据边界 品级预测与内部一致性不等于诗歌美学价值的客观裁决。
本次读取 正式元数据、摘要；PDF方法、留一交叉验证及结论
获取情况 正式会议录开放HTML与PDF
查看一手来源 ↗中文文学计算 · 前沿
D08Too Long, Didn’t Model: Decomposing LLM Long Context Understanding With Novels2026 · 正式会议
主要用途 以小说摘要、人物位置与叙事时间测试长上下文输出相对逐章输出的稳定性。
证据边界 无人工金标准且模型均于2025年发布，不能概括2026全部先进模型的绝对理解力。
本次读取 正式元数据与摘要；PDF第1—3页任务、40部小说、评价方法及测试模型信息
获取情况 ACL Anthology开放HTML、PDF与补充材料
查看一手来源 ↗文学叙事与LLM评测 · 前沿
附录B. 机构项目、标准、资源与学术入口
37项。简式导读；部分只列首作者，正式引用请回原出版页核对完整书目。点击条目查看用途、边界与读取范围。
M08BodleianLLM2026 · 进行中项目
主要用途 显示大学图书馆开始以自身馆藏、算力与学术任务规划开放模型。
证据边界 2026-09至2027-08的项目计划，不能当作模型与数据均已交付。
本次读取 项目起止时间、目标、团队与预期输出
获取情况 项目说明开放；成果按实际发布另核验
查看一手来源 ↗现实发展与基础设施 · 前沿
M09DHinfra.at — Shared infrastructure for Digital Humanities in Austria2026 · 官方基础设施服务
主要用途 可观察到共享算力、数字化、存储和开源软件服务进入实际运行。
证据边界 申请面向奥地利相关研究教学机构，不等于全球研究者均可免费使用。
本次读取 主页资源、2026-10-01开放申请与10-12发布活动说明
获取情况 说明开放；资源使用有资格及申请条件
查看一手来源 ↗现实发展与基础设施 · 进阶
M10Programming Historian未注明年 · 官方学习资源
主要用途 为人文学者提供适合新手的数字工具与研究工作流教程。
证据边界 本次首页仅列英、西、法、葡入口，不宣称有完整中文版本。
本次读取 平台简介与语言入口
获取情况 公开教程
查看一手来源 ↗入门学习 · 入门
M11DARIAH-Campus未注明年 · 官方学习资源
主要用途 集中发现数字人文开放学习资源与课程。
证据边界 平台明确并非穷尽所有资源；语言与难度需逐课选择。
本次读取 资源、课程、Pathfinders与平台说明
获取情况 公开资源
查看一手来源 ↗入门学习 · 入门
D09DARIAH in a Nutshell未注明年 · 官方项目或标准
主要用途 提供支持艺术人文数字研究的培训、数据、工具、服务与社群基础设施。
证据边界 介绍页不等于逐项测试所有服务或独立影响评估。
本次读取 官方任务、历史与运行阶段全文
获取情况 开放官方HTML；未测试账户服务
查看一手来源 ↗国际基础设施 · 入门
D10About CLARIN-IT未注明年 · 官方项目或标准
主要用途 说明CLARIN语言资源和技术基础设施及其国家节点协作。
证据边界 CLARIN主站本次502，节点介绍不能保证所有数据在中国直连或无授权要求。
本次读取 节点介绍、欧洲基础设施关系及2026通讯入口
获取情况 官方节点开放HTML；主站本次不可达
查看一手来源 ↗国际语言基础设施 · 入门
D11Discover Europe’s digital cultural heritage未注明年 · 官方项目或标准
主要用途 提供跨机构欧洲文化遗产数字资源访问入口。
证据边界 跨馆入口存在不等于资源全部可下载或许可完全相同。
本次读取 官方首页搜索结果、运营主体及欧盟部署说明；未逐项访问藏品
获取情况 官方搜索结果与关联一手政策页可读；未实测藏品下载
查看一手来源 ↗国际文化遗产基础设施 · 入门
D12China Biographical Database Project (CBDB)未注明年 · 官方项目或标准
主要用途 以历史人物关系数据支持群体传记、社会网络和空间分析。
证据边界 史料与收录对象具有选择性，不能直接当作历史人口总体的代表样本。
本次读取 首页、项目机构、方法与2026发布/下载信息
获取情况 官方开放HTML与下载入口；未下载数据库
查看一手来源 ↗中文人物数据库与网络 · 入门
D13Intro to CHGIS未注明年 · 官方项目或标准
主要用途 提供中国历史地名与行政区划数据作为历史GIS分析底图和关联框架。
证据边界 时序资料和地域覆盖有明确限制，不能默认为历代全国无缺失。
本次读取 介绍、地域覆盖、时间切片/序列、数据使用流程
获取情况 开放官方HTML及数据仓储入口；未下载数据
查看一手来源 ↗中文历史GIS · 入门
D14MARKUS: Tools in Communication and Empire未注明年 · 官方项目或标准
主要用途 把中文历史文本专名标注、词表和正则匹配与参考资源联查连接起来。
证据边界 所读介绍较旧且仍称beta，不能据此确认2026维护状态或全部规划模块已完成。
本次读取 工具介绍中的专名标注、参考库、导出与beta/计划状态
获取情况 项目HTML可读；未实际提交文本
查看一手来源 ↗中文文本标注工具 · 入门
D15古籍数字智慧应用与第十一次古籍数字资源联合发布座谈会举办2025 · 官方项目或标准
主要用途 记录国家图书馆及合作单位实际新增古籍影像、全文转换与知识服务。
证据边界 活动和功能发布不构成AI准确率评测，且URL中的2026不是正文发表年。
本次读取 正文日期2025-12-31、2025-12-30发布活动、影像与全文服务说明
获取情况 开放官方HTML；未实测平台登录和AI功能
查看一手来源 ↗中国古籍数字化现实发展 · 入门
D16Chinese Text Project未注明年 · 官方项目或标准
主要用途 提供古代中文全文、影像与检索工具的持续数字图书馆。
证据边界 不承诺免费无限API调用或所有电子文本与底本完全一致。
本次读取 官方首页和FAQ搜索结果；FAQ直接抓取403
获取情况 官方搜索结果可读；部分页面本次403
查看一手来源 ↗中文全文数字图书馆 · 入门
D17CBETA API stable未注明年 · 官方项目或标准
主要用途 提供佛典电子文本的程序化检索与访问服务。
证据边界 本次未实际批量请求，各文本和使用场景仍应核许可。
本次读取 API目录、数据版本2026R2、开发和下载入口
获取情况 官方开放HTML；未实测API
查看一手来源 ↗中文佛典语料与API · 入门
D18数字敦煌开放素材库：关于我们未注明年 · 官方项目或标准
主要用途 提供敦煌壁画、藏经洞文献等数字素材及其利用体系。
证据边界 开放素材库名称不等于无限制公有领域，未独立测试下载与图像精度。
本次读取 官方介绍、素材分类及授权相关入口
获取情况 官方子页可读；主资源入口本次超时
查看一手来源 ↗数字文化遗产与公共利用 · 入门
D19北京大学-字节跳动数字人文开放实验室未注明年 · 官方项目或标准
主要用途 展示古籍、NLP、知识图谱、交互与用户研究的跨院系合作机构。
证据边界 成员和毕业去向是个案资料，不能推出就业率与市场需求规模。
本次读取 机构历史、研究方向和跨学科组织介绍
获取情况 开放官方HTML
查看一手来源 ↗中国机构与团队 · 入门
D20Transcribe Bentham未注明年 · 官方项目或标准
主要用途 把公众手稿转写、馆藏访问、学术版本编辑与识别检索相连接。
证据边界 公众参与仍需编辑和质量控制，未注册实际完成转写。
本次读取 项目概况、公众参与、校订本使用及手稿关键词检索说明
获取情况 开放高校官方HTML；转写任务未实测
查看一手来源 ↗公共数字人文与众包 · 入门
D21TEI P5 Guidelines2026 · 官方项目或标准
主要用途 提供人文文本结构、异文与语义等标记的可交换编码规范。
证据边界 标准不是OCR引擎；本次详情页超时，未审核完整规范内容。
本次读取 官方搜索结果中的发布列表及版本标题页信息：4.12.0，2026-07-28
获取情况 官方索引搜索结果可读；部分直接抓取超时
查看一手来源 ↗文本编码标准 · 进阶
D22IIIF API Specifications未注明年 · 官方项目或标准
主要用途 以统一接口共享图像、复合数字对象和文本注释。
证据边界 Presentation 4.0.0仍为候选草案，不能与现行3.0.0混称。
本次读取 当前规范、草案状态、扩展和开发说明
获取情况 开放官方规范目录
查看一手来源 ↗图像和数字对象互操作 · 进阶
D23Versions of the CIDOC-CRM2026 · 官方项目或标准
主要用途 支持以事件等关系组织文化遗产知识，并明确实施版本的稳定性。
证据边界 7.4为2026年草案，7.1.3才标为Official/ISO correspondence。
本次读取 版本说明、Official/Stable/Draft定义、7.4和7.1.3状态
获取情况 开放官方HTML及规范入口
查看一手来源 ↗文化遗产知识建模标准 · 进阶
D24The FAIR Guiding Principles未注明年 · 官方项目或标准
主要用途 指导数字资料做到可发现、可访问、可互操作和可复用。
证据边界 FAIR允许必要的访问授权，不能简化成所有资料必须完全公开。
本次读取 F/A/I/R四组原则及认证授权、许可、来源要求
获取情况 官方开放HTML；原域名重定向至基金会
查看一手来源 ↗数据管理与复用 · 入门
D25CARE Principles for Indigenous Data Governance未注明年 · 官方项目或标准
主要用途 把原住民社群利益、控制和研究目的带入数据治理。
证据边界 是特定治理框架，不能替代各地法律或具体项目伦理审批。
本次读取 官方原则介绍、社群控制权与FAIR互补关系
获取情况 开放官方HTML及原则全文入口
查看一手来源 ↗批判数据治理与社群伦理 · 进阶
D26The Proceedings of the Old Bailey, 1674–1913未注明年 · 官方项目或标准
主要用途 展示历史司法档案可搜索版本和跨数据库生命史关联的长期实践。
证据边界 所读页面保留旧版本内容，不能把其中规模数字当作2026最新规模。
本次读取 官方说明页，含较旧更新与跨记录链接介绍
获取情况 官方项目页开放；新版检索未实测
查看一手来源 ↗数字历史与档案 · 入门
D27DH2025: About2025 · 官方项目或标准
主要用途 提供以开放科学和可访问性为主题的广领域DH学术入口。
证据边界 会议主题和摘要不等于所列全部项目的独立效果证据。
本次读取 会议时间、地点、主题及议程入口
获取情况 开放官方HTML
查看一手来源 ↗国际会议 · 入门
D28DH2026: Engagement2026 · 官方项目或标准
主要用途 核实2026大田DH会议已举行，且有摘要集与录像入口。
证据边界 摘要集和会议报道不能替代全文方法及结果核验。
本次读取 官网会期、2026-08-08闭幕录像公告、2026-07-22摘要集公告
获取情况 开放官方HTML和外链录像/摘要集；未完整观看
查看一手来源 ↗国际会议 · 前沿
D29Computational Humanities Research: Conference未注明年 · 官方项目或标准
主要用途 定位2025完整会议录及2027下一届会议信息。
证据边界 当前官方表没有CHR2026届次，不能自行补造其已举办。
本次读取 历届会议与2027下一届会期表
获取情况 开放官方HTML及正式会议录链接
查看一手来源 ↗计算人文会议 · 进阶
D30SIGHUM Workshop on Computational Linguistics for Cultural Heritage, Social Sciences, Humanities and Literature未注明年 · 官方项目或标准
主要用途 提供语言技术、文化遗产、社会科学与文学的交叉研究入口。
证据边界 索引存在不代表本次已逐篇阅读全部论文。
本次读取 场次索引中2025与2026正式会议录入口
获取情况 ACL Anthology开放索引和PDF
查看一手来源 ↗语言学与数字人文会议 · 进阶
D312025年中国数字人文年会在中山大学召开2025 · 官方项目或标准
主要用途 核实CDH2025已举行及平台、模型和智能体成果发布。
证据边界 发布报道不是模型性能论文，也未独立测试这些发布平台。
本次读取 高校一手报道搜索结果中的会期、举办状态和成果发布
获取情况 高校官方搜索结果可读；未操作平台
查看一手来源 ↗中国会议与现实发展 · 入门
D32“大哉言数”学术研讨会暨2026年中国数字人文年会在内蒙古师范大学召开2026 · 官方项目或标准
主要用途 确认国内会议已举行，并覆盖多民族古籍、GIS、图谱、AI和算法伦理等分支。
证据边界 论坛主题与主办方发布描述不等于各方向成熟度或独立技术验证。
本次读取 闭幕报道正文：2026-07-31至08-03、论坛与成果发布
获取情况 开放高校官方HTML
查看一手来源 ↗中国会议与现实发展 · 前沿
D33《数字人文研究》期刊介绍未注明年 · 官方项目或标准
主要用途 提供中国数字人文理论与实践研究的正式期刊入口。
证据边界 未逐篇核2026全部篇目，也不据此判断评价排名或最新卷期。
本次读取 官方期刊介绍及2026 Vol.6 No.1年卷索引搜索结果
获取情况 官方搜索结果可读；部分年卷页面直接超时
查看一手来源 ↗中文期刊 · 入门
D34About DHTech未注明年 · 官方项目或标准
主要用途 展示开发者、会编程的学者及项目管理者协作维护DH软件的社群。
证据边界 招聘板存在不能支持就业增长率、薪资或市场规模断言。
本次读取 目标、角色、维护活动、工作组、招聘板与2026聚会入口
获取情况 官方开放HTML；未系统收集招聘数据
查看一手来源 ↗团队、研究软件与职业角色 · 入门
D35Digital Humanities Quarterly: About未注明年 · 官方项目或标准
主要用途 提供开放的数字人文方法论、批判及实践论述期刊入口。
证据边界 本次抓取的卷期信息不足，不能称已核最新一期全部论文。
本次读取 官方关于页搜索结果及代表文章
获取情况 官方搜索结果与部分官方PDF可读
查看一手来源 ↗国际期刊 · 入门
D36About Digital Scholarship in the Humanities未注明年 · 官方项目或标准
主要用途 明确数字学术研究与人文问题的联系及其同行评审期刊入口。
证据边界 一般AI或数据科学论文若无人文理论关联或直接应用不自动属于其范围。
本次读取 官方办刊范围搜索结果
获取情况 出版社官方搜索结果可读
查看一手来源 ↗国际期刊 · 进阶
D37Computational Humanities Research: About this journal未注明年 · 官方项目或标准
主要用途 提供以人文问题为基础的计算定量研究开放获取期刊入口。
证据边界 会议论文录用不等于自动成为该期刊论文。
本次读取 官方期刊定位、开放获取和与会议关系说明
获取情况 出版社官方HTML可读
查看一手来源 ↗国际期刊 · 进阶
D38DHEAC: History2026 · 官方项目或标准
主要用途 提供东亚古籍数字人文专门会议的历史与学术交流入口。
证据边界 未逐篇核会议论文，不以参加人数推断学术质量。
本次读取 历届会期地点表，含2025北京与2026成均馆大学
获取情况 开放官方HTML
查看一手来源 ↗东亚古籍会议 · 进阶
D39The Common European Data Space for Cultural Heritage – Strategy 2025–20302026 · 官方项目或标准
主要用途 把数据质量、互操作、治理、多语访问和AI/3D/XR纳入长期基础设施发展方向。
证据边界 战略目标不是已完成部署，文件本身也承认资金、能力和孤岛问题。
本次读取 政策说明全文；发布2026-01-08、页面更新2026-08-24
获取情况 欧盟官方开放HTML及战略全文入口
查看一手来源 ↗政策、基础设施与未来发展 · 前沿
R01CCL语料库2026版公告与入口2026 · 官方资源文档
主要用途 提供古今汉语等语料检索与年代、文体筛选入口。
证据边界 公告日2026-10-22不同于2026年5月上线日，未按用户问题完成抽样与语料适配。
本次读取 官方公告关于2026版上线时间、检索与语料范围；另核新平台入口
获取情况 公开说明与检索入口，实际使用条件逐项核实
查看一手来源 ↗中文语料资源 · 入门
R02BCC语料库帮助未注明年 · 官方资源文档
主要用途 为现代、近代、古代等汉语材料提供语料检索入口。
证据边界 具体版本、子库、分母和检索规则需随研究记录，不与其他平台简单混比。
本次读取 官方帮助与子库/检索说明
获取情况 公开帮助；未实测全部检索功能
查看一手来源 ↗中文语料资源 · 入门
附录C. 工具与配套官方说明
25项。简式导读；部分只列首作者，正式引用请回原出版页核对完整书目。点击条目查看用途、边界与读取范围。
T01Zotero：快速入门、Windows安装及本地/同步说明未注明年 · 官方项目或标准
主要用途 用图形界面管理来源、附件、笔记和引文，软件免费开源，可选附件云存储有付费层。
证据边界 自动导入不证明书目和引文准确，开启同步或群组前需确认允许上传和分享的材料。
本次读取 已读快速入门与隐私正文；官方Windows安装说明检索结果；未安装实测。补充：https://www.zotero.org/support/privacy
获取情况 Windows本地桌面与Connector；官方HTML可读；无需账号也可本地使用
查看一手来源 ↗通用工具：文献管理 · 入门
T02OpenRefine：安装、导出与实体匹配未注明年 · 官方项目或标准
主要用途 在本机浏览器界面进行分面、聚类与表格整理，可输出CSV、Excel及完整项目。
证据边界 聚类只是相似候选，外部匹配会联网，导出须检查筛选范围并保留原始值和人工裁决。
本次读取 已读安装和导出正文，核实体匹配文档与官方BSD-3-Clause许可；未安装实测。补充：https://openrefine.org/docs/manual/exporting
获取情况 Windows有含Java包；基础功能可离线；免费开源
查看一手来源 ↗通用工具：数据整理 · 入门
T03Voyant Tools：入门、语料创建与语言处理未注明年 · 官方项目或标准
主要用途 用浏览器探索词频、趋势和语境，基础分析无需编程并可分享分析视图。
证据边界 公共服务需上传语料，中文分词和词云都需人工核查，保密或版权受限资料可采用本地独立版。
本次读取 官方入门、语料创建和语言文档检索结果；可读官方仓库GPL-3.0许可；直接文档访问多次超时，未界面实测。补充：https://docs.voyant-tools.org/docs/tutorial-corpuscreator.html
获取情况 免费公共网页及本地部署路径；官方检索结果可读，文档直开超时
查看一手来源 ↗通用工具：文本探索 · 入门
T04QGIS：Windows安装、图层与地图导出未注明年 · 官方项目或标准
主要用途 以桌面界面把坐标表和空间图层连接、分析和输出为工程、图层与地图。
证据边界 需要核对历史时期和坐标系统，矢量地图导出可能保留精确位置，现代底图不自动代表历史地理。
本次读取 已读官方下载与Windows入口；官方图层、布局和导出文档检索结果；未安装实测。补充：https://documentation.qgis.org/3.44/en/docs/user_manual/print_layout/overview_layout.html
获取情况 Windows独立安装包；免费开源GNU GPL；本地数据处理
查看一手来源 ↗通用工具：历史GIS · 入门
T05Gephi Desktop：Windows入门、输入输出与许可未注明年 · 官方项目或标准
主要用途 通过节点表、边表和图形界面探索网络、指标与布局，输出工程及SVG、PNG、PDF。
证据边界 边的含义须人工定义，布局、共现和中心性不能直接解释为交往或历史重要性。
本次读取 已读Windows与CSV入门及桌面功能/许可正文；未安装实测。补充：https://gephi.org/desktop/
获取情况 Windows安装包；免费开源GPL；桌面本地分析
查看一手来源 ↗通用工具：关系网络 · 入门
T06Omeka S：用户手册、服务器安装与资源可见性未注明年 · 官方项目或标准
主要用途 用元数据和媒体搭建数字馆藏与多个展览网站，内容编辑可在Windows浏览器完成。
证据边界 官方部署需Linux服务器和PHP/数据库等条件，开源不免服务器运维成本，发布前需逐层核可见性。
本次读取 已读用户手册与服务器部署要求；核条目/媒体公开私密官方说明及GPL-3.0许可；未部署。补充：https://omeka.org/s/docs/user-manual/
获取情况 软件开源GPL-3.0；需服务器部署后用浏览器编辑
查看一手来源 ↗通用工具：数字展览与馆藏发布 · 入门
T07JupyterLab：安装、notebook导出与执行信任未注明年 · 官方项目或标准
主要用途 把代码、解释、输入处理和结果保存在可重跑notebook中，支持按配置导出HTML及脚本等。
证据边界 图形界面不消除读写代码要求，交接应记录环境并从新内核复跑，运行他人代码前需核读写和联网行为。
本次读取 已读安装与导出正文，核官方BSD-3-Clause许可和notebook执行信任说明；未安装实测。补充：https://jupyterlab.readthedocs.io/en/stable/user/export.html
获取情况 免费开源BSD-3-Clause；Windows可配置本地环境；不要求公共云
查看一手来源 ↗通用工具：可复现计算 · 入门
T08Google Colab：服务、算力限制与生成式AI数据说明未注明年 · 官方项目或标准
主要用途 以Windows浏览器提供托管notebook环境，免本地安装计算环境，有免费和付费服务层。
证据边界 资源与网络可用性不保证；AI功能会收集提示、相关代码和输出等，不能混同一般notebook使用。
本次读取 已读FAQ基础服务、资源限制、生成式AI功能和数据收集段落；未在用户所在地登录实测
获取情况 需Google账户、网络可达与服务资格；免费和付费层，不报价格
查看一手来源 ↗通用工具：云端计算与教学 · 入门
T09Git：性质、许可与Windows安装未注明年 · 官方项目或标准
主要用途 为代码、标注规范和文本资料保留本地提交历史、分支与版本差异。
证据边界 核心为命令行但可接图形客户端，本地提交不自动上传，也不代替完整备份和研究判断。
本次读取 已读Git性质、GPLv2许可和Windows安装页；未安装或建库。补充：https://git-scm.com/install/windows
获取情况 免费开源GPLv2；Windows官方安装包；可本地离线使用
查看一手来源 ↗通用工具：版本控制 · 入门
T10GitHub Desktop：图形入门、支持系统与私密发布未注明年 · 官方项目或标准
主要用途 以图形界面查看文件改动和Git历史，帮助初学者提交及协作同步。
证据边界 客户端免费不等于全部托管服务免费，Publish/Push会上传，需先检查文件列表与公开私密范围。
本次读取 已读入门、支持系统和首个仓库教程，含Commit、Publish/Push及私密开关；未安装或发布
获取情况 免费开源客户端；官方支持Windows10 64位及以后；远程需账号与认证
查看一手来源 ↗通用工具：图形版本协作 · 入门
U01AntConc 官方用户手册、下载与许可2026 · 官方文档
主要用途 提供图形界面的语料检索行、词频和搭配分析，适合作为文本研究入门工具。
证据边界 中文切词、编码、分母和原始材料质量仍需核验；非商业学术使用免费不等于开源或商业用途免费。
本次读取 官方主页、Windows说明；4.4.2手册目录、输入格式与保存结果章节；4.x许可全文相关条款
获取情况 官方文档开放；非商业研究教学免费，商业另需许可
查看一手来源 ↗语料检索与统计工具 · 入门
U02ELAN 官方功能、下载与许可说明2026 · 官方文档
主要用途 把转写、翻译、说话人和观察注释分层对齐到音视频时间轴。
证据边界 媒体格式依赖操作系统，转写准确性与说话人授权需单独核验，标注文件不能代替媒体。
本次读取 官方功能与GPL3说明、Windows下载页、引用与运行时说明
获取情况 官方文档开放；GPL3开源软件
查看一手来源 ↗音视频转写与多层标注 · 入门
U03Praat 官方功能、Windows安装、TextGrid与许可指南2026 · 官方文档
主要用途 提供基频、共振峰、强度与时长等声学分析及TextGrid时间标注。
证据边界 自动声学轨迹受参数、噪声和边界影响，正确解释需要语音学训练。
本次读取 官方功能主页、Windows解压运行说明、TextGrid标注入门和GPL3+许可
获取情况 官方文档开放；GPL3或更高开源软件
查看一手来源 ↗语音声学测量 · 进阶
U04INCEpTION 42.1 官方用户指南与许可证2026 · 官方文档
主要用途 支持自定义片段/关系/文档标签、多用户标注、分歧整理和一致性分析。
证据边界 标签、中文切分与导出格式需先用小样本验证，单机起步与团队服务器部署门槛不同。
本次读取 官方主页发布日、用户指南Getting Started/Installation及导出入口、官方Apache2.0许可
获取情况 官方文档开放；Apache2.0开源软件
查看一手来源 ↗多人文本标注与质量控制 · 进阶
U05Universal Dependencies 官方入门、CoNLL-U格式与树库许可n.d. · 官方文档/资源
主要用途 提供跨语言形态句法标注框架及树库，帮助组织可比较的语法数据。
证据边界 UD不是自动分析软件，树库语言/时代/标注质量和许可各不相同。
本次读取 官方UD2入门、CoNLL-U格式和逐树库许可说明
获取情况 规范开放；逐树库遵从其LICENSE，部分为非商业许可
查看一手来源 ↗语法标注标准与公共树库 · 进阶
U06jieba 作者仓库、安装/分词说明与MIT许可n.d. · 官方文档
主要用途 提供中文分词、自定义词典及词语起止位置接口，便于构建可记录的文本处理脚本。
证据边界 不保证古汉语分词准确，需人工验证；README说明多进程并行功能不支持Windows。
本次读取 README安装、模式、自定义词典、tokenize与Windows并行限制；LICENSE
获取情况 官方文档开放；MIT开源库
查看一手来源 ↗中文分词预处理 · 入门
V01识典古籍阅读与整理平台（开发者项目介绍）未注明；2026-10-23核验 · 官方文档
主要用途 说明识典的图文核对与版本信息，并列出 OCR、文字校对/对勘、分段、标点/实体校对、元数据及任务分发等协作环节。
证据边界 介绍功能与公益阅读定位，不足以证明所有个人账号均可即时自助建库或无限 OCR。
本次读取 直读简介、书库/版本、图文阅读与粗校精校、整理平台完整介绍。
获取情况 页面可直接阅读；本次未注册整理账号、未上传材料。
查看一手来源 ↗零基础工具/中文古籍/人机协作 · 入门
V02识典古籍官方阅读与整理产品入口动态页面；2026-10-23核验 · 官方文档
主要用途 核实整理入口与 OCR、AI 标点/实体、多版本对勘、翻译和协作整理功能的官方说明。
证据边界 未确认个人自助建库、注册/开通方式、上传格式和额度、导出权限或处理时限，不能将阅读开放等同整理功能无条件可用。
本次读取 直读官方功能区及其 Digitizing Tools 链接；访问 https://edit.shidianguji.com/ 确认入口标题，未取得可读权限说明。
获取情况 阅读入口公开；编辑入口为动态应用，本次未注册或实际登录核验，不报价格和额度。
查看一手来源 ↗零基础工具/注册与可获得性边界 · 入门
V03Practical introduction to ctext.org2017 · 官方文档
主要用途 以扫描本定位、逐列文字对齐、依据原图校字和修订历史演示可靠的古籍整理方法。
证据边界 教程发表于2017年，当前CText说明页抓取403，未完成现行登录界面的逐按钮验证，因此菜单名与账号权限不能无条件保证。
本次读取 直读初始设置、扫描本定位、Editing a transcription、Quick edit与History修订比较说明。
获取情况 创建者教程可读；本次没有提交公共编辑，建议首次练习仅在本地记录候选修改。
查看一手来源 ↗零基础工具/图文校对/修订历史 · 入门
V04Beginner’s Guide to Transkribus / Getting started动态帮助页；2026-10-23核验 · 官方文档
主要用途 给出无需自行训练模型的网页流程：上传材料、选合适现成模型、识别、图文复核并导出。
证据边界 公共模型是否适合中文古籍仍须按语种和材料核验，AI处理涉及额度，本文不固定价格或把额度直接等同页数。
本次读取 直读Desk/Collection、公共模型、Process with AI、Document Editor、导出和额度说明；核对 https://help.transkribus.org/getting-started 将eXpert标为deprecated。
获取情况 帮助公开；实际项目需账户并按平台当前规则操作；本次未注册、上传或运行。
查看一手来源 ↗零基础工具/浏览器托管流程 · 入门
V05How can I get an account on eScriptorium? / Deploying动态Wiki；2026-10-23核验 · 官方文档
主要用途 明确项目提供开源软件而非统一托管服务，使用者应自部署或向机构实例申请账户，正式部署需要技术维护。
证据边界 免费开源不等于存在任何人可直接注册的统一免费服务器，也不等于初学者下载普通程序后立即可用。
本次读取 已通过官方.md格式直读完整账号FAQ及部署Wiki https://gitlab.com/scripta/escriptorium/-/wikis/Deploying.md 的部署选择与主要运维要求。
获取情况 官方Wiki普通页面无可提取正文，.md原文可读；生产部署推荐独立部署方案，单服务器可用Docker Compose；未部署或申请实例账户。
查看一手来源 ↗零基础工具/机构部署与角色分工 · 入门
R03Tesseract OCR未注明年 · 官方工具文档
主要用途 可作为开放本地OCR基线。
证据边界 通用语言包不等于历史材料专项模型；未本机安装测试。
本次读取 仓库用途、许可与安装/模型入口
获取情况 Apache-2.0代码，模型与其他材料许可分别核对
查看一手来源 ↗OCR工具 · 进阶
R04PaddleOCR未注明年 · 官方工具文档
主要用途 识字、版面与文档解析的开放工具入口。
证据边界 多种组件和版本不能混写，历史材料效果需单独验证。
本次读取 官方项目功能、模型与许可说明
获取情况 Apache-2.0仓库；各权重与数据分别核许可
查看一手来源 ↗OCR工具 · 进阶
R05Kraken documentation未注明年 · 官方工具文档
主要用途 提供历史材料自动识别与可训练的工作流组件。
证据边界 需部署与材料适配，不是统一托管服务；具体模型许可另查。
本次读取 用途、历史和非拉丁文字、版面/识别、导出与训练说明
获取情况 Apache-2.0引擎；未本机安装测试
查看一手来源 ↗OCR与HTR工具 · 进阶
R06About OCR-D未注明年 · 官方工具文档
主要用途 帮助理解识别前后各处理环节与质量保障。
证据边界 主要材料背景是历史德语印本；集合中各组件许可不同。
本次读取 项目背景、模块式OCR流程及质量与标准目标
获取情况 说明开放；未部署
查看一手来源 ↗OCR流程与标准 · 进阶