語料庫不是結論：論《北華捷報》社論研究中的量化誘惑、殖民視角與證據倫理

摘要

建立《北華捷報》（North-China Herald）Leading Articles 語料庫，能把分散的報紙影像轉化為可檢索、可比較的研究材料。然而，資料基礎設施愈完整，研究者愈需要警惕一種常見錯覺：彷彿文本一旦成為資料，歷史解釋便會自然從搜尋結果、詞頻圖表或主題標籤中浮現。事實恰好相反。語料庫可以擴大證據範圍，卻不能替代體裁辨識、語境重建與史學判斷。

本文主張，《北華捷報》社論語料庫的真正學術標準，不是能否迅速產出漂亮的統計結果，而是能否保留文本的不確定性、報刊的政治位置與每項判斷的證據鏈。理想的語料庫不應替研究者消除爭議，而應使爭議可以被定位、重查與反駁。

關鍵詞：《北華捷報》；語料庫批判；量化史學；殖民視角；OCR；證據倫理；數位人文

可檢索不等於可直接解釋

全文檢索最容易帶來的誘惑，是把搜尋命中視為歷史重要性。某個詞出現得多，可能意味議題受到持續關注，也可能只是文章篇幅變長、報紙版面增加、OCR對該詞辨識較準，或某一固定套語被反覆使用。若沒有總字數、期數、文章數與版面變化作為分母，單純詞頻往往只是一個未完成的觀察。

同樣地，詞語的缺席也不能直接等同於概念的不存在。報刊可能用近義詞、代稱、諷刺或轉述表達相同立場；拼寫差異如 Pekin 與 Peking、外交職銜的變體，以及破折號和分欄造成的OCR斷裂，都會改變搜尋結果。真正可靠的概念史分析，必須從詞形回到搭配，從搭配回到段落，再從段落回到整篇社論與當期版面。

量化方法最怕把技術誤差寫成歷史趨勢

歷史報紙並不是為機器閱讀而印製。紙張污損、字體磨損、跨欄接續、連字號、長體字母與版面裝飾，都可能造成系統性辨識錯誤。如果某一時段的影像品質較差，關鍵詞命中率下降，圖表便可能製造一個並不存在的『輿論降溫』。因此，OCR品質不能只是一個附註，而應成為分析模型中的正式變項。

最低限度的做法，是讓每項統計結果都能說明納入多少文章、排除多少文章、缺損比例如何、人工校對覆蓋到何種程度，以及不同拼寫和詞形如何正規化。數位方法的可信度不在於演算法名稱，而在於研究者能否交代數字從哪一批影像、經過哪些選擇而來。

不能把外僑報館的聲音稱為『上海輿論』

《北華捷報》是理解通商口岸英語公共空間的重要材料，但它並不是上海社會的縮影。其社論首先反映特定報館制度、讀者市場與外國利益網絡如何理解中國事務。把它概括為『上海輿論』，會在語言上抹去華人居民、中文報刊、地方官員、買辦、中外商人及其他群體之間的差異。

較嚴謹的表述應是『上海英語報刊中的外僑公共論述』或『通商口岸英語社群的一種制度性聲音』。這種限定並不削弱材料價值，反而使研究問題更清楚：我們研究的不是中國如何被客觀描述，而是特定權力位置如何把商業利益、外交要求與軍事行動轉譯為秩序、信用和文明的語言。

主題標註本身就是一種解釋

語料庫常以『戰爭』『外交』『條約』『商業』等標籤提高檢索效率，但標籤不是中性的收納盒。一篇社論可能表面討論航運，實際上在論證軍事保護；也可能以外交消息為起點，最後轉向對清廷品格的道德判斷。若每篇文章只能歸入單一類別，複雜論述便會被資料結構提前簡化。

因此，標註系統應允許多重主題、標註理由與不確定等級，並區分『文章明示議題』與『研究者分析概念』。最好保存標註者、時間與版本，使後來研究者知道某個分類是原刊欄目、文本用詞，還是建庫者的分析判斷。元資料並非研究之前的行政工作；它本身就是史學論證的一部分。

證據倫理要求引文永遠能回到版面

語料庫最重要的公共責任，是避免歷史句子被切割成失去來源的可複製碎片。一段強烈、諷刺或帶有種族化語言的社論，若脫離日期、事件進程、文章起訖與報刊位置，很容易被當成整個時代固定不變的代表。研究平台因此不應只提供乾淨文字，也應保留影像連結、頁碼、欄位、轉錄狀態與必要的編校說明。

半外交式轉錄尤其需要清楚區分原文、編者補字、無法辨識處與現代化處理。讀者應能知道哪些字來自報紙，哪些字是轉錄者的判斷。當不同研究者對文章邊界或詞語辨識有不同意見時，系統應容許版本並存，而不是用一個看似完美的文本掩蓋材料本身的裂縫。

好的語料庫不是消除爭議，而是組織爭議

歷史語料庫的成功，不應只以收錄篇數、搜尋速度或圖表數量衡量。更重要的問題是：使用者能否從結論返回文本，從文本返回版面，從版面返回影像；能否看見資料缺口、校對程度與分類選擇；能否用同一批材料提出不同解釋，並清楚指出彼此分歧發生在哪一個證據環節。

就此而言，《北華捷報》社論語料庫的最佳前景，不是成為一部替研究者回答問題的機器，而是成為一套使問題更精確的研究基礎設施。它應讓我們看見戰爭與外交論述如何形成，也讓我們始終記得：任何可計算的模式，都必須接受不可省略的歷史語境檢驗。