大数据帮你进一步认识苏轼

官天泽 徐子昂 王储玉 马梓铭 葛宇轩

编者按

不久前，北京清华附小六年级的学生成了“网红”。原因是几位小学生合作写了一篇论文《大数据帮你进一步认识苏轼》，利用大数据搜索，整理了苏轼诗词的高频用词，还展示了研究过程中克服文献查找困难的解决办法。很多人在惊叹的同时，也很困惑，为什么清华附小的学生这么牛？下面，我们选登《大数据帮你进一步认识苏轼》，看看这些小学生是如何开展研究性学习的。

前言：我们是清华附小2012级4班的学生，2017年正逢苏轼诞辰980周年，学校开展了一系列致敬苏轼的活动。我们利用课前时间演讲了解苏轼生平，在晨读时间吟诵苏轼的诗词，在暮省时间进行游戏飞花令，临摹苏轼的书法和画作，跟着康震老师一起品读苏轼。通过老师的推荐，观看了纪录片《苏东坡》。

随着对苏轼的了解越来越多，我们心中也产生了很多疑问。利用假期时间，我们进行了以苏轼为主题的小课题研究。同学们自愿组成小组，确定研究课题，进行小组讨论和分工。为了方便交流、讨论，我们组建了微信群和QQ群，大家在群里热烈讨论，特别是对于贡献了智慧的同学，组长还给他发红包。各小组同学将老师也拉入群中，大家一遇到疑难问题就随时向老师请教，老师成了同学们的“贴身军师”，思维在碰撞中产生了更多火花。

本次班级共完成课题研究报告23 份，研究主题各有不同：《大数据帮你进一步认识苏轼》《今人对苏轼的评价和苏轼的影响力》《行走的苏轼》《唯美景与美食不可辜负》《苏轼的朋友圈》《苏轼的心情曲线》《苏轼的旅游品牌价值》《苏轼VS李白》等等。

上学期我们用大数据的方法写了一首《如梦令》，这次我们小组研究苏轼，我们想再用大数据的方法对苏轼的诗词进行进一步的分析。

一、数据证明苏轼是名高产作家

首先我和徐子昂把苏轼的3458首诗词都找了出来，大概有25万字。我们发现唐宋诗词由9552位作者创作了276545首诗词，平均下来每位作者要完成28～29首诗词的创作，而苏轼一個人就相当于120位诗人，占了整个唐宋诗词量的1.25%。苏轼一共活了66岁（其实按照今天的计算方法来算，他只活了64年，古代出生的时候就算1岁，过了年又算1岁，所以在他出生半个月的时候就算2岁了），我们按照他的实际年龄来计算，他平均每年需要写54首诗词，这样下来平均每周至少写一首诗词。这些仅仅是他的诗词，不包括散文、札记、书信等。

二、通过数据看苏轼的人生经历

1. 我们的方法

我和爸爸通过电脑程序把苏轼的3458首诗词进行了分词研究，找出了这些诗词中的高频词。

排名前50的高频词表如下：

由于汉语里有很多一个字的词，这些词也需要考虑，于是我们把所有的高频字也做了分析。

排名前50的高频字表如下：

2. 我们的问题

这些高频词和字分析出来之后，我们产生了很多疑惑。比如：

“归来”这个词竟然出现了157次，是苏轼诗词里面用得最多的一个词（注：第一次分析高频词时，还没有搜索“子由”，因此排在第一位的词汇是“归来”），“归去”出现92次，苏轼是在到处云游吗？

苏轼经常提到“故人”，出现了135次，还有“道人”60次，这些人都指的谁呢？他是不是有很多和尚、道士朋友呀？

苏轼诗词里面提到“西湖”92次，“江南”84次，这些诗词是否都是他在杭州当官时候的作品呢？这些诗句描述的场景是不是与他的这段人生经历有关？

高频单字中，“山”2041次，“我”1732次，“风”1447次，“云”1260次，“月”1059次，“水”1020次，“花”1006次，“酒”826次，高频词里面“明月”出现100次，“饮酒”出现57次，这些诗句描述的都是什么场景？苏轼是不是因为官场上不得志而寄情于山、水、花、酒之间？

“使君”出现了152次，而使君是谁？“东坡”出现了108次，“东坡”是指地方还是苏轼自己呢？为什么提到这么多次“东坡”？他的人生和“东坡”的关系是什么？带着这些问题，我们小组开始了研究。

3. 研究的过程

研究的过程就像一次考古，很艰苦也很有意思，因为在这个过程中我们遇到了很多困难，也想出了不少办法。随着研究的深入，我们的研究范围甚至高频词表都进行了调整和更新。但通过这个过程，我们也收获了很多，于是我们把整个研究过程都记录了下来。

（1）小组分工和确定主题

根据分析数据产生的问题，我们小组成员进行了分工，其中：

徐子昂负责研究苏轼三次被贬的经历，以及包含“归来”“归去”的诗词。

马梓铭研究苏轼在西湖及江南的经历，以及包含“西湖”“江南”的诗词。

王储玉负责研究苏轼在“明月”“饮酒”方面的爱好，以及所有包含“明月”“饮酒”的诗词。

官天泽负责研究苏轼与“使君”“东坡”的关系，以及所有包含“使君”“东坡”的诗词。

葛宇轩负责研究苏轼与“故人”“道人”的关系，以及所有包含“故人”“道人”的诗词。

大家接受了任务之后，分别查找资料，总结分析后形成了各自的研究成果。其实上面这五个研究方向都很有趣，但是受时间和资料所限，我们经过讨论，最终决定把这次课题报告聚焦到苏轼三次被贬的经历和含有“归来”诗词之间的关系上来，其他的研究方向等以后有时间再一一攻克吧。

我们猜想“归来”可能反映了苏轼在被贬后，渴望回到朝廷、继续为官报效国家的一种心情。

我们先在苏轼诗词全集中把所有包含“归来”的诗词都找了出来，为了分析这些诗词和苏轼生平的对应关系，我们需要知道苏轼创作这些诗词的时间和地点，然后对比看看是不是他在被贬后写的。

（2）基础资料查找

我们上网搜索各种版本的苏轼诗词全集，但是发现要把每一首诗词对应的年代和地点都找出来，却是一件艰苦而且巨大的工程，因为没有一个网站能完成这样的任务。

后来我们发现了两本工具书，一个是《东坡先生编年诗》[50卷，清乾隆二十六年（1761年）海宁查氏香雨斋刻本]，另一本是《苏轼词编年校注》（中华书局“十国古典文学基本丛书”，邹同庆、王宗堂著），这两本书对苏轼的诗词按照年代进行了编排，可以实现我们的想法。

研究苏轼的词，可以查找《苏轼词编年校注》。这书有编年的词292首，没有编年的31首，残句11则。我们在网上找到了这本书的电子版，可以快速检索出来每一首词的年代。

研究苏轼的诗，可以查找《东坡先生编年诗》。不过这本书只能找到哈佛线上图书馆的竹纸线装的扫描书，一共16册50卷（http：//nrs.harvard.edu/urn-3：FHCL：15633072）。清朝人编著的都是繁体字，对我们来说简直是天书，根本无法进行检索（见下图）。

我们几乎放弃了之前的想法，但是在爸爸的帮助下我们找到了另外一个网站——http：//ctext.org/library.pl？if=gb&res=94092&remap=gb，这个网站把这本竹纸线装的书进行了光学字符识别扫描，这样，大多数的诗就可以用搜索的方法查到了（见下图）。

我们是从编年诗入手的，工具书虽然找到了，但还有很多工作需要完成：

第一，由于这本古籍书是竖排排版，文字的识别率不是很精确，很多工作需要人工再次确认。

第二，我们需要手工查询每一卷诗创作的年代和地点。

我们开始分工，把50卷书中的每一卷书的年代和地点都找了出来，做出了一张对应表格，见下表（刊发时有删节）：

我们兴奋地以为这下就可以大功告成了，真是高兴得太早了，我们开始查询的第一首诗就出了问题。《次韵和王巩》在《东坡先生编年诗》的第十册里面，可是第十册居然有2个电子文本（在扫描过程中现代人对这本古籍进行了重新分册，16本纸质书被扫描成了23册电子文本）。每个电子文本里面还有好几卷啊，我们如何能够快速定位这首诗是在具体的那一卷里面呢？看样子搞研究真不是一件容易的事情啊！

經过讨论，我们想到了一个办法，就是做一套对照表，来体现电子书和纸质书的对照关系，然后把搜索到的结果经过两次对照，找出它的具体年份。下面是电子书和纸质书的对照关系表（刊发时有删节）：

这样我们就可以快速定位每一首诗的具体年代了，举个例子：《次韵和王巩》在《东坡先生编年诗》里面，我们搜索其中的诗句“归来千首诗”，搜索结果是如下图这样的：

这代表它在该书第十册第32列，我们点击“十”可看到下图中的的诗句。

由于十册是两本，我们还需要回到十册的首页，看一下到底是十（1）还是十（2），在《电子书和纸质书的对照关系表》上找到这首诗对应的卷册之后，再在《每一卷书的年代和地点对应表》上找到这首诗的年代和创作地点：

说明《次韵和王巩》这首诗创作于哲宗元祐元年，即公元1086年，苏轼当年在京都当翰林学士时候创作的。

（3）研究结论

我们按照上面的方法和步骤，查到了苏轼所有包含“归来”的111处诗的年代。但由于时间的原因，我们没有来得及对苏轼所有包含“归来”的词进行查找。因此，下面的分析是基于111首包含“归来”诗的统计结果。

这是苏轼一生中，“归来”一词在诗中出现的次数分布图：

我们查找了苏轼三次被贬的经历，即第一次（1080—1084），因为“乌台诗案”他遭到新党诬陷，被贬黄州;第二次（1089—1091），苏轼因为不同意司马光尽废新法，被贬杭州、颍州;第三次（1094—1101），苏轼因为与章惇政见不合，被贬惠州、儋州。

我们发现，每次被贬结束之后，苏轼诗中的“归来”出现的次数都会有所增加，苏轼这些“归来”诗，与他跌宕起伏的一生似乎存在着联系，他一直满怀忧国之情，总能将这些归去归来的经历，化作美好的文学意境。

数据分析的结果印证了我们的猜想，让我们从一个新的角度认识了这位文学巨匠。苏轼一生忧患重重、多次被贬，正是这些苦难的经历和丰富的阅历，让苏轼更关心民间疾苦，更亲近大自然，使他的作品成为传世的杰作。时至今日，我们读苏轼的诗词，仍然能感到无限的哀怨和悲凉，更能体味到中国文化的深厚底蕴和幽香。

三、额外的发现

在研究过程中，我们还发现“子由”出现在很多诗词中，“子由”是苏轼弟弟的字，这让我们想到应该检索一下“子由”在苏轼作品中出现的次数。于是，我们重新检索了一下，发现“子由”在《苏轼诗词全集》中居然出现了229次，它才是苏軾高频词里面的王者！为此，我们更新了高频词表。

我问爸爸为什么第一次做的高频词表中没有搜到“子由”，爸爸给我们解释说，“子由”在汉语中不是一个词汇，因此电脑软件第一次在做分词的时候，并没有对它进行检索。分词是一门很深的学问。每一部著作都有自己的特点。对每部著作的分析是一个不断发现的过程。今天看着正确的分析结论，可能随着研究的深入就不一定正确了，比如这次。

这次对高频词表的更新，让我们在研究主题之外，有了额外的收获：就是我们发现了苏轼和他的弟弟子由之间的手足情深。通过上网进一步查资料，我们了解到苏轼几乎每到一个任所就给弟弟子由寄信赠诗，晚年被贬谪时更是如此。苏家兄弟情谊之深厚是文学史上的佳话。他们是兄弟，是师生，是诗词唱和的良友，是政治上荣辱与共的伙伴，也是精神上相互勉励安慰的知己。我们设计的高频词表也进一步印证了他俩之间的情谊，我们可以得出结论，研究表明苏轼还是一个好哥哥！