在研 近现代文学
中国近现代小说语料库（1840-1949）
本项目以晚清至现代中国小说及其不同版本、目录与文本来源为研究对象，系统整理作品元数据、章节结构和正文资源。项目综合运用 OCR、文本清洗、字数统计、版本比对、来源校验与数据审计等计算方法，旨在建设一套可检索、可复核、可追溯的近现代小说语料库，为文学史研究和量化分析提供可靠的数据基础。
- 周期
- 2026.08.01 – 至今
- 负责人
- 王鹭
- 当前阶段
- 目录建设
- 成员
- 2 人
项目团队
当前成员 2
-
王鹭负责人
中国社会科学院大学
语料库建设
-
赵薇研究员
文学研究所
选题、项目方向把控
项目时间轴
-
2026.08.01数据
确定两部基础书目
以陈大康《中国近代小说编年》（1840-1911）和甘振虎等《中国现代文学总书目·小说卷》（1917-1949）为基础，确定语料库时间范围为1840—1949年，并保存两部电子书作为目录建设和页码复核底本。
-
2026.08.09数据
首个可核验版本 v0.1
建成目录工作台和字段级证据框架。人工核验种子58条，提取近代篇名索引OCR 3317行、现代目录OCR 2090行，为后续规范化与正文回查建立候选池。
-
2026.08.10数据
字段与全文实验
主目录增至120条；形成作品ID、题名、异名、责任者、时期、体裁、来源页码、创作与出版时间、出版者、版本、证据说明等核心字段。对《文明小史》《生死场》《骆驼祥子》等作品开展章回和净汉字实算，验证全文处理方法。
-
2026.08.11方法
转入“目录优先”策略
为提高基础覆盖率，决定第一阶段暂停批量填写章回数、故事梗概和字数，优先完成两部基础书目的全量目录；采用近代、现代各20条一批的原书正文页核验方式。v1.47首次突破1000条，达到1010条。
-
2026.08.14方法
突破6000，转入索引反查
v2.73达到6050条。开始利用作者索引、作品索引和书名索引反查正文，处理正文漏录、题名异体和版本关系；v2.87达到6615条，并集中清理现代卷书名索引缺口。
-
2026.08.17数据
第一版目录完成 v3.43
完成现代卷最后8条暂缓线索：新增5条、既有记录覆盖1条、排除OCR残片或非书级项目2条。最终形成7062条记录，其中近代3113条、现代3949条；两部基础书目的人工未匹配池均为0。24项语义检查、20项覆盖检查和5页可视检查全部通过。