Towards a Relational Model of the Holocaust Geolocalized Approaches to Perpetration, Complicity, and Knowledge

连接点滴的地图

想象一下，你正试图解开一个巨大的全球性谜团，但线索散落在尘封阁楼里成千上万个不同的箱子里。有些线索是火车票，有些是日记，有些是官方政府名单，还有些是幸存者在几十年后讲述的故事。长期以来，历史学家一直擅长阅读这些独立的个体故事——就像一名侦探专注于研究某个人的日记，以理解他们的恐惧或勇气。但有时，仅仅观察一个故事很难看清整个局面的全貌。这就像试图通过只观察一辆车来理解一场大规模的交通拥堵；你知道那辆车被堵住了，但你不知道为什么整个城市的交通网会陷入瘫痪。

本文处于历史学与数字技术的交汇点，具体属于一个被称为“历史网络分析”（Historical Network Analysis）的领域。可以将这一领域想象成一种超级强大的“连点成线”的方法。这种方法不再仅仅是阅读一份名单，而是构建一个巨大的、交互式的网络，其中每一个人、每一个地点、每一个火车站和每一份文件都是一个“节点”（dot），而它们之间的关系则是“边”（edges，连接点的线条）。本文提出了一个宏大的问题：我们能否利用这些数字化的网络，不仅勾勒出大屠杀期间发生了什么，还能描绘出它在哪里发生、谁在附近，以及当时有哪些信息在空气中流动？这是要从“故事书式”的历史观转向“3D地图式”的历史观，帮助我们看到那些在单篇文档中无法察觉的移动、知识与责任的模式。

本文的核心思想：构建历史的数字网络

作者法比安·施密特（Fabian Schmidt）提议使用这些数字网络来研究大屠杀的一种新方法。他指出，虽然个人故事对于理解个体的痛苦至关重要，但它们并不是观察连接跨越时空的加害者、受害者、旁观者及机构的巨大且无形的结构的最佳工具。为了解决这个问题，本文认为我们需要构建“地理定位的历史网络”。

想象一下，将所有零散的线索——火车时刻表、集中营转运名单、工厂记录和幸存者记忆——输入到一个计算机模型中。这个模型不仅仅是列出它们，而是将它们连接起来。它在特定的火车与它经过的小镇之间，或在工厂与它雇佣的工人之间画上线条。通过这样做，该模型可以揭示人类大脑在阅读单本书籍时无法发现的模式。例如，作者分享了一个私人瞬间：他意识到一列著名的运送少女塞特拉·斯坦巴赫（Settela Steinbach）的驱逐列车，距离他在柏林自己的办公室不到一公里（约0.6英里）。虽然这列火车的路线已记载于历史书中，但将其与他所在社区的地图联系起来，突然让这一事件变得真实且迫切。这引发了新的问题：还有多少列火车经过他的社区？当地人看到它们的频率有多高？

本文建议，通过构建这些网络，我们可以创建“知识地图”。这些地图并不会告诉我们某个特定的人在特定的一天确切知道什么（因为这往往无法证实），但它们展示了信息的“环境”。它们可以显示哪些城镇紧邻强迫劳动营，或者哪些火车站有长时间的延误，导致平民可能在那里等待和观察。这就像是在绘制一张信息的“天气图”：我们看不见风，但我们可以看到压力系统，从而判断风暴可能在哪里产生影响。

本文实际在做（以及不做）什么

了解本文并非在主张什么非常重要。作者明确表示，这种方法并不是一个可以取代阅读幸存者证言或传统历史书籍的“魔杖”。事实上，本文反对认为我们可以利用这些模型来断定“这个人知道一切”或“这个人什么都不知道”。模型无法读取思想。

相反，本文认为这些网络是作为现有历史研究的“补充工具”。它提出，通过将碎片化的数据（例如将囚犯名单与铁路路线图以及当地居民的日记结合起来）进行关联，我们可以重建大屠杀的“关系语境”。本文引用了其他领域的例子来说明其运作方式。它提到了一个名为“耻辱之地”（Sites of Shame）的项目，该项目绘制了二战期间日裔美国人的驱逐路线。那张地图显示了一个清晰的模式：大多数人是从加利福尼亚州被转移到中西部的营地，但在战后，他们并没有回到加利福尼亚，而是搬到了东海岸。这种宏观层面的模式隐藏在数千个个体故事之中，但当以网络形式可视化时，便变得显而易见。同样，本文研究了跨大西洋奴隶贸易的地图，这些地图揭示了许多被奴役者是在种植园之间进行内部迁移的，这是一个在一般历史叙述中经常被忽略的细节。

本文明确排除了使用这些模型来简化或“美化”大屠杀惨剧的想法。纳粹本身就使用地图和图表，使他们的种族灭绝看起来像是一场干净、高效的物流运作。本文认为，我们的模型必须反其道而行之：它们必须重新连接那些破碎、混乱且具有人性色彩的片段，以展示真实的复杂性和人类付出的代价。

方法论：从纸张到像素

为了构建这些模型，本文概述了一种称为“实体-关系建模”（Entity-Relationship Modelling）的方法。可以将其想象为一套数字乐高积木。“积木”是实体：人、地点、组织和事件。“连接件”是关系：“被从……驱逐”、“在……工作”、“住在……附近”或“看见”。

作者指出，尽管我们拥有大量数据，但目前它们是分散的。有些在政府档案馆，有些在博物馆数据库，有些则在旧书里。本文建议使用诸如“自然语言处理”（NLP）之类的技术——这基本上是让计算机阅读文本以寻找姓名和日期——来整合这些信息。例如，计算机可以扫描一份日记，找到提到一列火车经过的描述，然后将其与运输时刻表联系起来，以确定发生的精确时间和地点。

然而，作者谨慎地警告说，这并非完美。数据是不完整的，有些故事可能是夸大的或虚假的。作者建议，我们需要非常谨慎地对待纳入模型的资料。我们应该关注那些锚定在特定时间和地点的事件，而不是模糊的传闻。本文还讨论了这项工作的伦理方面。由于数据涉及遭受苦难的真实人物，作者认为我们应该在数据库中使用“假名”（伪名或识别码）来保护他们的尊严，仅在绝对必要且审慎的情况下才公开真实姓名。

未来：看见不可见之物

本文最后指出，这些工具可以帮助我们回答以前难以提出的问题。例如，我们能否绘制出平民居住地距离集中营有多近？我们能否看到驱逐列车在繁忙城镇广场附近停靠的频率？作者想象着这样一个未来：我们可以询问计算机，“在1941年，走进某个特定小镇的酒馆会是什么感觉？”，并根据该地附近发生的网络事件得到一个基于事实的答案，而不仅仅是一个猜测。

虽然本文并不声称已经解开了大屠杀之谜，但它表明“历史网络分析”提供了一种看待证据的新视角。它将一堆互不相干的文件变成了一张活生生的、呼吸着的关联地图。通过这样做，它帮助我们洞察那些“隐形”的共谋结构与知识结构，提醒我们历史不仅仅是日期和名字的列表，而是一个塑造了世界的复杂连接网络。随着目击者一代人的逝去，本文认为，这些数字网络可能是我们理解事件全貌的最佳方式之一，确保人、地点与事件之间的联系永远不会再次丢失。