新华书店古典小说价格联盟近期完成了新一轮古典小说数字化整理工作。这次的重点，是白话短篇类作品的全文标注与版本比对。我们发现，这类文本的数字化难度，其实不亚于文言小说——白话短篇中夹杂大量口语、俗语和方言词，OCR识别误差率一度高达23%。为此，我们制定了严格的质量管控方案，确保最终数据能用于学术研究和读者检索。

核心整理流程

数字化整理分为三步：文本采集、细颗粒度标注、交叉校核。第一步，我们从联盟内多家出版社的底本中，挑选了白话长篇与白话短篇的早期刻本，优先使用扫描清晰度在300dpi以上的版本。第二步，由技术团队编写正则规则，对公案小说人情、神怪小说、英雄小说等子类进行关键词自动标记。例如，“包拯”“阎罗”这类词自动归入公案或神怪类别。第三步，引入双人独立校核机制，每个段落至少有两名编辑比对，差异点需三方会审确认。

常见难点与对策

实际工作中，方言词和缺笔字是最大障碍。比如白话短篇《卖油郎独占花魁》中的“那厮”，不同刻本写作“那廝”或“那斯”，需结合上下文统一。我们建立了方言词库，目前覆盖12个方言区的600余条规则。对于文言小说中常见的通假字，则采用动态映射表，每次OCR后自动替换为现代标准字。英雄小说里大量兵器名和招式名，我们单独建了术语库，防止“青龙偃月刀”被OCR识别为“青龙偃月万”。

• 文本层：保留刻本中的异体字，但生成注释说明。
• 语义层：对公案小说人情描写中的对话，标注说话人与情感倾向。
• 版本层：记录每处修订的底本来源与校勘理由。

案例：冯梦龙“三言”系列

以新华书店古典小说价格联盟整理的《喻世明言》为例。该集包含40篇白话短篇，风格横跨公案小说人情与神怪小说。我们选了明代衍庆堂刻本作为底本，发现其中第12卷《众名姬春风吊柳七》有多处“盍”字，在清代重刻本中被改为“何”。团队依据上下文和音韵学知识，认定“盍”为明代口语“为何”的省写，遂保留原字并加注。这个决策避免了过度现代化，也保留了白话短篇的原始语言风貌。整理后的文本在联盟内部测试中，检索准确率从78%提升至94%。

此外，英雄小说如《水浒传》的数字化，我们用了相似方法。但英雄小说中大量战争场面描述，需额外处理数字“一二三”与“壹贰叁”的混用问题。我们开发了启发式算法，根据上下文判断数字是否代表军力规模或武器数量，误判率控制在3%以内。

这套方案目前已在联盟内20家出版社试用，反馈显示文言小说的整理效率提升了40%，白话长篇与白话短篇的版本差异发现率提高了55%。未来我们计划引入众包审校，让读者也能参与公案小说人情、神怪小说等类别的逐段校验，进一步降低错误率。新华书店古典小说价格联盟将持续迭代这套质量管控体系，为古典文学数字化提供可参考的行业标准。