有，而且很多。Distant reading 只是數位人文的一條路；Voyant 也只是其中一件工具。 Stanford CESTA 對 DH 的方法分類，就包括 computational text analysis、GIS、network analysis、machine learning、data visualization、digital edition、computer vision、web scraping 等。
如果要抓住骨架，我會把數位人文重要概念與方法整理成下面十個。
- Corpus building（語料庫建構）
這往往比分析本身更重要。先決定：「哪些文本算進來？哪些不算？如何切分？metadata 怎麼做？」
例如研究二十二年 blog archive，日期、標題、標籤、地點、人物、主題，都可以成為 metadata。真正的問題是：archive 如何變成 corpus？ - Text encoding / TEI（文本編碼）
TEI 是數位人文非常古典、非常重要的基礎。它不是分析詞頻，而是把文本的結構與意義標記出來，例如： <person>Heidegger</person>
<place>民雄</place>
<concept>自體</concept>
- TEI 的目的正是把文本的結構、形式和概念特徵轉成 machine-readable representation。
換句話說，不是把書掃成 PDF，而是告訴機器：「這裡是人名、這裡是引文、這裡是章節、這裡是概念。」 - Stylometry（文體計量）
研究的不是「作者說什麼」，而是：
作者怎麼說。
可以分析： - function words
- 句長
- 詞彙多樣性
- punctuation
- n-grams
- stylistic fingerprints
- 最著名用途是 authorship attribution，例如判斷匿名文本可能由誰所寫。但拿來研究一個人三十年的作品更有趣：
1995 年的「我」和 2025 年的「我」，語言上是不是同一個人？ - Topic modeling（主題模型）
這是 distant reading 中非常重要的一步，但 Voyant 的簡單詞頻做不到。
Topic model 不先告訴機器「佛學」「AI」「政治」是什麼，而是讓演算法根據哪些詞經常一起出現，自動找出潛在 topic。
例如某 topic 可能出現：
物／自然／人／世界／石頭／草木／存在
人再解釋：
這大概是「後人類—自然本體論」群。
重點不是機器「理解主題」，而是：
它發現 lexical constellation。 - Collocation / co-occurrence（共現分析）
這個其實很適合思想史。不是問「自體出現幾次」，而是問：
「自體」旁邊最常出現什麼？
再比較不同年代：
2005：「自體—同理—Kohut」
2015：「自體—關係—主體」
2025：「自體—物—自然—生成」
這樣便可能看到一個概念的語義漂移 semantic drift。 - Network analysis（網絡分析）
這是 DH 的另一根大柱子。
把：
人、書、概念、地點、事件
看成 nodes；關係看成 edges。
例如：
Lacan → 主體
Heidegger → 存有
Guattari → assemblage
民雄 → secure base
AI → algorithmic self
然後分析： - degree centrality
- betweenness
- communities
- clusters
- bridges
- 最有趣的往往不是中心，而是：
誰是兩個思想世界之間的橋？
Stanford 也把 network analysis 列為 DH 的核心方法之一。 - GIS / spatial humanities（空間人文）
把歷史、人文資料放回地理空間。
可以研究：
某作家的生命移動
戰爭難民路線
文學中的城市
宗教廟宇分布
知識傳播路徑
它真正提出的問題不是「在哪裡」，而是：
space 是否本身塑造思想？
《Digital_Humanities》就把 geospatial analysis 與 corpus linguistics、data mining、visualization 並列為 DH 的核心方法。 - Temporal analysis（時間分析）
您可以把它想成「概念的生命史」。
例如畫出：
Kohut ↓
relational ↑
Lacan ↑
自然 ↑↑
AI ↑↑↑
然後找： - emergence
- peak
- decline
- recurrence
- rupture
- 我很喜歡用一個詞：
conceptual biography
一個概念也有出生、盛年、消失、復返。 - Visualization（知識可視化）
不只是做漂亮圖，而是：
用圖來思考。
包括： - timeline
- network graph
- heatmap
- Sankey diagram
- map
- cluster plot
- topic river
- DH 的一個重要轉變，就是把大量運算結果轉化成可探索的視覺結構。
但 Johanna Drucker 的提醒尤其重要：
visualization 不是「真相的透明窗口」。
圖怎麼畫，本身就是 interpretation。 - Critical digital humanities（批判數位人文）
我反而認為這是今天最重要的一層。
問：
誰的資料被保存？
誰的資料消失？
OCR 對哪種文字錯得最多？
classification 是誰制定的？
archive 的沉默是偶然，還是權力造成？
AI embedding 內部帶著什麼歷史偏見？所以數位人文現在早已不只是「算東西」；Gold、Klein 所謂 expanded field，已經包含 digital archives、視覺文化、3D、born-digital scholarship、social media 等廣泛實踐。
還有三個概念，我認為特別值得您記住
第一個是 close reading ↔ distant reading ↔ scalable reading。
最成熟的 DH 其實不是二選一，而是：
corpus
↓
發現 pattern
↓
找異常
↓
回到某一篇
↓
close reading
↓
再回 corpus也就是不斷 zoom in / zoom out。相關數位文本研究也越來越強調把 aggregate view 與 close reading 接起來，而不是把兩者對立。
第二個是 data ≠ given。
Johanna Drucker 喜歡用：
capta
不是「已經存在的 data」，而是：
被我們選取、分類、切割之後才成為資料。
這對精神分析史尤其重要。例如：
「Kohut」「Self Psychology」「自體心理學」
到底算同一個概念還是三個？
這不是電腦問題，是理論問題。
第三個是 modeling。
Willard McCarty 那一路非常重要：
模型不是世界。
模型故意簡化世界。因此好的 DH 研究不是問：
「模型準不準？」
而會再問：
模型在哪裡失敗？
而人文學最有趣的東西，常常就在模型失敗的地方。
所以，如果把整套 DH 畫成一個流程，我會這樣理解：
Archive
↓
Digitization / OCR
↓
Corpus building
↓
TEI / metadata / annotation
↓
Text mining / stylometry / topic modeling
↓
Network / spatial / temporal analysis
↓
Visualization
↓
Close reading
↓
Interpretation
↓
Critique of the model itself這最後一步十分關鍵。
真正成熟的數位人文，不是「用電腦研究人文」，而是「讓計算介入人文詮釋，同時又讓人文反過來質問計算」。 DH 教學與研究現在也已從單純 counting 擴展到 modeling、simulation、networks、visual argument 等方法。
而若把這整套方法放到您那個 二十二年、四萬六千多筆的 blog archive 上，我反而覺得最有意思的不是 word cloud，而會是四樣東西：
concept drift — 一個詞二十年間如何變義
concept network — 哪些概念彼此遇見
rupture detection — 哪一年思想突然轉向
recurrence — 哪些早已消失的碎片，十年後重新回來這便已經不是簡單的 distant reading，而很接近一種：
computational intellectual autobiography
——讓一個人從自己留下的幾萬個碎片中，重新看見一個自己從未完整見過的「思想史」。
- TEI 的目的正是把文本的結構、形式和概念特徵轉成 machine-readable representation。