可以。最簡單的理解是：
Distant reading 不是「不讀文本」，而是先把閱讀尺度拉遠，找出 corpus 裡的 pattern，再回到局部 close reading。
Voyant Tools 正好是一個很好的入門環境，因為它能讓您在「遠看整體」和「近看句子」之間來回切換。Voyant 官方也正是這樣設計：Cirrus 看宏觀、Trends 看分布、Contexts 回到詞語出現的具體上下文。
最基本操作
進入 Voyant Tools 後，您可以直接貼文字、貼一組網址，或上傳檔案；支援 TXT、HTML、XML、PDF、RTF、Word 等，也可以一次上傳多個文件，甚至用 zip 打包。
最理想的是：不要把五十萬字全部塞成一個文件。若要做 distant reading，應該先把 corpus 切成有意義的單位，例如：
第1講.docx
第2講.docx
……
第16講.docx
甚至更好：
2025-06-01_第一講.txt
2025-06-08_第二講.txt
……
因為 Voyant 的很多功能，本質上是在比較「文件與文件之間的差異」。
載入之後，預設畫面通常有五個主要窗格：
Cirrus、Reader、Trends、Summary、Contexts。而且這些窗格會互相連動：例如在 Cirrus 點一個詞，Trends 和 Contexts 會跟著變。
第一招：Cirrus —— 先問「這批文字在談什麼？」
Cirrus 就是 word cloud。
字越大，代表在 corpus 中出現越頻繁。您可以調整顯示詞數，預設大約 50 個詞，也可以自訂 stopwords。
假設把《自體的心理學 2025》十六講丟進去，第一眼可能看到：
自體
關係
治療
主體
歷史
自然
心理
世界
存在
他者
這還不算研究結果。
真正的第一步，是問：
哪些字太常見，因此沒有區辨力？
例如「就是」「我們」「意思」「所以」「一個」等，都要加入 stopword list。
這一步非常重要。因為 word cloud 最常見的錯誤就是：
頻率高 = 重要。
並非如此。
頻率只是告訴您：
這個詞值得進一步問。
第二招：Corpus Terms —— 不看漂亮圖，看真正的數字
我通常會建議很快離開 Cirrus，進到 Corpus Terms。
這裡會真正列出：
- term
- raw frequency
- relative frequency
- distribution
- TF-IDF 等
Voyant 的 Corpus Terms 可以排序、搜尋，也能設定 stopword list。
例如您發現：
這只是第一層。
真正開始 distant reading，是問：
「歷史」集中在哪幾講？
「自然」是不是後期突然增加？
「主體」是不是逐漸被「生成」取代？
於是就進入下一步。
第三招：Trends —— 看思想在「時間／章節」中的移動
這是我認為對您的材料最有價值的一個工具。
搜索：
自體
關係
歷史
自然
Trends 就會畫出這些詞在每一份文件中的相對頻率。
所以您可能得到：
第一至四講：「自體」極高
五至八講：「關係」升高
九至十二講：「歷史」突然上升
十三至十六講：「自然」「物」「AI」出現
這時 distant reading 開始有真正的人文意義。
因為您看到的可能不是「詞頻」，而是：
思想重心的遷徙。
甚至可能發現一件作者自己不知道的事：
我原本以為「回到自然」從頭到尾都很重要，結果 corpus 顯示，它其實到第十二講以後才真正進場。
這才是 distant reading 的力量。
第四招：Contexts —— 馬上回去 close reading
這一步非常關鍵。
假設您發現「自然」在第十三講暴增。
不要立刻寫：
「作者後期發生自然轉向。」
應該點進 Contexts。
Contexts 是 KWIC——keyword in context，會把每一次出現的關鍵詞，連同左右的文字列出來。預設上下各看幾個詞，也可擴展到更大的窗口。
例如：
……回到自然並不是回到山林……
……自然不是人的療癒資源……
……人必須重新在自然之中退位……
您才會發現：
「自然」雖然都是同一個字，概念可能已經轉變：
nature as environment
→ nature as therapeutic resource
→ nature as ontology
這就是我所謂：
遠讀 → 發現異常 → 近讀 → 解釋異常。
而不是「電腦告訴我答案」。
第五招：Collocates / Links —— 看「一個概念跟誰一起出現」
這是更加有趣的一步。
Voyant 可以找 collocates：某個詞附近經常共同出現哪些詞。官方定義就是：在關鍵詞附近，比較頻繁出現的 terms。
例如查：
自體
可能得到：
關係
治療
疾患
主體
Kohut
再查：
自然
可能得到：
物
世界
動物
人
生態
再查：
AI
可能得到：
演算法
人
主體
技術
後人類
於是您可以開始畫一個概念世界：
自體 ←→ 關係
自體 ←→ 治療
自然 ←→ 物
AI ←→ 演算法
人 ←→ 自然／AI／物
Links 會把這些共現關係視覺化。
這時候我們已經從「詞頻」進入：
conceptual ecology
這一層其實非常接近您所謂「碎片之間互相認識」。
第六招：Phrases —— 看您反覆說哪些「句塊」
這對個人長期 corpus 特別好用。
不是只找：
自體
而是找 recurring phrases，例如：
意思是說
你要理解
回到歷史
回到自然
人的退位
物的歸位
單詞分析常把思想拆得太碎；phrase analysis 反而更接近一個人的思考習慣。
某些短語可能其實是您的「conceptual operators」：
「意思是說」＝轉折／展開裝置
「你要理解」＝建立教學場景
「回到」＝思想運動
「一二三」＝分類機器
這就開始進入 style / rhetoric，而不只是 topic。
一個真正的 distant-reading workflow
若由我操作一個五十萬字 corpus，我不會一上來就跑所有功能，而會依這個順序：
① Corpus → ② stopwords → ③ Corpus Terms → ④ Trends → ⑤ Contexts → ⑥ Collocates → ⑦ 回原文。
可以濃縮成：
COUNT → COMPARE → LOCATE → CONTEXTUALIZE → INTERPRET
這才是完整的 distant reading。
有一個極重要的觀念：不要只看 raw frequency
比如：
第1講 20,000 字，「自然」100 次。
第16講 100,000 字，「自然」200 次。
如果只看 raw count：
200 > 100
好像第16講比較重要。
但換成 relative frequency：
第1講：5 / 1,000 words
第16講：2 / 1,000 words
結論反而相反。
Voyant 的工具本身就提供 relative frequency、文件分布等數值，因此跨不同長度文本比較時尤其重要。
我更建議您做的一個實驗
先不要拿五十萬字。
只拿十六講，每講一個檔案。
輸入 Voyant 後，只追蹤十個詞：
自體
關係
主體
歷史
自然
物
人
治療
AI
生成
然後看 Trends。
我猜很可能會出現一條相當漂亮的思想遷移圖：
Self → Relationality → History → Nature → Thing → Posthuman
若真的出現，那就不只是漂亮圖。
它會提出一個非常具體的研究假說：
《自體的心理學 2025》表面上是十六個主題，
實際結構也許是一個「人的中心性逐步下降」的運動。
然後我們再用 Contexts 去驗證它。
這就是 Moretti 意義下真正有意思的 distant reading：圖不是答案；圖讓一個原本不容易被問出的問題浮現。
Voyant 的另一個優點是 corpus 與目前工具配置可以匯出成連結，方便之後回到同一批文本繼續分析。
如果您願意，我下一步可以直接替您設計一個 「《自體的心理學 2025》Voyant distant-reading 實驗」：包括應該如何切 16 個檔案、20–30 個關鍵詞、中文 stopword 清單，以及第一輪應該驗證的 5 個假說。
