ПРОЕКТ ПО СОЗДАНИЮ КОРПУСА АКАДЕМИЧЕСКОГО КАЗАХСКОГО ЯЗЫКА

Концепция научного проекта

Основная идея научного проекта заключается в укреплении научно-практического потенциала и возможностей казахского языка в научных текстах – монографиях, статьях, докладах, диссертациях и в других научных работах – в формировании концепции академического казахского языка, в отборе лексики научных текстов на казахском языке, в разработке списка академических слов казахского языка.

Исследования в рамках проекта помогут решить ряд проблем: увеличение количества корпусов на казахском языке; повышение разнообразия корпусов казахского языка; вывод казахского языка на международное пространство посредством цифровых ресурсов; расширение научного потенциала и функциональных возможностей национального языка; ускорение цифровизации гуманитарных наук.

Проект представляет собой междисциплинарное исследование, сочетающее гуманитарные и компьютерные исследования, представляя цифровые гуманитарные науки как совокупность методологических подходов, которые могут быть использованы в корпусной лингвистике.

Цель проекта – восполнить существенный эмпирический пробел в современной исследовательской инфраструктуре для изучения текущего состояния научного казахского языка путем создания академического письменного корпуса современного казахского языка с общим объемом собранных данных не менее 5 000 000 слов, из которых не менее 50 000 слов аннотированы.

Корпус академического казахского языка

Корпус академического казахского языка – это корпус письменных научных текстов. Текущий объем Корпуса академического письменного казахского языка составляет более 25 миллионов токен (Таблица 1).

Таблица 1 – Статистика корпуса академического казахского языка

Показатель	Значение
Общее количество текста	2887
Общее количество токенов	25 487 465
Общее количество предложений	1 267 045

При сборе и отборе академических текстов для корпуса предполагалось сохранение разнообразия данных. Поэтому корпус включал различные типы академических текстов, научные статьи, монографии, диссертации, доклады, абстракты, учебники, учебные пособия, и аннотации. Все тексты были опубликованы в период с 2000 по 2024 год. Названия типов академических текстов приводятся в полном и сокращенном виде на казахском и английском языках. Сокращенные английские названия включены в систему именования данных (Таблица 2).

Таблица 2 – Типы академических текстов

На казахском	На английском	Аббревиатура
монография	monograph	monogr
диссертация	dissertation	diss
выпускная работа	graduate paper	gradpr
статья	article	artic
тезис	thesis	thesis
учебник	textbook	txtbk
учебное пособие	textbook1	txtbk1
абстракт	abstract	abst
доклад	conference paper	confp
аннотация	annotation	annot

Все тексты, включенные в академический корпус, представляют собой академические письменные работы, опубликованные в Казахстане. Корпус не содержит образцов устной речи. Академический корпус казахских письменных работ включает 12 дисциплин гуманитарных и языковых и литературных наук согласно Реестру программ высшего и послевузовского образования Министерства науки и высшего образования Республики Казахстан. Названия дисциплин приведены в полном и сокращенном виде на казахском и английском языках. Сокращенные английские названия включены в систему именования данных (Таблица 3).

Таблица 3 – Названия и аббревиатуры дисциплин

На казахском	На английском	Аббревиатура
Гуманитарные науки
История	History	HIST
Археология және этнология	Archeology and ethnology	AE
Востоковедение	Oriental studies	ORTS
Философия	Philosophy	PHILG
Тюркология	Turkic studies	TURKS
Филология	Philology	PHIL
Религиоведение	Religious studies	RELS
Теология	Theology	THEOL
Исламоведение	Islamic studies	ISS
Музейная работа и охрана памятников	Museum work and protection of monuments	MWPM
Языки и литература
Лингвистика	Linguistics	LING
Литературоведение	Literature	LITER

Для сбора и отбора данных для академического корпуса были установлены определенные критерии. Эти критерии были тщательно продуманы и установлены в процессе планирования и разработки корпуса. По первому критерию, данные для академического корпуса должны были быть собраны из отечественных научных публикаций. То есть научные работы, опубликованные на казахском языке в зарубежных изданиях, не отбирались. Второй критерий – данные должны представлять собой письменные работы носителей казахского языка. Например, переведенные версии абстрактов не собирались, поскольку, учитывая, что язык текстов таких абстрактов может быть языком перевода, не являющимся родным казахским языком (если статья написана на русском или английском языке, абстракт переводятся на казахский), они не отбирались для корпуса. Еще один критерий – журналы, в которых были опубликованы научные статьи, должны быть включены в Список публикаций, утвержденный Научным комитетом Министерства науки и высшего образования. Статьи, опубликованные в научных, научно-популярных и других журналах, не включенных в этот список, не учитывались при отборе. Аналогичным образом были учтены монографии, учебники и учебные пособия, опубликованные решениями Учебно-методических или научных советов высших учебных заведений и научно-исследовательских центров, а также издательствами высших учебных заведений Казахстана. Монографии, учебники, учебные пособия, диссертации и аннотации были собраны из открытого интернета. Трудности возникли при сборе и обработке текстов первых трех типов. Поскольку эти книги обрабатываются издательствами в определенном формате, возникли сложности с преобразованием печатных текстов в машиночитаемый формат. Следующим критерием является уделение пристального внимания правильному сбору данных и их электронному машиночитаемому формату. Важно помнить, что правильное форматирование текстов влияет на точность и корректность других лингвистических и технических работ, выполняемых на основе корпуса, например, при составлении списков ключевых слов. Процесс сбора данных и его этапы были подробно описаны в Методической инструкции, разработанной в рамках научного проекта. Еще одним критерием сбора данных было требование, чтобы все публикации датировались периодом с 2000 по 2024 год. Этот временной промежуток, охватывающий приблизительно два десятилетия, был тесно связан с целью исследовательского проекта: академический корпус призван отражать состояние современного казахского научного языка. В то же время он позволяет проводить различные виды деятельности на основе академического корпуса, например, исследователи могут проводить научные исследования, отбирая научные тексты, опубликованные в определенный период или временной интервал.

Наряду со сбором данных проводилась их обработка. Данные были переведены из форматов PDF и Word в формат TXT. Затем данные были преобразованы в формат Unicode UTF-8. Некоторые изображения, таблицы и другие иллюстрации в текстах были удалены и отображены с разметками. Библиографии и списки литературы в академических текстах были удалены.

Корпус был создан с использованием сбалансированного или селективного подхода к построению. В процессе проектирования и планирования создания корпуса был определен и утвержден объем данных. При выборе данных для корпуса учитывался равный или схожий объем текстов, собранных из каждой дисциплины. Также учитывался тот факт, что корпус представляет определенный временной период (2000-2024). Если эти условия соответствуют сбалансированному или селективному подходу к построению, мы планируем увеличить объем корпуса в будущем. В этой связи предполагается возможность использования подхода с мониторным корпусом, то есть возможность дополнения корпуса данными с течением времени.

Публикации по теме научного проекта

Научные статьи:

Г.Ә. Сәрсеке. Корпус лингвистикасы терминдерін қазақ тілінде қалыптастыру және біріздендіру // Вестник Торайгыровского университета. Филологическая серия. – 2024. – № 3. – С. 322-333. https://doi.org/10.48081/ZRHT9356

Г.Ә. Сәрсеке, Б.Е. Акмагамбетова, Ж.Қ. Сентірбек. Академиялық корпус және оны қазақ тілінде әзірлеудің өзектілігі мен маңыздылығы // Вестник государственного университета им. Ш. Уалиханова. – Филологическая серия. – 2025. – №2. – С. 213-227. DOI: 10.59102/kufil/2025/iss2pp213-227

Ж.М. Қоңыратбаева. Қазақ тілінің академиялық корпусын әзірлеу: мақсаты, міндеті, маңызы (гуманитарлық ғылымдар бағытында) // Вестник Карагандинского университета. Серия «Филология». – 2025. – 3(119). – С. 213-227. https://doi.org/10.31489/2025Ph3/88-98

Г.Ә. Сәрсеке. Сигнал зат есімдер: академиялық қазақ тілінің корпусы негізінде зерттеу // Известия Казахского университета международных отношений и мировых языков имени Абылай хана”, серия “Филологические науки”. – 2025. – Nо. 4 (79). – С. 346-359. https://doi.org/10.48371/PHILS.2025.4.79.024

Г.Ә. Сәрсеке. Академиялық дискурстағы деп аталатын синтаксистік құрылымды корпус негізінде талдау // Вестник Карагандинского университета. Серия «Филология». – 2026. – 1(121). – С. 59-68. https://doi.org/10.31489/2026PHI1/59-68

Г.Ә. Сәрсеке, Б. Е. Акмагамбетова. Академиялық дискурс: есімдіктердің қолданыс ерекшеліктері // Вестник университета Торайгыров. Филологическая серия. – 2026. – № 1. – С. 487-504. https://doi.org/10.48081/BGQF1769

Научные доклады:

Г.Ә. Сәрсеке, А.Е. Хопур, Ж.Қ. Сентірбек. Корпус лингвистикасын пән ретінде айқындау мәселесі / «Қазақ тіл біліміндегі ғылыми зерттеудің бағыттары, әдіснамасы мен әдістемесі». Материалы Республиканской научно-практической конференции, посвященной 95-летию со дня рождения Габдоллы Калиева, ученого, доктора филологических наук, профессора, академика Академии социальных наук Республики Казахстан. – Алматы: Казахский национальный университет имени Абая, издательство «Улагат», 2024. – С. 85-87.

Sarseke G.A, A.E. Khopur, M.Sh. Kurmanali. Design and development of an academic written corpus of Kazakh: challenges and potential perspectives / Moving Central Asian Studies ever further: Orthodox vs Unorthodox approaches” / European Society for Central Asian Studies (ESCAS) conference, June 12-15 2025, Tashkent, Samarkand, Uzbekistan.

Учебники:

Г.Ә. Сәрсеке. Корпус лингвистикасы: учебник. Астана: «Булатов А.Ж.» ЖК, 2026. – 238 с.

Словари:

Cəрсеке Г.Ə. Sarseke G.A. Академиялық кілт сөздер тізімдері: Академиялық жазбаша қазақ тілінің корпусы | Academic Key Word Lists: Academic Written Kazakh Corpus. Astana: «Булатов А.Ж.» ЖК, 2026. – 132 с. (p.)

Авторские свидетельства:

СЕРТИФИКАТ о внесении информации в государственный реестр прав на объекты, защищенные авторским правом

9 декабря 2025 г. № 65097. Сәрсеке Гүлнәр Әдебиетқызы. Академиялық кілт сөздер тізімдері: Академиялық жазбаша қазақ тілінің корпусы (АЖҚК). Сөздік / Academic Key Word Lists: Academic Written Kazakh Corpus (AWKC). — Dictionary