АКАДЕМИЯЛЫҚ ҚАЗАҚ ТІЛІ КОРПУСЫН ҚҰРУ ЖОБАСЫ

Ғылыми жобаның тұжырымдамасы

Жобаның негізгі идеясы – қазақ тілінің академиялық мәтіндердегі – монографиялар, мақалалар, баяндамалар, тезистер, абстрактылар және диссертациялардағы – ғылыми және қолданыстық әлеуеті мен мүмкіндіктерін бекемдеу, академиялық қазақ тілі ұғымын орнықтыру, қазақ тілінде академиялық мәтін лексикасын іріктеу, қазақ тілінің академиялық сөздер тізімін әзірлеу.

Жоба зерттеуі мынадай бірқатар проблемаларды шешуге көмектеседі: қазақ тіліндегі корпустардың санын арттыру; қазақ тілді корпустардың түрлілігін арттыру; қазақ тілін цифрлық корпустар арқылы халықаралық кеңістікке шығару; ұлттық тілдің ғылыми әлеуетін және функционалдық мүмкіндіктерін кеңейту; гуманитарлық ғылымдарды цифрландыруды жеделдету.

Жоба гуманитарлық зерттеулер мен компьютерлік зерттеулерді ұштастыра отырып, цифрлық гуманитарлық ғылымдарды корпус лингвистикасында қолдануға болатын әдіснамалық тәсілдемелер жиынтығы ретінде ұсынатын пәнаралық зерттеу болып табылады.

Жобаның мақсаты – жинақталған деректердің жалпы көлемі кемінде 5 000 000 сөзден тұратын, оның кемінде 50 000 сөзі аннотацияланған қазіргі қазақ тілінің академиялық жазбаша корпусын енгізу арқылы ғылыми қазақ тілінің қазіргі қалпын зерттеудің заманауи ғылыми-зерттеу инфрақұрылымындағы маңызды эмпирикалық олқылықты толтыру.

Академиялық қазақ тілі корпусы

Академиялық қазақ тілі корпусы – жазбаша ғылыми мәтіндерден тұратын корпус. Академиялық жазбаша қазақ тілі корпусының (АЖҚК) қазіргі көлемі 25 миллионнан астам токеннен тұрады (Кесте 1).

Кесте 1 – Академиялық қазақ тілі корпусының статистикасы

Көрсеткіш	Мән
Жалпы мәтін саны	2887
Жалпы токен саны	25 487 465
Жалпы сөйлем саны	1 267 045

Корпусқа академиялық мәтіндерді жинауда және іріктеуде деректердің әртүрлілігі (вариация) шартын сақтау көзделді. Сол себепті корпусқа академиялық мәтіндердің әр түрі, ғылыми мақала, монография, диссертация, абстракт, баяндама, аннотация, оқулық, оқу құралы, тезис, қамтылды. Барлық мәтіндер 2000-2024 жылдар аралығында жарық көрген. Академиялық мәтін түрлерінің атаулары қазақ және ағылшын тілдерінде толық және қысқартылған атаулармен берілді. Қысқартылған ағылшын тіліндегі атаулары деректерді атау конвенциясына кірді (Кесте 2).

Кесте 2 – Академиялық мәтін атаулары және аббревиатуралары

Академиялық мәтін түрлері
қазақша	ағылшынша	аббревиатурасы
монография	monograph	monogr
диссертация	dissertation	diss
бітіру жұмысы	graduate paper	gradpr
мақала	article	artic
тезис	thesis	thesis
оқулық	textbook	txtbk
оқу құралы	textbook	txtbk1
абстракт	abstract	abst
баяндама	conference paper	confp
аңдатпа (аннотация)	annotation	annot

Академиялық корпусқа енгізілген барлық мәтіндер Қазақстанда жарық көрген академиялық жазбаша жұмыстар болып табылады. Корпуста сөйлеу тілінің үлгілері жоқ. Академиялық жазбаша қазақ тілінің корпусы ҚР Ғылым және жоғары білім министрлігінің Жоғары және жоғары оқу орнынан кейінгі білім беру бағдарламаларының тізіліміне сәйкес Гуманитарлық және Тілдер мен әдебиет ғылымдарындағы 12 пәнді қамтиды. Ол пәндердің атауы қазақ және ағылшын тілдерінде толық және қысқартылған атаулармен берілді. Қысқартылған ағылшын тіліндегі атаулары деректерді атау конвенциясына кірді (Кесте 3).

Кесте 3 – Пән атаулары және аббревиатуралары

Пән атаулары
Гуманитарлық ғылымдар
қазақша	ағылшынша	аббревиатурасы
Археология және этнология	Archeology and ethnology	AE
Тарих	History	HIST
Исламтану	Islamic studies	ISS
Мұражай ісі және ескерткіштерді қорғау	Museum work and protection of monuments	MWPM
Шығыстану	Oriental studies	ORTS
Филология	Philology	PHILG
Философия	Philosophy	PHIL
Дінтану	Religious studies	RELS
Теология	Theology	THEOL
Түркітану	Turkic studies	TURKS
Тілдер және әдебиет
Лингвистика	Linguistics	LING
Әдебиеттану	Literature	LITER

Академиялық корпусқа деректерді жинауда және іріктеуде белгілі бір критерийлер белгіленді. Бұл критерийлер корпусты жоспарлау және жобалау кезеңінде жан-жақты ойластырылып, белгіленді. Бірінші критерий бойынша академиялық корпустың деректері отандық ғылыми зерттеу басылымдарынан жиналуы қажет. Яғни шетел басылымдарында қазақ тілінде жарық көрген ғылыми еңбектер іріктелген жоқ. Екінші критерий, деректер қазақ тілін ана тілі ретінде меңгергендердің жазбаша жұмыстары болуы қажет. Айталық, абстрактылардың аударылған нұсқалары жиналған жоқ, себебі ондай абстрактылар мәтіндерінің тілі табиғи қазақ тілінде жазылмаған аударма тіл болуы мүмкін екендігі ескеріліп (мақала орыс тілінде немесе шет тілінің бірінде жазылған болса, абстрактылар қазақ тіліне аударылады), олар корпусқа іріктелмеді. Келесі бір критерий – ғылыми мақалалар жарияланған журналдардың Ғылым және жоғары білім министрлігінің Ғылым комитеті бекіткен басылымдар Тізбесінде болуы. Бұл тізбеге енбеген ғылыми, ғылыми-көпшілік және басқа да журналдарда жарыққа шыққан мақалалар іріктеуге кірмеді. Сол сияқты монографиялар, оқулықтар мен оқу құралдарының жоғары оқу орындарының және ғылыми зерттеу орталықтарының Оқу-әдістемелік немесе Ғылыми кеңестерінің шешімдерімен және Қазақстандағы жоғары оқу орындарының баспаларынан жариялануы ескерілді. Монографиялар, оқулықтар, оқу құралдары, диссертациялар мен аннотациялар ашық дүниежүзілік веб желісінен жиналды. Алғашқы үш түрінен мәтіндер жинауда және өңдеуде қиыншылықтар кездесті. Ол кітаптар баспалардан белгілі бір пішімде өңделіп шығатындықтан, баспа мәтіндерін машинамен оқылатын пішімге түсіруде қиындықтар кездесті. Келесі критерий, деректердің дұрыс жиналуына және олардың электронды машинамен оқылатындай пішімде болуына мұқият көңіл бөлу. Себебі корпус негізінде орындалатын басқа да лингвистикалық және техникалық жұмыс әрекеттерінің, мысалы кілт сөздер тізімдерін әзірлеудің, дәлді әрі дұрыс нәтижелеріне мәтіндердің дұрыс рәсімделуі әсер ететінін есте ұстау маңызды. Деректерді жинау процесі және оның кезеңдері жоба аясында әзірленген Әдістемелік нұсқауда қадам-қадаммен жазылып көрсетілді. Деректерді жинауға қойылған тағы бір критерий – барлық жарияланымдардың уақыт мерзімінің 2000-2024 жылдар аралығында болуы. Уақыт мерзімінің шамамен екі онжылдықты қамтуы ғылыми жобаның мақсатымен тығыз байланысты болды: академиялық корпус қазіргі қазақ ғылыми тілінің қалпын көрсетуді мақсат етеді. Сонымен бірге бұл академиялық корпусқа негізделе жүргізілетін әртүрлі әрекеттердің орындалуына, айталық зерттеушілерге белгілі бір мерзімде не мерзімдер аралығында жарық көрген академиялық мәтіндерді таңдай отырып ғылыми зерттеулер жүргізуге мүмкіндік береді.

Деректер жиналумен бірге, оларды өңдеу жұмыстары жасалды. Деректер pdf және word пішімдерінен txt пішіміне аударылды. Кейіннен деректер Unicode UTF-8 пішіміне ауыстырылды. Мәтіндердегі кейбір суреттер, кестелер және тағы басқа кескіндер алынып тасталды және олар белгілеулермен көрсетілді. Академиялық мәтіндердегі библиографиялар, әдебиеттер тізімі алынып тасталды.

Корпус тепе-тең немесе іріктеу конструкция тәсілдемесімен құрылды. Корпус құру ісін жобалау және жоспарлау кезеңінде деректердің көлемі анықталып, бекітілді. Корпусқа деректерді іріктеу фреймінде әр пәннен жиналған мәтіндердің көлемінің тепе-тең немесе шамалас болуы ескерілді. Сондай-ақ іріктеу фреймінде корпустың белгілі бір уақыт кезеңін (2000-2024 жж.) танытуы ескерілді. Бұл шарттар тепе-тең немесе іріктеу конструкция тәсілдемесіне сәйкес болса, болашақта корпустың көлемін толықтырып отыру мақсатымыз бар. Бұл тұрғыдан монитор корпус тәсілдемесін қолдану мүмкіндігі болжанып отыр, яғни корпусты деректермен уақыт өткен сайын толықтырып отыру мүмкіндігі бар.