Ғылым мен білім берудің бүгінгі даму сатысында ақпараттық технологияларды қоғамның барлық саласында кеңінен қолдану ісі кезек күттірмейтін өзекті мәселелердің біріне жатады. Осы орайда Мемлекет басшысы Қасымжомарт Кемелұлы Тоқаев 2020 жылғы 1 қыркүйектегі «Жаңа жағдайдағы Қазақстан: іс-қимыл кезеңі» атты Қазақстан халқына Жолдауында: «Цифрландыруды ұлттық бәсекеге қабілеттілікке қол жеткізудің басты құралы» дей келе, «азаматтардың сауаттылық деңгейін, олардың цифрлық білімін арттыру қажеттілігін, сонымен қатар 2021 жылғы 1 қыркүйектегі «Халық бірлігі және жүйелі реформалар – ел өркендеуінің берік негізі» атты Қазақстан халқына Жолдауында: «Қазіргі заманда бәсекеге қабілеттіліктің басты факторының бірі – барынша цифрландыру. ... Біз еліміздің орасан зор ақпараттық-телекоммуникациялық әлеуетін іске асыра білуге тиіспіз», – деп атап көрсетті.
Мемлекет басшысының тапсырмаларын орындау мақсатында, Қазақстан Республикасының мемлекеттік тілі – қазақ тілінің мемлекеттік статусын, қоғамдық қызметін күшейту, қолданыс аясын кеңейту үшін оны әлемдік тіл білімінің ақпаратттық технология кеңістігіне шығару қажеттігі күн тәртібінен маңызды орын алды.
ХХІ ғасырдағы ақпараттық технологияның қарқынды дамуы ғылымның барлық салаларын цифрландыруды қажет етті. Қазіргі кездегі әлеуметтік қызметтердің барлық түрі, хат алмасу, ақпарат алмасу және т.б. ұялы телефондар арқылы орындалатын заманда, қағаз формадағы кітапты оқудан гөрі, қажетті ақпаратты әлеуметтік желілерден іздеу үрдіс алды.
Осы ретте жаратылыстану салаларында ғана емес, гуманитарлық салалар өнімдерін де замана сұранысына сай әзірлеу әрі бүгінгі ғылым-білімнің жетістіктерінің арқасында адамдардың өмір сүру формасын жеңілдету, оңтайландыру мүмкіндіктерін қарастыру қажеттігі туды. Ұлттық корпустар жасау мәселесі де әлемдік тіл білімінде әсіресе осындай лингвистикалық зерттеулер жүргізу мен практикалық құралдар жасаудың таптырмас құралы ретінде ХХ ғасырдың аяқ шенінде күрт дамыған болатын. Осылайша, Корпус жасаудың аса маңыздылығы мен қажеттігі туындап, алғашқы болып, 1963 ж. АҚШ-та Браун корпусы жасалды.
Бастапқыда бұл корпустың көлемі 1 млн. сөзқолданыстан тұрып, оның құрамында әрбіреуі 2 мың сөзқолданысқа тең 500 мәтін қамтылған. Алайда тілдік зерттеулерді сапалы жүргізу тек ауқымды тілдік материалдар негізінде ғана жүзеге асатындығы біліне бастады. Осыдан корпустарға қойылатын көлемділік шарты туындады.
Корпустық лингвистиканың ағылшын тіл білімінде кең өркен жаюын ғалымдар АҚШ-та компьютерлік техника мен ХХ ғасырдың 60-80 жылдары британ лингвистикасындағы интеллектілік ахуалдың белсенді дамуымен түсіндіреді. Осы кездерде тілдік зерттеулердің ең көп бөлігі компьютерленген мәтіндік корпустарға лингвистикалық талдау жүргізуге бағытталған-ды. Мұндай зерттеулердің нәтижесі 2001 жылы Бирменгем университетінде корпустық лингвистика кафедрасын ашуға және International Journal of Corpus Linguistics (Корпустық лингвистиканың халықаралық журналын) баспадан шығарып тұруға мүмкіндік туғызды. Бірнеше тілдің материалдары бойынша құрастырылған, түрі мен қызметі жағынан ерекшеленетін корпустар және солардың негізінде неше түрлі сөздіктер түзіліп, грамматикалар жазылды.
Қазақ тіл білімінде Тәуелсіздік алуымызбен байланысты ғылым салалары да кең қанат жая бастады. Тіл білімі саласында тілді адам факторы тұрғысынан зерттеу тіл мүмкіндігін жаңа көкжиектерге көтерді. Антропоөзектік парадигмадағы когнитивтік лингвистика, психолингвистика, функционалды лингвистика салаларымен қатар тілді математика, информатика салаларымен сабақтастықта зерттейтін Қолданбалы/Компьютерлік лингвистика саласы да дами бастады.
Қазақ тіл білімінде статолингвистика саласы 1970 жылдары белгілі математик ғалым Қалдыбай Бектаевтың жетекшілігімен және профессор Асқар Жұбанов, Аманкеш Зекенова, Алмасбек Белботаев және т.б. статист ғалымдарымыздың жиілік сөздіктер құрастыру тәжірибесінен басталады.
Институтымыздың Қолданбалы лингвистика бөлімінде көп жылдар бойы меңгерушілік қызмет атқараған профессор Асқар Құдайбергенұлы Жұбанов Қолданбалы лингвистика саласының Статолингвистика, Формалды модельдеу, Компьютерлік лингвистика сияқты салалары бойынша зерттеулер жүргізе жүріп, Қазақ тілінің ұлттық корпусын жасау қажеттігін ертеден-ақ көре білді.
Мұны ғалым А.Жұбановтың: «Әлемдік корпустық лингвистиканың даму сипаты – ұлттық толық мәтіндерді арнайы зерттеу нысаны етіп алуды қажет етуде. Қазақ мәтіндерінің стилдік, құрылымдық, мағыналық, функционалдық және т.б. сипаттарын анықтау өзекті мәселелердің бірі болып отыр. Сондықтан автоматтанған қазақ тіліндегі мәтіндер корпусының компьютерлік базасын құру да ғылыми және практикалық жағынан аса құнды мәселе», – деуінен көреміз.
А.Жұбанов Қолданбалы лингвистика бөлімінің зерттеу бағытын осы мәселеге бұрды. Қазақ тілінің ұлттық корпусын жасау ісін орталықтандыру керек деген үндеу тастап, бұл туралы «Ана тілі» газетіне көлемді мақала жариялады және бұл туралы Ғылым комитетіне арнайы хат жолдаған болатын.
ҚТҰК жасаудың алғашқы қадамдары тікелей А.Қ.Жұбановтың жетекшілігімен жүзеге асты. Морфологиялық белгіленімдерді мәтінге қолдап қою ісіне С.Құлманов басшылық жасады. Атап айтқанда, 2009-2011 жылдары:
- қазақтың белгілі жазушылары А.Құнанбаев, М.Әуезов, Ә.Кекілбаев, М.Мағауин, М.Мақатаев шығармаларынан алынған таңдама мәтіндер (көркем стиль) бойынша мәтіндік бірліктерге (150 000 сөзқолданыс) «қолдап» (ручная разметка) морфологиялық белгіленімдер қойылып, корпус базасына енгізілді.
Осы аз көлемдегі база негізінде корпусқа енгізілген басқа да мәтіндерге морфологиялық белгіленім жасалды. Алайда «қолдап» енгізілген морфологиялық белгіленім қойылған база көлемі аз болғандықтан, мәтіндерге морфологиялық белгіленімдерді автоматты түрде қоя алатын морфологиялық анализатор жасау қажеттігі туды. Бұл морфологиялық анализатор корпусқа енгізілген мәтіндерді автоматты түрде түбір мен қосымшаға бөліп, олардың сөз табына қатысын және сөз формаларының түрленімін (грамматикалық/морфологиялық) сипаттау қажет еді.
Осы ретте «Қазақ әдеби тілінің аннотацияланған ұлттық корпусы» (2012-2014) атты тақырып ұсынылып, осы кезеңде ф.ғ.д., проф. А.Қ.Жұбанов, ф.ғ.д. А.Ә.Жаңабекованың ғылыми жетекшілігімен морфологиялық анализатор жұмысын жүзеге асыру үшін:
- 15-томдық «Қазақ әдеби тілінің сөздігінің» (2011ж.) барлық томдары бойынша реестр сөздер біртомдық «Қазақ сөздігіндегі» (2013ж.) сөздермен толықтырылып және олардың сөз табына қатысын көрсетететін грамматикалық белгіленімдер тексеріліп, реттеліп, қазақ тіліндегі негізсөздер сөздігінің (реестр) электрондық базасы жасалды;
- қазақ тіліне тән әрбір сөз табы үшін құрастырылған сөзөзгертуші (сөзтүрлендіруші) қосымшалардың компьютерлік базасы жасалды.
Мұнымен қоса базада сөзөзгертуші/түрлендіруші қосымшалар құрылымы алдын ала грамматикалық деңгейде белгіленді. Әрбір сөзөзгертуші/түрлендіруші қосымшаға қысқартылған түрде белгіленімнің шартты белгісі жазылды, яғни сөзөзгертуші қосымшаларға қысқарту арқылы грамматикалық белгіленімдері көрсетілді. Жекеленген сөз таптарының сөзөзгертуші/түрлендіруші аффикстерінің тізімі А.Жұбановтың негіз сөздер үшін соңғы дыбыстарының аяқталуына (дауысты, дауыссыз, қатаң, ұяң және т.б.) қарай құрастырылған кестелері бойынша жасалды;
- аталған негіз сөздер базасы мен түрленім қосымшаларының морфологиялық белгіленім базасы негізінде туындатылған сөзформалар базасы жасалды;
- негізсөздер (реестр) мен түрленім қосымшалар кестесі арқылы туындатылған сөзформалар базасы негізінде корпус мәтіндеріне немесе кез келген көлемдегі таңдама мәтінге автоматты түрде грамматикалық белгіленім қоятын морфологиялық анализатор жасалды. (әзірлемешілер – А.Жаңабекова, бағдарламашы – Қ.Қойбағаров, кейін (2020 жылдан бері жетілдірген бағдарламашы – Ғ.Аязбаев)
- Ономастика бөлімі қызметкерлері шығарған қазақ тіліндегі антропонимдер мен топонимдер сөздіктері корпусқа енгізіліп, программа осы тізім бойынша корпус мәтіндерінде кездесетін онимдерге антропоним не топоним екендігін көрсете алатын болды.
Корпус, ең алдымен, лингвистикалық зерттеулер үшін қажетті көлемді массивті мәтіндер болып табылады. Зерттеу жұмыстарының белгілі бір жүйе бойынша жүргізілетіні белгілі. Өйткені тіл – қарым-қатынас құралы, қолданыс аясы өте кең күрделі жүйе болғандықтан, тілдік зерттеулер белгілі автор шығармалары бойынша немесе белгілі бір кезеңде жарық көрген көркем не баспасөз немесе тарихи ескерткіштер бойынша, сол сияқты белгілі бір жанр, стиль немесе белгілі бір тақырып, мәселе бойынша тарам-тарам болып жіктеліп кете береді. Осындай әртарапта шашылып жатқан материалдарды корпус жадына жай ғана енгізбей, белгілі бір жүйеге бағындырып енгізсе, зерттеу жұмыстарының да тиімді орындалуына орасан зор ықпал етеді. Осы ретте Қолданбалы лингвистика бөлімі корпусқа енгізілетін мәтіндерді метамәтіндік (экстралингвистикалық) ақпаратпен қамтамасыз ету қажеттігін ескере келе, әлемдік корпустардағы метамәтіндік ақпарттар енгізу тәжірибесін зерттеу және оны қазақ тілінің корпусына енгізу мақсатында «Қазақ тілінің ұлттық корпусындағы метамәтіндік белгіленімдердің ұстанымдары» (2015-2017) атты ғылыми жобаны ұсынып, 6 миллион сөзқолданыстан тұратын мәтіндерге метабелгіленімдер енгізді. Мәтіндер поэзия және қазақ тілінің 5 стилінен жинақталды.
а) көркем проза (1 миллион сөзқолданыс);
ә) поэзия (1 миллион сөзқолданыс);
б) ғылыми-гуманитарлық мәтіндер (1 миллион сөзқолданыс);
в) публицистикалық мәтіндер (1 миллион сөзқолданыс);
г) ресми (іскери) стиль мәтіндері (1 миллион сөзқолданыс);
д) сөйлеу стилі (1 миллион сөзқолданыс) т.б.;
- әлемдік тіл біліміндегі метабелгіленімдер қоюдың теориялық және практикалық әдіс-тәсілдері зерттеліп, оларды Қазақ тілінің ұлттық корпустарына енгізудің тиімді әдістері айқындалды; нәтижесінде метабелгіленім қоюдың жартылай автоматты компьютерлік бағдарламасы (9 параметрмен) жасалды;
- жоғарыда аталған 5 стильден таңдалып алынған мәтіндерге метабелгіленімдер (мәтін авторы; мәтін атауы; мәтіннің жазылған уақыты мен жері; мәтіннің көлемі; мәтін типі; мәтін дереккөзі т.б.) енгізілді;
- Қолданбалы лингвистика бөлімінің 6 миллион сөзқолданыстан тұратын қазақ тілінің 5 стилінен алынған «Қазақ тілінің мәтіндер корпусы» сайты (89.250.84.132) жасалды;
- зерттеу тәжірибесі бойынша «Корпустық лингвистика» (автор А.Жұбанов, А.Жаңабекова) монография (ISBN 978-601-7293-43-7) /оқу құралы жарық көрді.
- фонетикалық белгіленімнің буынға бөлу нұсқаулығы жасалып, ізделген сөзді автоматты түрде буынға бөлетін компьютерлік бағдарлама корпусқа енгізілді.
2015 жылы Тіл білімі институтының бір топ қызметкерлерінің қатысуымен «Қазақ тілінің ұлттық корпусын қалыптастырудың негізгі факторлары, Қазақстан Республикасындағы тілдердің үштұғырлы идеологиясына сәйкес коммуникативтік және тұтастырушылық қызметін арттыру» атты ғылыми жобасы бойынша корпус жұмыстарын жетілдіру бойынша төмендегідей нәтижелер алынды:
онбестомдық «Қазақ әдеби тілінің сөздігіндегі» реестр сөздер түсіндірмелері/дефинициялары корпус базасына енгізілді; Осы түсіндірме сөздік базасы арқылы Корпуста ізделген сөздің лексикалық мағыналары беріліп тұрады.
Қолданбалы лингвистика бөлімінде орындалған морфологиялық белгіленімдер «қолдап» енгізілген мәтіндер базасы негізінде морфо-семантикалық белгіленімдер (дара, күрделі, түбір, туынды, салт, сабақты, т.б.) қою бағдарламасы жасалды;
корпустан ізделген сөзді түбір мен қосымшаға ажырататын (лемматизация) және автоматты түрде морфологиялық және морфо-семантикалық белгіленім қоятын, сонымен қатар сөздер дефинициясы берілетін «Қазақ тілінің қанатқақты корпусы» атты сайт (А.Фазылжанованың мұрындық болуымен) жасалып, іске қосылды.
2016 жылы А.М.Фазылжанова Э.Сүлейменованың кеңесшілігімен «Қазақ тілінің ұлттық корпусын» әзірлеу концепциясын жазып, ҚР Білім және ғылым министрлігіне жолдады [14]. Нәтижесінде:
2016 жылы Тіл білімі институтының сол кездегі директорының ғылым жөніндегі орынбасары ф.ғ.к. А.М.Фазылжанованың ғылыми жетекшілігімен «Қазақ тілінің ұлттық корпусын әзірлеу және жасау» ғылыми жобасы Тіл білімі институты және әл-Фараби атындағы Қазақ ұлттық университетінің «Жалпы тіл білімі және еуропа тілдері» кафедрасының оқытушыларының (ғылыми кеңесші проф. Э.Д.Сүлейменова) қатысуымен жүзеге асырылды. Бұл кезеңде:
- Қазақстандағы электрондық мәтіндер базасы бар мемлекеттік мекеме, ұйымдардан бастапқы мәтіндік қор жинақталды. Қазақ тілінің ұлттық корпусын әзірлеу жобасының Қазақстан Республикасы Үкіметінің 2014 жылғы 21 қарашадағы № 1223 қаулысымен бекітілген «Қазақстан халқы Ассамблеясының жылын және Қазақстан Республикасы Конституциясының 20 жылдығын ұйымдастыру және өткізу жөніндегі ұлттық іс-шаралар жоспарына» енгізілуінің арқасында осы бастапқы мәтіндік қорды жинақтау ісі Қазақстан Республикасы Президенті Әкімшілігі Қазақстан халқы Ассамблеясы Хатшылығының сектор меңгерушісі Нәзипа Ыдырысқызы Шанаидің тікелей тапсырмасымен жүзеге асырылды.
- стильдер бойынша метамәтіндік белгіленім қоюдың лингвистикалық нұсқаулығы мен 23 параметрден тұратын компьютерлік бағдарламасы жасалып, корпусқа енгізілді;
- лексика-семантикалық белгіленім бағдарламасын жасауға қажетті қазақ тіліндегі сөздердің лексика-семантикалық топтарының тізімі жинақталды (профессор Б.Момынованың жетекшіліген);
«Латынграфикалы жаңа ұлттық әліпби негізінде қазақ жазуын жаңғыртудың ғылыми-лингвистикалық базасын әзірлеу» атты бағдарламалық-нысаналы зерттеу аясындағы 3.2 тапсырма (тапсырмаға жауапты: А.Ә.Жаңабекова) (Мемлекеттік тілдің ақпараттық-инновациялық базасы ретіндегі қазақ тілінің корпустық ресурстарын жаңа латын графикасында әзірлеу және жасау) бойынша:
2018 жылы – 2 млн. сөзқолданыстан тұратын көркем мәтіндер;
2019 жылы – 2 млн. сөзқолданыстан тұратын оқулық мәтіндері;
2020 жылы – 2 млн. сөзқолданыстан тұратын ғылыми мәтіндер және 2 млн. сөзқолданыстан тұратын публицистикалық мәтіндер жоспарланып, Қолданбалы лингвистика бөлімінің ғылыми қызметкерлері корпус базасына 2018 жылы 23 параметрмен метабелгіленім қойылған 2 млн. сөзқолданыстан тұратын көркем мәтіндерді, 2019 жылы әртүрлі ғылым салалары бойынша пән оқулықтары мәтінін, 2020 жылы 2 млн сөзқолданыстан тұратын публицистикалық мәтіндер мен 2 млн. сөзқолданыстан тұратын ғылыми мәтіндерді жинап, метамәтіндік белгіленімдер енгізді.
Бұл кезеңде корпус қазақ жазуын латын әліпбиіне көшіру арқылы реформалау бойынша бекітілген акут негізді латын әліпбиімен конвертор бағдарламасын қолданып, кирилше мәтіндерді автоматты түрде латынға көшіріп, латын қарпімен де іздей алды. Келешекте Корпусты латын графикасына да ауыстыруға мүмкіндіктер жасалды.
ҚТҰК жасау ісі Институттағы ғылыми жобалар аясынан бөлек, магистрлік диссертациялар деңгейінде де жүзеге асырылды.
Магистрлік жұмыстар аясында (Диссертация жетекшісі: А.Ә.Жаңабекова): 1) сөзжасамдық белгіленім (Пірманова Күнсұлу) әзірлемесінің сынама нұсқасы жасалды.
Корпуста сөзжасамдық қосымшалар базасы арқылы анализатор туынды түбір сөздердің жасалу тәсілдері мен жасалу жолдары туралы ақпарат береді. Алайда кейбір жағдайда омоним, омограф формалардың, яғни сөзтүрлендіруші қосымшалармен, сол сияқты сөзтудырушы омографтармен астас келіп, қате көрсету мәселесі әлі шешіліп жатыр.
2) Магистрлік диссертация (А.Мурсал) аясында қазақ тіліндегі күрделі етістіктер сөздігінің (түсіндірмесі берілген) базасы жасалған. Алдағы уақытта бұл база арқылы морфологиялық анализатор күрделі етістіктерді жеке сыңарларға бөлмей, біртұтас бірлік ретінде сипаттайтын болады.
Фразеологизмдер белгіленіміне қажетті фразеологизмдер базасы І.Кеңесбаевтың «Фразеологиялық сөздігі» мен «Қазақ әдеби тілінің түсіндірме сөздігі» материалдары негізінде жасалды. Фразеологизмдер/тұрақты тіркестер базасы арқылы конкордансқа шыққан сөйлемдердің ішінен фразеологизмдер айырықшаланып және тінтуірмен көрсеткенде, мағынасы шығып тұрады.
А.Мейірбекова (ғылыми жетекші – А.Фазылжан) корпустағы омонимдерді ажырату мәселесі бойынша магистрлік диссертация қорғады. Осы жұмыста анықталған омоним ажырату алгоритмдері алдағы уақытта корпус бағдарламасына енгізуде бастам болмақ.
2020 жылы Тіл білімі институтының директоры А.М.Фазылжанның басшылығымен корпус сайтының дизайны мен интерфейсі толық жаңартылып, qaz.corpus домен атауымен қалың көпшілік пайдалануына ұсынылды. (сайт әзірлемешілері: М.Нұрлан, Ғ.Аязбаев, Д.Тоқмырзаев).
16.08.2020 – Әрбір ішкорпустан метабелгіленімдер бойынша іздеу жүйесі жетілдірілді.
19.08.2020 – Компьютерлік бағдарламаның түбір сөздерді ғана емес, олардың түрленген формалары бойынша да мысал табу мүмкіндігі қарастырылып, сөзформадан іздеу ұяшығы қосылды.
25.08.2020 – Ізделген сөз бойынша табылған деректер статистикасын шығару мүмкіндігі қамтамасыз етілді.
26.11.2020 – Пайдаланушыға қажетті сөзді іздеу бойынша мәтінді көшірудің программалық жолдары жасалды.
2020 жылы грамматикалық қосымшалар бойынша іздеу бағдарламасы жасалды.
2021-2022 жылдарға арналған «Мемлекеттік тілді латынграфикалы ұлттық әліпбиге көшіруді қамтамасыз ететін жаңартылған нормативтік сөздіктер мен академиялық басылымдар сериясын әзірлеу» атты бағдарламалық нысаналы қаржыландыру жобасы бойынша да ҚТҰК-ның мәтіндік базасы Қолданбалы лингвистика бөлімінің міндеттері негізінде толықтырылды.
2021 жылы публицистика мен көркем мәтіндер бойынша бөлім қызметкерлері мен институттағы өзге қосымша орындаушылар көмегімен 7 миллионнан астам сөзқолданыстан тұратын мәтіндерге метабелгіленім енгізіліп, корпус базасына салынды.
05.10.2021 – Корпус мәтіндерінің сөзформаларының реестр тізімі және реестр сөздер бойынша іздеу (поиск) жасалды.
2022 жылы Институт «Мемлекеттік тілдің ақпараттық-инновациялық базасы ретіндегі Қазақ тілінің ұлттық корпусын әзірлеу: ғылыми-зерттеу және оқыту интернет-ресурсы» (2022-2023 жж.) атты бағдарламалық нысаналы қаржыландыру жобасын (ғылыми жетекшісі – А.Фазылжан) орындауды қолға алды. Бұл жоба ҚТҰК-ның ішкорпустарын жасауға мүмкіндік берді. Бұл ретте:
18.10. 2022. – «Қазақ тілінің аймақтық сөздігі» материалдары негізінде Қолданбалы лингвистика бөлімінің орындауымен Диалектілік ішкорпус әзірленіп, корпусқа салынды (сөзқолданыс саны – 350 мың), (ішкорпус жетекшісі – А.Жаңабекова);
05.05.2022 – Терминология және Қолданбалы лингвистика бөлімінің қызметкерлері қатысуымен көркем әдебиет және ісқағаз стильдері бойынша қазақша-орысша мәтіндер теңестіріліп, әзірленген Параллель ішкорпус ҚТҰК базасына енгізілді (сөзқолданыс саны – 2 миллион), (ішкорпус жетекшісі С.Құлманов);
10.10.2022 – Тіл тарихы бөлімі қызметкерлері араб, латын графикасымен жазылған ХI–XX ғғ. жазба мұралары бойынша Тарихи ішкорпус әзірледі. (сөзқолданыс саны – 1 миллион). (ішкорпус жетекшісі – А.Сейтбекова);
02.05.2023 – Қазақ тілінің ауызша корпусы Ахметтану, Тіл мәдениеті және Фонетика бөлімі қызметкерлерінің қатысуымен әзірленді. Бұл ретте қазақ тілінің ауызша тілінен аудиожазбалар жинақталып, олардың сөзжазбасы қағазға түсірілді (орфография), сондай-ақ сөйлеуші және норма орфоэпиясы беріліп, оларға академик З.Базарбаеваның кеңесшілігімен просодикалық белгіленімдер енгізілді. (сөзқолданыс саны – 1 миллион). (ішкорпус жетекшісі – Қ.Күдеринова, С.Бейсенхан);
Ауызша сөз мәтіндеріне орфографиядан орфоэпияға автоматты түрде аударым жасайтын «Орфоэпиялық конвертор» бағдарламасы іске қосылды;
18.05.2023 – Оним түрлері бойынша іздеу жасайтын және лингвомәдени ақпараттар берілген Ономастикалық корпус әзірлемесі жасалып, Ұлттық корпус базасына енгізілді (ішкорпус жетекшісі – Д.Пашан).
2023-2024 жылдарға арналған «Мәдени-репрезентативті және жарнама мәтіндерінің ішкорпустарын әзірлеу» атты бағдарламалық нысаналы қаржыландыру жобасы бойынша (ғылыми жетекші –А.Жаңабекова):
28.05.2023 – Қазақ тілінің мәдени-репрезентативті мәтіндер ішкорпусы жасалып, онлайн қызметі іске қосылды (ішкорпус жетекшісі – Э.Өтебаева);
29.05.2023 – А.Фазылжанның идеясы бойынша Этнолингвистика бөлімі әзірлеген мәдени-семантикалық белгіленімдер Мәдени-репрезентативті корпус базасына енгізілді. Бұл ретте Н.Уәлидің мәдени семантиканы ашу әдістемесі басшылыққа алынды. Мультимедиялық корпус бастамы болатын бейнежазбалар (видеоролик) салынды.
20.05.2023 – Академик Ә.Қайдардың этнолингвистикалық түсіндірмесі берілген мақал-мәтелдер мен осы әдіспен Институт магистранттарының «Ұлттық паремиологиялық қор: генезисі және прагматикасы» пәнін оқу барысында әзірлеген Мақал-мәтелдер ішкорпусы ҚТҰК базасына қосылды. (ішкорпус жетекшісі – А.Жаңабекова).
13.09.2023 – Ахмет Байтұрсынұлы мәтіндерінің ішкорпусы әзірленіп, Ұлттық корпус базасына енгізілді. (Ахметтану бөлімі, ішкорпус жетекшісі – Қ.Күдеринова);
25.05. 2023 – Қазақ тіліндегі көше, көлік, сауда орындары, Бақ, интернет жарнамалары мәтіндері қамтылған Жарнама корпусы әзірленді. (ішкорпус жетекшісі – Г.Исаева).
2023-2024 жж. «Қазақ мәтінін автоматты тану: лингвистикалық модульдер мен IT-шешімдер әзірлемесі» атты бағдарламалық нысаналы қаржыландыру (ғылыми жетекшісі – А.Фазылжан) жобасы бойынша:
28.09.2023. – Оқу корпусының алғашқы сынама нұсқасы әзірленді (ішкорпус жетекшісі – А.Жаңабекова).
19.01.2024 – Жазушылар ішкорпусы ҚТҰК базасына енгізілді. (ЖТН BR21882249 «Мәдениетаралық коммуникация құралы ретіндегі Қазақ тілінің ұлттық корпусын (ҚТҰҚ) жетілдіру және оның ішкорпустарын кеңейту» атты (2023-2025) бағдарламалық-нысаналы қаржыландыру жобасы бойынша орындалды) (ішкорпус жетекшісі – А.Әмірбекова).
05.02.2024 - Параллель ішкорпусқа іскери стиль бойынша теңестірілген мәтіндер енгізілді.
10.05.2024 – Фразеологизмдер ішкорпусы әзірленді. (ЖТН BR21882227 «Жаңа Қазақстан контекстінде тілдік сананы жаңғыртудың лингвистикалық құралдары мен әзірлемелерін жасау» (2023-2025) атты бағдарламалық-нысаналы қаржыландыру жобасы бойынша орындалды) (ішкорпус жетекшісі – А.Жаңабекова).
22.08.2024 - Қысқартырылған өлке атауларының толық атауы беріліп, Диалектологиялық ішкорпус базасы жаңартылды.
6.09.2024 – А.Фазылжанның жетекшілігімен Қазақ тілінің ұлттық корпусы сайты жаңа дизайнға ауыстырылып, интерфейсі жетілдірілді. (корпус сайтын жаңа дизайнға көшіруші бағдарламашылар – Н.Қайранбаев, М.Сағитжан).
12.09.2024 – Тарихи-поэтикалық ішкорпус дайындалып, корпус базасына қосылды. (ЖТН BR21882249 «Мәдениетаралық коммуникация құралы ретіндегі Қазақ тілінің ұлттық корпусын (ҚТҰҚ) жетілдіру және оның ішкорпустарын кеңейту» (2023-2025) атты бағдарламалық-нысаналы қаржыландыру жобасы бойынша орындалды) (ішкорпус жетекшісі – А.Сейтбекова).
25.09.2024 – Ономастикалық корпус базасы жаңартылды. (ЖТН BR21882249 «Мәдениетаралық коммуникация құралы ретіндегі Қазақ тілінің ұлттық корпусын (ҚТҰҚ) жетілдіру және оның ішкорпустарын кеңейту» (2023-2025) атты бағдарламалық-нысаналы қаржыландыру жобасы бойынша орындалды).
2.10.2024 - Мақал-мәтелдер ішкорпусына тақырыптық-семантикалық топтар бойынша іздеу ұяшығы қосылды. (ЖТН BR21882227 «Жаңа Қазақстан контекстінде тілдік сананы жаңғыртудың лингвистикалық құралдары мен әзірлемелерін жасау» (2023-2025) атты бағдарламалық-нысаналы қаржыландыру жобасы бойынша орындалды) (ішкорпус жетекшісі – А.Жаңабекова).
2.10.2024. – Заманауи поэтикалық ішкорпус әзірленді. (ЖТН BR21882249 «Мәдениетаралық коммуникация құралы ретіндегі Қазақ тілінің ұлттық корпусын (ҚТҰҚ) жетілдіру және оның ішкорпустарын кеңейту» (2023-2025) атты бағдарламалық-нысаналы қаржыландыру жобасы бойынша орындалды) (ішкорпус жетекшісі – А.Аманбаева).
8.10.2024 – Оқу ішкорпусына омонимі ажыратылған мәтіндер базасы енгізілді. (ЖТН BR18574183 «Қазақ мәтінін автоматты тану: лингвистикалық модульдер мен IT-шешімдер әзірлемесі» (2023-2024) атты бағдарламалық-нысаналы қаржыландыру жобасы бойынша орындалды) (жоба жетекшісі – А.Фазылжан, ішкорпус жетекшісі – А.Жаңабекова).
16.10.2024 – Терминологиялық ішкорпус мәтіндері жинақталып, ҚТҰК базасына енгізілді. (ЖТН BR21882249 «Мәдениетаралық коммуникация құралы ретіндегі Қазақ тілінің ұлттық корпусын (ҚТҰҚ) жетілдіру және оның ішкорпустарын кеңейту» (2023-2025) атты бағдарламалық-нысаналы қаржыландыру жобасы бойынша орындалды) (ішкорпус жетекшісі – С.Құлманов).
18.11.2024 – Әртүрлі жазба жұмыстарынан (диктант, эссе, мазмұндама, емтихан жауаптары, оқулық, газет, әлеуметтік желі) қателер жинақталды. Қате түрлері (орфографиялық, пунктуациялық, грамматикалық, стилистикалық, лексикалық, техникалық, когнитивтік) бойынша сұрыпталып, негіздемелері жасалып, ҚТҰК сайтына жеке ішкорпус (Қателер ішкорпусы) ретінде орналастырылды. (ЖТН BR24993244 «Қазақ тілі ұлттық корпусын Smart-мәтіндер мегажобасы және қазақтілді жасанды интеллект негізі ретінде жетілдіру, ішкорпустарын әзірлеу» атты (2024-2026) бағдарламалық-нысаналы қаржыландыру жобасы бойынша орындалды) (жоба жетекшісі – А.Фазылжан, ішкорпус жетекшісі – А.Жаңабекова және А.Омарова).
09.12.2024 – Бір мәтіннің қазақ, ағылшын, түрік, өзбек, ұйғыр, әзербайжан тілдеріндегі нұсқаларын қатар көрсететін дерекқор жинақталған Алты тілді параллель ішкорпус әзірленді. (ЖТН BR24993244 «Қазақ тілі ұлттық корпусын Smart-мәтіндер мегажобасы және қазақтілді жасанды интеллект негізі ретінде жетілдіру, ішкорпустарын әзірлеу» атты (2024-2026) бағдарламалық-нысаналы қаржыландыру жобасы бойынша орындалды). (жоба жетекшісі – А.Фазылжан, ішкорпус жетекшісі – А.Мурсал).
17.03.2025 – Ағылшынтілділерге қазақ тілін үйретуге арналған интерактивті оқу ішкорпусы – Learner’s Corpusтың интерфейсі әзірленді. (ЖТН BR24993244 «Қазақ тілі ұлттық корпусын Smart-мәтіндер мегажобасы және қазақтілді жасанды интеллект негізі ретінде жетілдіру, ішкорпустарын әзірлеу» атты (2024-2026) бағдарламалық-нысаналы қаржыландыру жобасы бойынша орындалды) (жоба жетекшісі – А.Фазылжан, ішкорпус жетекшісі – Н.Рсалиева және Е.Шынатай).
7.04.2026 – «ЖТН BR21882227 «Мәдениетаралық коммуникация құралы ретіндегі Қазақ тілінің ұлттық корпусын (ҚТҰК) жетілдіру және оның ішкорпустарын кеңейту» (2023-2025) атты бағдарламалық-нысаналы қаржыландыру жобасы» аясында Интернет мәтіндері корпусы әзірленді (көлемі - 100 миллион сөзқолданыс). (әзірлемешілер: М.Сағитжан, Е.Айдарбаев).
7.04.2026 - «ЖТН BR21882227 «Мәдениетаралық коммуникация құралы ретіндегі Қазақ тілінің ұлттық корпусын (ҚТҰК) жетілдіру және оның ішкорпустарын кеңейту» (2023-2025) атты бағдарламалық-нысаналы қаржыландыру жобасы» аясында Генерацияланған мәтіндер ішкорпусы әзірленді (көлемі - 50 миллион сөзқолданыс). (әзірлемеші-бағдарламашы: Ғ.Аязбаев).