ФОРМАЛЬНЫЕ И НЕЙРОННЫЕ ПОДХОДЫ К МОРФОЛОГИЧЕСКОМУ АНАЛИЗУ В АГГЛЮТИНАТИВНЫХ ЯЗЫКАХ: ДАННЫЕ КАЗАХСКОГО ЯЗЫКА

Автоматты морфологиялық талдау агглютинативті тілдер үшін әрдайым күрделі мәселе болып табылады, себебі мұндай тілдер бай сөзтүрлендіру жүйесіне, өнімді сөзжасамға және күрделі морфофонологиялық ережелерге ие. Қазіргі заманғы нейрондық модельдер, әсіресе трансформерге негізделген архитектуралар, жоғары эмпирикалық нәтижелер көрсетуде. Алайда олар көбінесе лингвистикалық айқындықтың жеткіліксіздігімен сипатталады және төмен ресурсты жағдайларда жүйелі жалпылауда қиындықтарға тап болады. Бұл зерттеуде төмен ресурсты агглютинативті морфологияның үлгісі ретінде қазақ тілі негізінде морфологиялық талдауға арналған формалды (ережеге негізделген және ақырлы автоматтар) және нейрондық (KazBERT негізіндегі) тәсілдерге салыстырмалы және интегративті талдау ұсынылады. Алдымен түбір-аффикс құрылымын, сингармонизмді және морфотактикалық шектеулерді айқын сипаттайтын формалды морфологиялық модель ұсынылады. Одан кейін морфологиялық дизамбигуация мен таңбалау үшін бірнеше нейрондық архитектуралар, соның ішінде CRF-негізіндегі декодтаумен біріктірілген KazBERT моделі зерттеледі. Дәстүрлі дәлдік метрикаларымен қатар, қателердің жан-жақты типологиясы мен лингвистикалық талдау жүргізіліп, әртүрлі модельдер морфологиялық көпмәнділікпен, сирек сөзформалармен және ұзын аффикс тізбектерімен қалай жұмыс істейтіні қарастырылады. Нәтижелер нейрондық модельдердің таза ережеге негізделген жүйелерге қарағанда беткі дәлдігі жоғары болғанымен, морфологиялық тұрғыдан күрделі және сирек құрылымдарда тұрақты әлсіз тұстарға ие екенін көрсетеді. Ал формалды модельдер тілдік шектеулерге сүйене отырып, неғұрлым сенімді жалпылауды қамтамасыз етеді. Осы нәтижелерге сүйене отырып, нейрондық шығарылымға символдық шектеулерді енгізетін гибридті морфологияны ескеретін архитектура ұсынылады. Бұл тәсіл әртүрлі бағалау жағдайларында нәтижелерді тұрақты түрде жақсартады. Зерттеу агглютинативті тілдер үшін сапалы морфологиялық талдау жүргізу нейрондық көріністерді үйрену мен айқын лингвистикалық құрылымды біріктіруді талап ететінін көрсетеді. Алынған нәтижелер бір ғана тілмен шектелмей, төмен ресурсты ортадағы морфологияға сезімтал NLP үшін кең ауқымды маңызға ие.

1. Marquard C. Neural morphological tagging for Nguni languages. In Proceedings of the Sixth Workshop on African Natural Language Processing (AfricaNLP 2025) / C. Marquard, S. Mawere, F. Meyer // Association for Computational Linguistics. – 2025. – Р. 210-220. https://aclanthology.org/2025.africanlp-1.31.

2. Stenlund M. Surface-level morphological segmentation of low-resource Inuktitut using pre-trained large language models. In Proceedings of the Joint 25th Nordic Conference on Computational Linguistics and 11th Baltic Conference on Human Language Technologies (NoDaLiDa/Baltic-HLT 2025) / M. Stenlund, H. Myneni, M. Riedel // University of Tartu Library. – 2025. – Р. 688-696. https://aclanthology.org/2025.nodalida-1.69.

3. Research on morphological knowledge-guided low-resource agglutinative languages-Chinese translation / G. Abudouwaili et al // Complex & Intelligent Systems – 2025. https://doi.org/10.1007/s40747-025-01780-5.

4. Developing a hybrid morphological analyzer for low-resource languages / M. Supriya et al // Applied Sciences. – 2025. – № 15(10). – Р. 5682. https://doi.org/10.3390/app15105682.

5. Baitenova L. Hybrid artificial intelligence architectures for automatic text analysis and computational morphology / L. Baitenova // Frontiers in Artificial Intelligence. – 2025. – № 8. – Р. 1708566. https://doi.org/10.3389/frai.2025.1708566.

6. Yazar B.K. Improving low-resource Kazakh-English and Turkish-English neural machine translation using transfer learning and part-of-speech tags / B.K. Yazar, E. Kiliç, // IEEE Access. – 2025. – № 13. – Р. 32341-32356. https://doi.org/10.1109/ACCESS.2025.3542491.

7. Belth C. Meaning-informed low-resource segmentation of agglutinative morphology. In Proceedings of SCiL 2024. ACL Anthology.

8. Aitim A. Developing methods for automatic processing systems of Kazakh language / A. Aitim // KazATC Bulletin. – 2024. – № 133(4). – Р. 254-265. https://doi.org/10.52167/1609-1817-2024-133-4-254-265.

9. Aitim A. Building a high-quality annotated corpus for Kazakh NLP: a pipeline approach / A. Aitim // Vestnik KazUTB. – 2025. – vol. 4, № 29. https://doi.org/10.58805/kazutb.v.4.29-1092.

10. QNLP – Full Kazakh NLP Suite GitHub repository. Retrieved from https://github.com/Aigerimhub/qnlp.

11. A. Aitim QazNLP: Constraint-Aware Multi-Task Sequence Labeling for Morphologically Rich Low-Resource Languages / A. Aitim // in IEEE Access. – 2026. – vol. 14. – Р. 70955-70974. https://doi.org/10.1109/ACCESS.2026.3691193.

12. Aitim A. LLM-Assisted Weak Supervision for Low-Resource Kazakh Sequence Labeling: Synthetic Annotation and CRF-Refined NER/POS Models / A. Aitim // Applied Sciences. – 2026. – № 16(8). – Р. 3632. https://doi.org/10.3390/app16083632.