Балжан Канаткызы Камыза, докторант
г. Алматы
Balzhan Kamyza, Doctoral Student
Almaty
Тыныштык Нурдаулетовна Ермекова, автор-корреспондент, доктор филологических наук, профессор
г. Алматы
Tynyshtyk Yermekova, Corresponding Author, Doctor of Philology, Professor
Almaty
Гульнар Амангельдиевна Ескермесова, доктор философии (PhD)
г. Алматы
Gulnar Yeskermessova, Doctor of Philosophy (PhD)
Almaty
Статья посвящена актуальной проблеме современной компьютерной лингвистики и NLP – исследованию способности крупных языковых моделей (LLM) распознавать этнокультурные коды и национальномировоззренческие пласты казахского языка. Актуальность исследования обусловлена тем, что основным пробелом в существующих системах перевода на базе искусственного интеллекта является неспособность адекватно распознавать этнокультурные единицы. Кроме того, наблюдается дефицит исследований в данной области и растет спрос на создание моделей ИИ, адаптированных к переводческой эрратологии и способных точно передавать культурные смыслы. Цель исследования – выявление когнитивных механизмов обработки казахских соматических этнографизмов (жүрек жалғау, бауырымдау, аузына түкірту и др.) в системах ChatGPT, Gemini и Claude, а также классификация семантических отклонений (аберраций) в цифровой среде. В работе использован комплекс методов: когнитивное моделирование, лингвокультурный анализ и сравнительно-экспериментальный метод. В качестве эмпирической базы отобраны соматические этноединицы из классических произведений А. Кекилбаева, М. Ауэзова, Т. Алимкулова и Т. Ахтанова. Для проверки чувствительности моделей к контексту были разработаны двухэтапные (лексические и контекстно-прагматические) лингвистические промпты. Результаты экспериментального анализа показали, что системы ИИ при интерпретации казахских этносоматических кодов часто допускают такие ошибки, как «прагматическая инверсия», «лингвокультурная деритуализация» и «денотативный буквализм». В моделях были выявлены явления подмены сакральных смыслов западными этическими нормами и когнитивная инертность. Ценность работы заключается в том, что в ней впервые на материале казахского языка в когнитивно-семантическом аспекте рассмотрена этнокультурная дезадаптация генеративных приложений (ChatGPT, Gemini, Claude). Практическая значимость результатов исследования определяется возможностью их применения для специализированной настройки моделей ИИ (fine-tuning) на основе этнографической базы данных казахского языка, а также для повышения качества машинного перевода.
The article is devoted to a pressing issue in modern computational linguistics and NLP – investigating the ability of Large Language Models (LLMs) to recognize ethnocultural codes and national worldview layers in the Kazakh language. The relevance of this study is driven by the fact that the primary limitation in current AI-based translation systems lies in their inability to correctly identify ethnocultural units, combined with a scarcity of research in this field and a growing demand for AI models adapted to translation erratology capable of accurately conveying cultural meanings. The purpose of the study is to identify the cognitive mechanisms underlying the processing of Kazakh somatic ethnographisms (zhürek zhalgau, bauyrymdau, auzyna tükirtu, etc.) across ChatGPT, Gemini, and Claude systems, as well as to classify semantic deviations (aberrations) in the digital environment. The study employs a set of methods, including cognitive modeling, linguocultural analysis, and comparative-experimental techniques. The empirical base comprises somatic ethnounits extracted from the classical literary works of A. Kekilbayev, M. Auezov, T. Alimkulov, and T. Akhtanov. To test the models' context sensitivity, two-stage (lexical and context-pragmatic) linguistic prompts were developed. The experimental analysis results demonstrated that AI systems are frequently prone to errors such as “pragmatic inversion,” “linguocultural deritualization,” and “denotative literalism” when interpreting Kazakh ethnosomatic codes. The models exhibited phenomena of replacing sacred meanings with Western ethical norms and cognitive inertia. The value of the study lies in its being the first to examine the ethnocultural maladaptation of generative applications (ChatGPT, Gemini, Claude) from a cognitive-semantic perspective using Kazakh language material. The research findings possess practical significance for the specialized fine-tuning of AI models using the Kazakh language's ethnographic database and for improving machine translation quality.
The authors declare that there are no conflicts of interest present.