Adabiyoti universiteti

Ma’lumotlarni  yig‘ish  hamda  saralash.    Til  korpusi  yaratishda  ularning 

manbasi sifatida raqamlangan, mualliflari esa raqamlanmagan holdagi matnlardan 

foydalaniladi.  Albatta,  bu  matnlar  uchun  birinchi  manba  allaqachon  raqamlanib 

bo‗lingan  internet  olamidir.  Chunki  aynan  internet  korpus  uchun  titan  matnlar 

---

48 

 

majmuidir.  Birinchi  navbatda  shuni  unutmaslik  kerakki,  bular    albatta,  veb-

sahifada  va  boshqa  internet  kanallarida:  electron  pochta,  ICQ  va  boshqa 

messenjerlardagi  muloqotlar,  ijtimoiy  to‗rlardagi  chatlar  va  boshqalarda    aylanib 

yuradigan  katta  hajmdagi  matnlardir.  Agar  tuzilayotgan  korpuslar  mavzusi  va 

maqsadi  qamrab  ololsa,  electron  holdagi  boshqa  manbalardan  ham  foydalanish 

mumkin.  Ovozli  ma‘lumotlarni  kompyuter  dasturlariga  kiritish  mumkin  bo‗lsa 

(korpus og‗zaki bo‗lgan taqdirda),  mazkur til korpusi juda qiziq bo‗ladi.