Стремительное расширение цифровых коммуникационных сред значительно увеличило объём письменных текстовых данных, создаваемых ежедневно. Обеспечение орфографической точности в таких масштабных текстовых потоках стало одной из важнейших задач обработки естественного языка (NLP). Системы автоматического обнаружения орфографических ошибок играют важную роль в повышении качества текста, поддержке изучения языков, улучшении работы поисковых систем и развитии интеллектуального взаимодействия человека и компьютера. Несмотря на то, что технологии исправления орфографии хорошо развиты для языков с богатыми ресурсами, такие морфологически сложные и агглютинативные языки, как узбекский, по-прежнему сталкиваются с серьёзными трудностями из-за сложных процессов словообразования, большого количества аффиксов и фонетических чередований. Данное исследование посвящено изучению теоретических основ, вычислительных подходов и алгоритмических решений для автоматического обнаружения орфографических ошибок с особым вниманием к текстам на узбекском языке. В статье анализируются правила-ориентированные, словарные, статистические и нейросетевые методы, включая алгоритмы расстояния редактирования, вероятностные языковые модели и архитектуры трансформеров. Особое внимание уделяется различению ошибок несуществующих слов и контекстных ошибок реальных слов, которые остаются одной из наиболее сложных проблем автоматической обработки текста. Предлагается гибридная модель, объединяющая лингвистические правила, морфологический анализ и контекстное нейронное моделирование. Для демонстрации работы алгоритма в реальных языковых условиях используются примеры на узбекском языке. Экспериментальное моделирование показывает, что интеграция классических алгоритмов с контекстным глубоким обучением значительно повышает точность обнаружения ошибок и снижает количество ложных срабатываний. Предложенный подход способствует развитию масштабируемых инструментов орфографического анализа для малоресурсных языков и предоставляет методологическую основу для дальнейших исследований NLP в тюркских языках.

The rapid expansion of digital communication environments has significantly increased the amount of written textual data produced daily. Ensuring orthographic accuracy in such large-scale text streams has become a critical task in natural language processing (NLP). Automatic spelling error detection systems play an essential role in improving text quality, supporting language learning, enhancing search engine performance, and facilitating intelligent human–computer interaction. While spelling correction technologies are well developed for high-resource languages, morphologically rich and agglutinative languages such as Uzbek still face substantial challenges due to complex word formation processes, extensive suffixation, and phonetic alternations. This study investigates theoretical foundations, computational approaches, and algorithmic solutions for automatic spelling error detection with particular attention to Uzbek-language texts. The paper analyses rule-based, dictionary-driven, statistical, and neural-network-based methods, including edit distance algorithms, probabilistic language models, and transformer architectures. Special emphasis is placed on distinguishing between non-word errors and real-word contextual errors, which remain one of the most difficult problems in automated text processing. A hybrid framework combining linguistic rules, morphological analysis, and contextual neural modelling is proposed. Uzbek-language examples are incorporated to demonstrate algorithm behaviour under real linguistic conditions. Experimental modelling shows that integrating classical algorithms with contextual deep learning significantly improves detection accuracy while reducing false positives. The proposed approach contributes to the development of scalable orthographic analysis tools for low-resource languages and provides methodological guidance for future NLP research in Turkic languages.