Modellierung rechtlicher Unsicherheit im Eigentum von KI-generierten Inhalten: Ein bayesianischer Netzwerkansatz zur Zuteilung geistiger Eigentumsrechte

Zusammenfassung

Diese Studie präsentiert einen auf dem Bayes'schen Netzwerk basierenden Workflow zur Analyse des Eigentums an KI-generierten Inhalten unter rechtlichen und technischen Unsicherheiten. Durch den Einsatz von KI-Rechtsstreitigkeiten, Urheberrechtsdatensätzen und Rahmenmodellen unterstützen Faktoren wie menschlicher Beitrag, Verträge, Rechtmäßigkeit von Trainingsdaten und KI-Autonomie transparente, interpretierbare und szenariobasierte Entscheidungsfindung in Streitigkeiten über geistiges Eigentum.

Zusammenfassung

Die rasche Einführung generativer künstlicher Intelligenz hat Einschränkungen in traditionellen Rahmenwerken für geistiges Eigentum, die auf menschlicher Urheberschaft basieren, offengelegt und Unsicherheiten bei der Eigentumszuschreibung geschaffen. Diese Studie schlägt einen auf dem Bayesschen Netzwerk basierenden Workflow vor, um das Eigentum an KI-generierten Inhalten unter rechtlichen und technischen Unsicherheiten zu analysieren. Der Workflow integriert Datensatzkuratierung, Variablenannotation, probabilistische Abhängigkeitsmodellierung, Inferenzgenerierung, Kreuzvalidierung und Sensibilitätsanalyse, um Zusammenhänge zwischen Faktoren wie menschlichem Beitrag, der Rechtmäßigkeit von Trainingsdaten, vertraglichem Kontext und KI-Autonomie zu bewerten. Das Framework wurde mit annotierten Fällen entwickelt, die aus einem kuratierten KI-Prozessdatensatz, öffentlich zugänglichen Gerichtsmeinungsdatenbanken und KI-Urheberrechts-Falltrackern stammen. Eine Sensibilitätsanalyse wurde durchgeführt, um den Einfluss rechtlicher und technischer Variablen auf die Eigentumszuschreibung in verschiedenen Szenarien zu untersuchen. Der vorgeschlagene Rahmen unterstützt probabilistische und interpretierbare Argumentation für KI-bezogene Streitigkeiten um geistiges Eigentum und bietet einen strukturierten Entscheidungsunterstützungsansatz für Juristen, politische Entscheidungsträger und KI-Entwickler. Die Ergebnisse zeigten stabile Posteriore-Wahrscheinlichkeitsschätzungen über Falten hinweg, wobei die Konsistenz der Besitzvorhersage über 80 % über die Datensätze hinweg lag. Der Rahmen ermöglicht probabilistisches, szenariobasiertes Schließen und bietet ein interpretierbares Entscheidungsunterstützungsinstrument, das die Transparenz und Konsistenz bei der Beilegung von Eigentumsstreitigkeiten für Juristen, politische Entscheidungsträger und KI-Entwickler verbessert.

Einleitung

Der zunehmende Einsatz von KI-Systemen (KI) in hochrisikoreichen Branchen wie Gesundheitswesen, Strafjustiz, Finanzen und digitalen Plattformen wirft wichtige Fragen zu rechtlicher Verantwortung, Rechenschaftspflicht und Fairness auf. Trotz rascher Fortschritte ist ein großer Teil der Literatur zur KI-Governance entweder normativ oder prädiktiv und bietet keine empirische Grundlage ^1,2. Aktuelle Methoden zur Entdeckung KI-bezogener Probleme, wie Ereignisdatenbanken, Umfrageforschung und ethische Rahmenwerke, sind häufig nicht ausreichend, um persistierende Probleme in der realen Welt zu erfassen. Diese Ansätze überbetonen entweder hochkarätige Vorkommnisse und ignorieren systemische, praxisbezogene Probleme oder spiegeln Erwartungen statt beobachtbarer Schäden^{wider 3,4}. Die Mehrheit der Vorfalldatenbanken stützt sich auf freiwillige Berichterstattung und Medienberichterstattung, die häufig hochkarätige Fehler hervorhebt und häufige, aber wichtige KI-bezogene Probleme unterrepräsentiert ^5,6. Indem generative KI, insbesondere Large Language Models (LLMs), die Produktion von Text, Bildern und Musik mithilfe transformerbasierter Deep-Learning-Architekturen ermöglicht, hat sie die Inhaltsproduktion ^{noch herausfordernder} gemacht^. Traditionelle Rahmenwerke für geistiges Eigentum, die auf menschlicher Urheberschaft basieren, stehen infolge dieser Veränderung vor Schwierigkeiten, was es erschwert, zwischen menschlicher und maschinell erzeugter Innovation^{zu unterscheiden.}

Frühere Studien zu KI-generierten Inhalten und geistigem Eigentum konzentrierten sich hauptsächlich auf politische Analysen und juristische Auslegungen, einschließlich konzeptioneller Diskussionen über Urheberschaft, Originalität und Eigentum¹³. Obwohl diese Studien wertvolle Erkenntnisse bieten, bleiben sie überwiegend beschreibend und es fehlen rechnerische Methoden zur Bewältigung der Unsicherheit bei der Eigentumsbestimmung¹⁴. Gleichzeitig wurden technologische Methoden zur Unterstützung der Inhaltszuschreibung und Herkunft entwickelt, darunter Wasserzeichen, Fingerabdrücke und Datensatzschutz¹⁵. Die rechtliche Verteilung des Eigentums wird jedoch durch diese Ansätze nicht berücksichtigt, insbesondere nicht in Multi-Stakeholder-Umgebungen mit Entwicklern, Nutzern und Datenproduzenten. Darüber hinaus haben aktuelle interdisziplinäre Studien nicht genügend Fortschritte bei probabilistischen Modellen erzielt, die technische und rechtliche Faktoren für die Eigentumsbewertung angesichts der Unsicherheit integrieren können 16,17,18,19,20. Rechtsstudien haben die Einschränkungen bestehender Rahmenwerke für geistiges Eigentum bei der Berücksichtigung des Eigentums an KI-generierten Inhalten hervorgehoben. In vielen Rechtsordnungen, darunter unter Abschnitt 13 des indischen Urheberrechtsgesetzes, erfüllen KI-generierte Werke oft nicht die traditionellen Urheberschaftskriterien, was zu Eigentumsunklarheit^21,22 führt. Obwohl frühere Studien richterliche Auslegungen und Urheberrechtsimplikationen behandeln, fehlen ihnen formelle Mechanismen zur Modellierung von Unsicherheiten bei der Bestimmung des Eigentums^22,23. Um diese Lücke zu schließen, schlägt diese Studie einen auf dem Bayesschen Netzwerk basierenden Rahmen vor, der probabilistische Beziehungen zwischen menschlicher Beteiligung, Herkunft von Trainingsdaten, vertraglichem Kontext und KI-Autonomie für szenariobasierte Eigentumsanalysen^modelliert.

Forschung hat die Anwendung von Machine-Learning-Modellen wie logistischer Regression, Support Vector Machines (SVMs), konvolutionalen neuronalen Netzwerken (CNNs) und Long Short-Term Memory (LSTM)-Netzwerken in rechtlichen Entscheidungen untersucht und ihre Nützlichkeit in hochvolumigen Rechtsumgebungen gezeigt, in denen manuelle Präzedenzfallanalysen zeitaufwendig sind²⁵. Allerdings fehlt es diesen Ansätzen oft an Interpretierbarkeit und Transparenz, was für eine verantwortungsbewusste Unterstützung richterlicher Entscheidungen unerlässlich ist. Folglich haben Methoden der erklärbaren Künstlichen Intelligenz (XAI) Aufmerksamkeit erregt, um die Interpretierbarkeit zu verbessern und verständliche Argumentation für KI-unterstützte Entscheidungen^{bereitzustellen} 26,27,28.

Methodik / Ansatz	Verwendete Daten	Vorteile	Nachteile / Lücken
Überprüfung rechtlicher und technischer Instrumente, um Inhalte mit Trainingsdaten zu verknüpfen und Rahmenwerke für Attribution und Verantwortlichkeit vorzuschlagen. 29	Literaturübersicht, Fallbeispiele	Integriert die Perspektive Technologie + Recht; schlägt umsetzbare Attributionsstrategien vor	Es fehlt formale probabilistische Modellierung; Keine quantitative Validierung
Taxonomie technischer IP-Schutzmethoden für das Training/Ausgaben generativer Modelle. 30	Untersuchung technischer Ansätze und Risiken	Systematische Übersicht; organisiert bestehende Techniken zum Schutz des geistigen Eigentums	Konzentriert sich auf Trainingsdatenschutz vs. Eigentum an generierten Ausgaben
Schlägt latentes Fingerabdrücken / Wassermarkierung vor, um den Ursprung der KI und die IP-Attribution zu überprüfen. 31	Experimente mit generativen Modellen (Text & Bild)	Praktisches Verifikationsinstrument; Stark für Eigentumsnachweise	Watermarking löst selbst keine rechtlichen Eigentumsrahmen.
Vergleichende juristische Analyse von Urheberschafts- und Eigentumsstandards in verschiedenen Rechtsordnungen. 32	Rechtsdoktrin, Gesetzestexte, repräsentative Fälle	Erklärt, wie menschlicher Beitrag die Eigentumsentscheidungen beeinflusst	Beschreibend; schlägt keine rechnergestützten Modelle vor

Tabelle 1: Zusammenfassung von Methoden, Datenquellen und wichtigsten Erkenntnissen früherer Arbeiten. Überblick über bestehende Studien zum Eigentum von KI-generierten Inhalten, mit Hervorhebung methodischer Ansätze, verwendeten Datensätze und wichtigsten Ergebnissen.

Tabelle 1 fasst die bestehenden Methoden, Datenquellen und wichtigsten Erkenntnisse zusammen: 29,30,31,32. Diese Tabelle behandelt das Eigentum an KI-generierten Inhalten in der Literatur und hebt die methodischen Ansätze, genutzten Datensätze und die Ergebnisse der betrachteten Literatur hervor. Jüngste Studien zu KI-Governance und Urheberrechtsstreitigkeiten haben zudem Herausforderungen im Zusammenhang mit Urheberschaft, Trainingsdatenlegalität und Eigentumszuteilung an KI-generierten Inhalten^{hervorgehoben 33,34}. Obwohl Ansätze wie Herkunftsverfolgung und Beweisvalidierung zur Attributionsanalyse^{beitragen 34}, bleiben bestehende regelbasierte und maschinelle Lernmethoden im Umgang mit Mehrdeutigkeiten, widersprüchlichen Beweisen und rechtlich interpretierbaren Eigentumsbegründungen begrenzt. Technische Ansätze wie Wassermarkierung und Herkunftsanalyse konzentrieren sich ebenfalls hauptsächlich auf Attribution statt auf die Bestimmung des Eigentums.

Dieses Papier schlägt einen auf dem Bayes'schen Netzwerk basierenden Rahmen zur Bewertung des Eigentums an KI-generierten Inhalten angesichts rechtlicher und technischer Unklarheit vor und überwindet die Schwächen derzeitiger deterministischer, regelbasierter Ansätze. Der Ansatz ermöglicht szenariobasierte Schlussfolgerungen aus unvollständigen oder mehrdeutigen Beweisen, indem probabilistische Interaktionen zwischen Schlüsselaspekten wie menschlicher Beteiligung, Herkunft von Trainingsdaten, Vertragskontext und KI-Autonomie modelliert werden. Die vorgeschlagene Methode bietet im Gegensatz zu traditionellen prädiktiven Modellen interpretierbare Schätzungen der posterioren Wahrscheinlichkeit, die klares, organisiertes Schließen ermöglichen, das mit richterlichen Entscheidungsverfahren übereinstimmt.

Wichtige rechtliche und technologische Konzepte sind explizit definiert, um die Konsistenz während der gesamten Studie zu gewährleisten. Während sich "Eigentum" auf die Verteilung der Rechte an dem produzierten Werk bezieht, bezieht sich "Urheberschaft" auf die rechtliche Anerkennung eines Schöpfers. "Attribution" bedeutet nicht immer das rechtliche Eigentum, identifiziert aber beitragende Einheiten. "Erklärbarkeit" bezeichnet die Fähigkeit eines Modells, eine verständliche Begründung für probabilistische Ergebnisse zu liefern, während "rechtliche Unsicherheit" sich auf Mehrdeutigkeiten bezieht, die aus unvollständigen oder sich ändernden Rechtsstandards resultiert. Durch die Einbeziehung rechtlicher und technischer Faktoren in einen interpretierbaren probabilistischen Workflow zielt der vorgeschlagene Ansatz darauf ab, strukturierte Entscheidungsfindung in KI-bezogenen Konflikten im Bereich geistigen Eigentums zu erleichtern. Für Rechtsexperten, Gesetzgeber und KI-Entwickler, die Eigentumsfragen an generativen KI-Systemen bewerten, bietet die Technik eine rechnerische Perspektive.

Protokoll

Diese Studie bezieht sich weder an menschlichen Teilnehmern noch an tierischen Probanden beteiligt. Die Analyse basiert ausschließlich auf öffentlich zugänglichen Rechtsunterlagen und kuratierten juristischen Datensätzen. Daher waren keine ethische Zustimmung und informierte Zustimmung erforderlich.

Die vorgeschlagene Methodik zielt darauf ab, die rechtliche Unsicherheit rund um das Eigentum an KI-erstellten Inhalten zu beseitigen, indem ein Bayes'isches Netzwerk auf Basis tatsächlicher Falldaten entwickelt wird. Zunächst würden KI-Fälle, einschließlich Urheberrecht, Patente und Geschäftsgeheimnisse, aus einem bestehenden Korpus entnommen und jeweils mit tatsächlichen rechtlichen Ergebnisdaten versehen. Basierend auf rechtlichen Präzedenzfällen und bestehenden Fallstudien würden Unsicherheitsparameter, die Auswirkungen auf den Inhaltsbesitz haben könnten, unter anderem kreative menschliche Einflüsse, Autonomie des KI-Systems, Rechtmäßigkeit von Trainingsdaten, vertragliche Definitionen von Eigentum, Zuständigkeit und Transparenz umfassen – jeweils als Knoten innerhalb des Bayes'schen Netzwerks zugewiesen, wobei diskrete Zustände unterschiedliche rechtliche und technische Realitäten anzeigen, und mit der Bestimmung des Inhaltsbesitzes als Zielknoten. Die Struktur dieses Netzwerks wird entdeckt, indem rechtliche Expertise mit datengetriebener struktureller Entdeckung integriert wird, um sowohl Interpretierbarkeit als auch rechtliche Plausibilität zu fördern. Die Tabellen der bedingten Wahrscheinlichkeiten werden dann anhand der in den Fällen identifizierten Prozessergebnisse angenähert, sodass das Netzwerk unsichere und unvollständige Daten probabilistisch verarbeiten kann. Nach dem Modelltraining ermöglicht es sowohl Schlussfolgerungen als auch Szenariotests, um zu bestimmen, wie Änderungen beitragender Faktoren das abgeleitete Eigentum an KI-generierten Inhalten auf Basis dieses konstruierten Bayesschen Netzwerks beeinflussen, gefolgt von Tests und Sensitivitätsanalysen, bevor Ergebnisse abgeleitet werden, die zukünftige rechtliche Auswirkungen auf geistiges Eigentum in KI-Anwendungen durch Entwickler und vor Gericht erleichtern. Abbildung 1 zeigt den architektonischen Arbeitsablauf der vorgeschlagenen Arbeit.

Abbildung 1: Architekturdiagramm des vorgeschlagenen Frameworks: Überblick über das vorgeschlagene Bayes'sche Netzwerk-basierte System zur Bestimmung des Eigentums an KI-generierten Inhalten. Die Architektur veranschaulicht den Fluss von Datenerfassung und Annotation hin zu probabilistischer Modellierung, Inferenz und Eigentumszuschreibung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 1 illustriert den architektonischen Arbeitsablauf des vorgeschlagenen, auf dem Bayes'schen Netzwerk basierenden Frameworks zur Analyse von KI-generierten Inhaltseigentümern. Der Workflow umfasst Datenerfassung, Merkmalannotation, Bayessche Netzwerkmodellierung, probabilistische Inferenz, Szenarioanalyse und Validierung. Rechtliche und technische Variablen wie menschliche Beteiligung, KI-Autonomie, Herkunft von Trainingsdaten, vertraglicher Kontext und Zuständigkeit werden innerhalb eines bayesschen Rahmens modelliert, um die Eigentumszuschreibung unter unbestimmten Bedingungen zu schätzen. Der Rahmen unterstützt interpretierbares probabilistisches Schließen und szenariobasierte Evaluation zur Unterstützung rechtlicher Entscheidungsfindung.

Datenerhebung
Daten zu Gerichtsverfahren wurden aus verschiedenen Quellen gesammelt, um einen Datensatz zu erstellen, der sich auf Eigentums- und geistiges Eigentumsstreitigkeiten rund um KI-generierte Inhalte konzentriert. Zu Beginn wurde der allgemeine Datensatz der im Grundpapier belegten Rechtsfälle gefiltert, sodass er nur Rechtsstreitigkeiten zu Urheberrecht, Eigentumsrecht, IP-bezogenen Streitigkeiten und anderen IP-Fragen in den Schulungsdaten enthalten ist. Weitere Rechtsfälle wurden aus öffentlich zugänglichen Gerichtsmeinungsdatenbanken gewonnen, die Zugang zu Gerichtsentscheidungen aus Millionen von Fällen bieten, sowie aus einem Urheberrechtsverzeichnis, das sowohl laufende als auch abgeschlossene Rechtsverfahren weltweit zur Nutzung künstlicher Intelligenz im Bereich geistiges Eigentums verfolgt. Rechtsfälle wurden ebenfalls annotiert, um wichtige Variablen hervorzuheben, darunter das Ausgang des Rechtsfalls, das Ausmaß menschlichen kreativen Inputs, die Autonomie des Künstlichen Intelligenzsystems, die Herkunft der Trainingsdaten, die Zuständigkeit und gegebenenfalls die Vertragsparameter. Dies ist ein Multi-Source-Datensatz, der ausreichende Daten zum geistigen Eigentum im Zusammenhang mit der Nutzung von KI-Tools sammelt und sich für probabilistisches Denken in der Bayesschen Netzwerkanalyse eignet.

Drei Hauptquellen, darunter der grundlegende KI-Prozessdatensatz, eine Datenbank für öffentliche Gerichtsmeinungen und ein KI-Archiv für Urheberrechtsfälle, wurden in einem methodischen Erfassungs- und Screeningprozess verwendet, um den Datensatz für diese Studie zu erstellen. Schlüsselwörter wie "künstliche Intelligenz", "KI-generierte Inhalte", "Urheberrecht", "geistiges Eigentum", "Urheberschaft", "Eigentum" und "maschinell erzeugte Werke" wurden in Repository-Suchoberflächen und Metadatenfeldern verwendet, um relevante Fälle zu finden. Fälle mit KI-generierten oder KI-unterstützten Inhalten, die Eigentum, Urheberschaft oder geistiges Eigentum mit ausreichender Tiefe für variable Extraktion behandelten, wurden berücksichtigt. Fälle, die doppelt waren, keine Verbindung zu KI-generierten Inhalten, sich auf andere Rechtsbereiche konzentrierten oder keine ausreichenden Informationen enthielten, wurden nicht akzeptiert. Es wurde ein zweistufiges Screening-Verfahren verwendet, wobei nach der ersten Titel- und Zusammenfassungsprüfung eine vollständige Eignungsprüfung erfolgte. Um die Eindeutigkeit zu gewährleisten, wurden doppelte Datensätze über mehrere Datensätze hinweg mittels Fallmetadaten identifiziert und entfernt.

Die Schlüsselwörter "künstliche Intelligenz", "KI-generierte Inhalte", "maschinell erzeugte Werke", "Urheberrecht", "Urheberschaft", "Eigentum", "Trainingsdaten" und "Streit um geistiges Eigentum" wurden im Datensatzsuchverfahren verwendet. Um die Qualität und Relevanz des Datensatzes zu gewährleisten, wurde ein zweistufiges Screening-Verfahren verwendet. Um Eigentums- und Urheberrechtskonflikte im Zusammenhang mit KI zu finden, wurden Titel und Fallzusammenfassungen in der ersten Phase überprüft. Um die Aufnahmeberechtigung in die Studie zu bestimmen, wurde in der zweiten Phase eine vollständige Fallübersicht durchgeführt. Es wurden nur Fälle mit KI-generierten oder KI-unterstützten Inhalten mit ausreichenden rechtlichen und technischen Details zu Urheberschaft, Eigentumszuschreibung, Vertragskontext oder Nutzung von Trainingsdaten aufgenommen. Ausgeschlossen wurden Fälle mit unzureichenden Kontextinformationen, unzureichenden Rechtsdokumenten, doppelten Einträgen und Fällen, die nichts mit Konflikten im Zusammenhang mit geistigem Eigentum hatten. Durch den Vergleich von Metadaten wie Falltitel, Zuständigkeit, Einreichungsdatum und Streitkategorie wurden doppelte Fälle über Quellen hinweg identifiziert und ausgeschlossen. Annotation, Bayessche Netzwerkmodellierung, probabilistische Inferenz und Sensitivitätsanalyse wurden anschließend auf dem endgültig kuratierten Datensatz durchgeführt.

Die in der Studie verwendeten Daten umfassen eine Zusammenstellung von Rechtsquellen, die den gesamten Umfang der Streitigkeiten über Eigentumsrechte von KI-Inhalten und geistiges Eigentum abdecken, wie in Tabelle 2 dargestellt. Erstens umfassen die in der Hauptstudie verwendeten KI-Rechtsstreitigkeiten die selektive Erhaltung von etwa 72 Rechtsstreitigkeiten, die speziell mit Urheberrechtsansprüchen, Urheberschaft, Erfindungsurkunde und Eigentum an KI-Ausgaben zusammenhängen. Um die Datenvariabilität zu erhöhen und eine bessere Darstellung neuer Streitigkeiten im Bereich der generativen KI zu ermöglichen, umfassen die Daten die Erfassung relevanter Streitigkeiten aus der öffentlich zugänglichen Court Opinion Database (CAP), einer umfangreichen, öffentlich zugänglichen Sammlung von US-Gerichtsentscheidungen, um spezifische KI-IP-Streitigkeiten von 38 Ansprüchen basierend auf relevanten IP-rechtlichen Begriffen auszuwählen. Zusätzlich nutzt die Studie den AI and Copyright Case Tracker, um 21 weltweit führende KI-Urheberrechtsstreitigkeiten einzubeziehen, basierend auf einem KI-geschulten, urheberrechtlichen Analyseansatz, der die Erstellung eines maßgeschneiderten KI-Urheberrechts-Falltrackers für große internationale Rechtsstreitigkeiten verfeinert, wobei spezifische Ansätze zur initialen Analyse von KI-Urheberrechtsstreitigkeiten verwendet werden. Der endgültige Datensatz bestand aus 131 Fällen: einem grundlegenden KI-Prozessdatensatz, einer Datenbank für öffentliche Gerichtsmeinungen und einem KI-Archiv zur Urheberrechtsverfolgung. Diese Fälle wurden nach Anwendung von Inklusions-, Ausschluss- und Deduplizierungsverfahren ausgewählt.

Datensatzquelle	Datensatztyp	Nein. der verwendeten Fälle	Abdeckung
Basis-KI-Litigationsdatensatz1	KI-bezogene Gerichtsverfahren	72 (gefilterte Teilmenge)	US-Bundes- und Landesgerichte
Caselaw Access Project (CAP)31	Öffentliche Rechtsfallkorpus	38 (KI-IP fokussiert)	US-Gerichtsentscheidungen
KI- und Urheberrechtsfall-Tracker (CMS)32	Kuratierte Fallzusammenfassungen	21 wegweisende Fälle	Global (USA, EU, UK)

Tabelle 2: Beschreibung des Datensatzes. Zusammenfassung der Datensätze, die zur Modellierung von Streitigkeiten um geistiges Eigentum in KI-generierten Inhalten verwendet werden, einschließlich Herkunft, Struktur und Relevanz für die Eigentumsanalyse.

Um Genauigkeit und Konsistenz zu gewährleisten, wurde eine Kombination aus manuellen und halbautomatisierten Prozessen verwendet. Die Kennzeichnungsmethode verwendete drei Annotatoren mit Hintergrund sowohl in Rechts- als auch in KI-bezogenen Rechtswissenschaften. Alle Variablen, einschließlich menschlicher kreativer Input, Autonomie von KI-Systemen, Rechtmäßigkeit von Trainingsdaten, vertraglichen Eigentumsbestimmungen, Zuständigkeit, Transparenz der KI-Beteiligung sowie explizite Entscheidungsregeln und Beispiele, wurden in einem kommentierten Codebuch definiert. Zwei Annotatoren annotierten jede Instanz unabhängig voneinander; Differenzen wurden durch Diskussionen und gegebenenfalls durch einen dritten Experten beigelegt. Cohens Kappa-Koeffizient wurde verwendet, um die Übereinstimmung zwischen Ratern zu messen; Das Ergebnis war 0,81, was auf eine starke Zustimmung hindeutet. Etwa 9 % der Fälle betrafen Meinungsverschiedenheiten, meist über KI-Autonomie und Vertragsinterpretation. Für weitere Bayessche Netzwerkmodellierung wurden die fertigen Anmerkungen verwendet.

Identifikation rechtlicher Unsicherheitsfaktoren
Wichtige Unsicherheitsquellen beim Besitz von KI-generierten Inhalten wurden durch eine Analyse von KI-bezogenen Fällen von geistigem Eigentum in mehreren Rechtsdatensätzen identifiziert, darunter prozessbasierte Datensätze und öffentlich zugängliche Gerichtsarchive. Menschliche Kreativität, KI-Autonomie, die Rechtmäßigkeit von Trainingsdaten, vertragliche Verbindungen, Zuständigkeitsfragen und die Transparenz von KI-Systemen waren wichtige Faktoren. Das Ausmaß menschlichen Engagements und die vertraglichen Eigentumsdefinitionen wurden häufig von Gerichten hervorgehoben, und die rechtliche Unklarheit wurde durch Unterschiede in den Urheberrechtsgesetzen und der Nutzung urheberrechtlich geschützter Ausbildungsdaten verschärft. Das Bayesianische Netzwerk-Framework für die probabilistische Eigentumsanalyse wurde auf Grundlage dieser Überlegungen entwickelt.

Faktor	Beschreibung
Menschliche kreative Beteiligung	Grad des menschlichen Beitrags bei der Inhaltserstellung (hoch, moderat oder minimal).
Grad der KI-Autonomie	Das Ausmaß, in dem das KI-System unabhängig ohne menschliche Führung funktioniert.
Eigentum und Rechtmäßigkeit von Trainingsdaten	Rechtlicher Status der verwendeten Trainingsdaten (lizenziert, gemeinfrei, proprietär oder rechtsverletzend).
Vertragliche Eigentumsklauseln	Existenz und Klarheit von Vereinbarungen, die das Eigentum unter den Beteiligten definieren.
Rechtsrahmen der Zuständigkeit	Anwendbare nationale oder regionale Gesetze zum geistigen Eigentum.
Zweck der Nutzung	Unabhängig davon, ob die KI-generierten Inhalte für kommerzielle oder nicht-kommerzielle Zwecke verwendet werden.
Transparenz und Erklärbarkeit	Verfügbarkeit von Informationen über das Design und den Betrieb des KI-Systems.
Offenlegung von KI-Unterstützung	Ob der Einsatz von KI bei der Inhaltserstellung explizit offengelegt wurde.
Natur der generierten Inhalte	Art der erzeugten Ausgabe (z. B. Text, Bild, Code oder Design).
Verfügbarkeit von gerichtlichen Präzedenzfällen	Vorhandensein früherer Gerichtsurteile, die für den Besitz von KI-generierten Inhalten relevant sind.

Tabelle 3: Wichtige rechtliche und technische Unsicherheitsfaktoren, die das Eigentum beeinflussen. Identifikation kritischer Variablen, die die Eigentumszuschreibung bei KI-generierten Inhalten beeinflussen, sowohl rechtliche als auch technische Dimensionen.

Tabelle 3 fasst die unsicherheitsbezogenen Unsicherheiten im Zusammenhang mit der Eigentumszuschreibung im vorgeschlagenen Bayesschen Netzwerkmodell zusammen. Diese Unsicherheiten ergeben sich aus den Streitigkeiten um geistiges Eigentum im Zusammenhang mit KI und den bestehenden Urheberrechtsgesetzen. Menschlicher kreativer Input und Autonomie in der KI beziehen sich auf die Beziehung zwischen menschlichen Autoren und KI-generierten Inhalten bei der Bestimmung des Eigentums. Die Unsicherheiten, darunter die Rechtmäßigkeit der von KI verwendeten Trainingsdaten, der Eigentum am Vertrag und die bestehenden geistigen Eigentumsgesetze der Gerichtsbarkeit, sind Streitpunkte. Der Zweck der Nutzung und der Offenlegung von KI-Unterstützung bezieht sich auf die Umstände, unter denen das Justizsystem KI-gestützte Erzeugung betrachtet. Transparenz und Erklärbarkeit hingegen beziehen sich auf den Aspekt von Rechenschaftspflicht und Verantwortung. Weitere Unsicherheiten, darunter die Art von KI-generierten Kreationen und bestehende gerichtliche Präzedenzfälle, bestimmen, wie bestehende Gesetze zum geistigen Eigentum auf KI-Kreationen angewendet werden.

Datenannotation und Variablenkodierung
Der Datensatz, der aus gefilterten KI-Rechtsfällen, CAP und ausgewählten KI-Urheberrechtsfällen sowie anderen zusammengesetzt ist, wird anschließend manuell und halbautomatisch annotiert, basierend auf den für jeden Fall identifizierten rechtlichen Unsicherheitsfaktoren. Für jeden Fall werden strukturierte Labels durch Bewertung von Gerichtsentscheidungen, Beschreibungen und Begründungen bestimmt. Die Annotationsaufgabe umfasst die Feststellung sowohl rechtlicher als auch technischer Faktoren, wie das Ausmaß der menschlichen kreativen Beteiligung, die Autonomie der KI, die rechtliche Gültigkeit der Trainingsdaten, vertragliche Klauseln zum Eigentum, die Zuständigkeit und die Offenlegung von Unterstützung durch KI. Zur Konsistenz basieren die Richtlinien auf anderen Prinzipien des geistigen Eigentums und werden durch Kreuzvergleiche in verschiedenen Rechtsquellen überprüft. Siehe Supplementary File 1(S1) für eine detaillierte mathematische Beschreibung der Datenannotation und Variablenkodierung.

Das Framework wurde mit einer Programmiersprache mit probabilistischen grafischen Modellierungsbibliotheken und numerischen Rechenwerkzeugen implementiert. Datenvorverarbeitung und -analyse wurden in einer notebook-basierten Rechenumgebung auf einem Desktop-System mit einem Mehrkernprozessor und Standardspeicherkonfiguration durchgeführt

Um Konsistenz und Reproduzierbarkeit in der Datensatzannotation zu gewährleisten, wurde für alle rechtlichen und technischen Faktoren des Bayes'schen Netzwerkrahmens ein strukturiertes Variablencodierungsschema entwickelt. Jeder Fall wurde manuell überprüft und annotiert, wobei vordefinierte kategoriale Zustände aus Rechtspräzedenzfällen und KI-Governance-Literatur abgeleitet wurden. Tabelle 4 fasst die in der Studie verwendeten Variablen, Beschreibungen und Codierungskategorien zusammen. Um probabilistische Modellierung und szenariobasierte Inferenz innerhalb des Bayesschen Netzwerkrahmens zu erleichtern, wurde das Codierungssystem einheitlich auf alle annotierten Fälle angewendet. Um häufig beobachtete rechtliche und technologische Umstände in Konflikten mit KI-generiertem Material darzustellen, wurden variable Zustände gewählt.

Variable	Beschreibung	Codierungskategorien
Menschlicher Beitrag	Grad der menschlichen kreativen Beteiligung an der Inhaltserstellung	Niedrig, Mittel, Hoch
KI-Autonomie	Niveau der unabhängigen KI-Systemgenerierung	Niedrig, Mittel, Hoch
Legalität von Trainingsdaten	Rechtlicher Status der Datensätze, die für KI-Training verwendet werden,	Lizenziert, gemeinfrei, unsicher, nicht autorisiert
Vertragliches Eigentum	Vorhandensein vertraglicher Eigentumsklauseln	Anwesend, abwesend
Attributionsklarheit	Klarheit bei der Identifizierung der Mitwirkenden	Klar, Teilweise, Unklar
Zuständigkeit	Mit dem Streit verbundene Rechtszuständigkeit	Indien, Vereinigte Staaten, China, Sonstiges
Transparenz	Verfügbarkeit von Informationen zum KI-Generierungsprozess	Hoch, mittler, niedrig
Eigentumsergebnis	Endgültiges Eigentumsattributionsergebnis (Zielvariable)	Menscheneigentum, gemeinsames Eigentum, organisationsgeführt, unsicher

Tabelle 4: Variablencodierungsschema für Bayessche Netzwerkannotation. Die Tabelle fasst die bei der Datensatzannotation verwendeten rechtlichen und technischen Variablen zusammen, einschließlich ihrer Definitionen und kategorialen Codierungszustände, die für probabilistische Modellierung und Eigentumsinferenz angewendet werden.

Bayessche Netzwerkstrukturgestaltung
Das Bayessche Netzwerk (BN) wurde geschaffen, um die probabilistischen Beziehungen zwischen kontextuellen, technologischen und rechtlichen Faktoren zu modellieren, die den Besitz von Informationen durch künstliche Intelligenz beeinflussen. Während der Zielknoten Eigentumsergebnisse darstellte, repräsentierten die Netzwerkknoten Variablen wie menschlichen Beitrag, KI-Autonomie, Rechtmäßigkeit von Trainingsdaten, vertragliche Eigentumsbedingungen und Zuständigkeit. Bedingte Abhängigkeiten, die sich aus datengetriebenen Assoziationen und gerichtlichen Schlussfolgerungsprozessen ergeben, wurden von gerichteten Kanten erfasst. Datengetriebene Optimierung und rechtliche Einschränkungen wurden zu einer hybriden Strukturlernmethode kombiniert. Zulässige Abhängigkeiten wurden durch richterliche Grundsätze bestimmt, und der wahrscheinlichste Abhängigkeitsgraph, der die berichteten Prozessergebnisse erklärt, wurde mittels punktbasiertem Strukturlernen gefunden. Diese Methode stellte sicher, dass das endgültige Netzwerk sowohl rechtlich interpretierbar als auch statistisch gültig blieb.

Abbildung 2: Bayessche Netzwerkstruktur zur Eigentumsinferenz. Grafische Darstellung des Bayesschen Netzwerks, die Abhängigkeiten zwischen rechtlichen und technischen Variablen zeigt, die Eigentumsentscheidungen beeinflussen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 2 zeigt, wie ein Bayes'isches Netzwerk bei KI-generierten Inhaltsbesitzzuweisungen eingesetzt wird. In einem obersten Modell zeigen einige wesentliche Eingabevariablen, nämlich menschliche Eingabe, Trainingsdaten, KI-Autonomie und Zuständigkeit, einige wesentliche rechtliche und technische Dimensionen an, die bei der Darstellung eines Rechts an KI-generierten Inhalten berücksichtigt werden sollten. Jede Variable wird als wahrscheinlicher Knoten und nicht als fest kodierte Regel bezeichnet, was ein Modell ermöglicht, das Variablenabhängigkeiten berücksichtigt. Die grünen Knoten, auch als Verbindungspunkte bekannt, erscheinen zwischen den Eingangsknoten und dem Endausgang. Sie zeigen zum Beispiel auf, wie das Maß an menschlicher Beteiligung mit der KI-Autonomie korreliert, während sowohl rechtliche Ausbildungsdaten als auch Zuständigkeitsfaktoren helfen, ein Recht auf KI-generierte Inhalte aus jurisdiktioneller Perspektive zu definieren.

Rechtstheorie und annotierte Prozessdaten bildeten die Grundlage für die Variablenauswahl und die diskreten Zustandsdefinitionen des Bayes'schen Netzwerks. Aufgrund ihrer Bedeutung bei der Bestimmung des Eigentums hatten wichtige Faktoren wie menschliche Beteiligung, KI-Autonomie, die Rechtmäßigkeit von Trainingsdaten, vertragliche Bedingungen, Zuständigkeit und Transparenz oberste Priorität. Von Experten geprüfte Annotationskriterien wurden verwendet, um Variablen in rechtlich signifikante Kategorien zu unterteilen. Um statistisch gestützte Abhängigkeiten zu identifizieren, wurde eine hybride Strategie verwendet, die punktbasiertes Lernen und rechtliche Einschränkungen kombiniert, um die Netzwerkstruktur zu konstruieren. Der Ansatz wurde weiter durch Sensitivitäts- und Ablationsstudien validiert, die die signifikante Auswirkung menschlichen Einflusses und vertraglicher Beschränkungen auf die Eigentumsinferenz bestätigten, während andere Variablen moderierende Effekte zeigten. Für Entscheidungsunterstützungssysteme verbessert dieser kombinierte recht-empirische Ansatz sowohl die Robustheit als auch die Interpretierbarkeit.

Die abgeleiteten Wahrscheinlichkeiten aller miteinander verbundenen Knoten konvergieren am Eigentumsentscheidungsknoten, der auf Grundlage der verfügbaren rechtlichen und technischen Beweise posteriore Eigentumswahrscheinlichkeiten generiert. Dies ermöglicht auch unter unvollständigen oder umstrittenen Bedingungen eine Eigentumsschlussfolgerung und unterstützt eine dynamische Aktualisierung, sobald neue Beweise vorliegen. Um Overfitting und unscheinbare Korrelationen zu reduzieren, wurden Modellauswahl- und Sensitivitätsanalysen verwendet, um redundante oder wirkungsarme Kanten zu entfernen und so einen prägnanten gerichteten azyklischen Graphen (DAG) zu erhalten. Die endgültige Bayessche Netzwerkstruktur erfasst sowohl probabilistische Abhängigkeiten als auch kausale Beziehungen unter Faktoren, die zur rechtlichen Unsicherheit im KI-generierten Inhaltsbesitz beitragen. Die mathematische Beschreibung des Bayesschen Netzwerkdesigns ist in Supplementary File 1 (S2) enthalten.

Das Bayessche Netzwerk ermöglicht probabilistische Eigentumsschlussfolgerungen, selbst wenn einige rechtliche oder technische Faktoren unvollständig oder teilweise beobachtbar sind. Durch die Änderung von Evidenzvariablen unterstützt der Rahmen auch szenariobasierte Analysen für rechtliche Entscheidungsfindung, Politikbewertung und KI-Governance-Anwendungen. Die Netzwerkstruktur wurde mit einem hybriden Ansatz entwickelt, der von Experten definierte rechtliche Einschränkungen mit datengetriebenem Lernen kombiniert. Ein Hill Climbing-Algorithmus mit bayesianischer Informationskriteriumsbewertung (BIC) wurde zur Strukturoptimierung verwendet, während bayessche Parameterschätzung mit Dirichlet-Priors und Laplace-Glättung (&α = 1) Datenknappheit und fehlende Beobachtungen adressierte. Alle Variablen wurden als diskrete kategoriale Zustände dargestellt, um probabilistische Inferenz zu unterstützen. Python-probabilistische grafische Modellierungsmodule wurden verwendet, um das Bayes'sche Netzwerk-Framework zu erstellen. Die beiden Phasen des Netzwerkaufbaus waren Parameterlernen und Strukturdefinition. Anfangs repräsentierten die Netzwerkknoten die rechtlichen und technischen Merkmale, die bei der Annotation von Datensätzen gefunden wurden. Eine hybride Methode, die datengetriebene strukturelle Abhängigkeitsanalysen mit von Experten definierten Rechtsbeziehungen verknüpfte, wurde verwendet, um gerichtete Kanten zwischen Knoten zu schaffen. Die Maximum-Likelihood-Schätzung wurde verwendet, um Conditional Probability Tables (CPTs) aus dem annotierten Datensatz zu schätzen. Die probabilistischen grafischen Modellierungstechniken innerhalb eines Rechenumgebungspakets wurden verwendet, um das Bayessche Netzwerk zu implementieren, mit der Maximum-Likelihood-Schätzerfunktion für das Parameterlernen und der Bayesschen Netzwerkfunktion () zur Definition der Netzwerkstruktur. Das Variable Elimination ()-Inferenzverfahren wurde verwendet, um posteriore Eigentumswahrscheinlichkeiten unter verschiedenen Evidenzbedingungen zu berechnen.

Parameterlernen
Bei der quantitativen Modellierung der rechtlichen Unsicherheit im Eigentum von KI-generierten Inhalten ist die Parameterschätzung ein entscheidender Schritt im vorgeschlagenen Bayesschen Netzwerk-Rahmenwerk. Die Bayessche Parameterschätzung wurde verwendet, um bedingte Wahrscheinlichkeitstabellen (CPTs) aus annotierten Rechtsfällen zu lernen. Während der Zielknoten die Eigentumszuschreibung anzeigt, spiegelt jeder Knoten einen rechtlichen oder technologischen Aspekt wider, wie menschlichen Beitrag, KI-Autonomie, die Rechtmäßigkeit von Trainingsdaten oder vertragliche Eigentumsbestimmungen. Da bayessche Schätzungen mit spärlichem Rechtsmaterial und unzureichenden Beweisen umgehen können, wurde sie gewählt, um interpretierbare juristische Argumentation zu fördern und probabilistische Korrelationen in Gerichtsentscheidungen darzustellen. Repräsentative bedingte Wahrscheinlichkeitswerte innerhalb des Bayesschen Netzwerks sind in Tabelle 5 dargestellt. Während große KI-Autonomie Unsicherheit oder keine Eigentumsrechte fördert, deutet bedeutende menschliche kreative Beteiligung auf eine erhebliche Wahrscheinlichkeit menschlichen Besitzes hin, was auf eine gerichtliche Betonung menschlichen intellektuellen Beitrags hinweist. Die Ergebnisse betonen zudem die Bedeutung vertraglicher Eigentumsbedingungen und der Rechtmäßigkeit von Ausbildungsdaten, wobei explizite Vereinbarungen und lizenzierte Daten das Eigentum erhöhen. Die Sensibilität des Rahmens für verschiedene Rechtssituationen zeigt sich zudem durch Zuständigkeitsabweichungen.

Elternvariablen	Zustände der Elternvariablen	Eigentumsergebnis	Erlernte bedingte Wahrscheinlichkeit
Menschliche kreative Beteiligung	Hoch	Menschlicher Autor	0.82
Menschliche kreative Beteiligung	Niedrig	KI-Entwickler	0.41
KI-Autonomie	Hoch	Kein Eigentum anerkannt	0.55
Legalität von Trainingsdaten	Lizenziert	Mensch / Entwickler	0.76
Legalität von Trainingsdaten	Verletzung	Kein Eigentum / Streitigkeiten	0.68
Vertragliche Eigentumsklausel	Explizite Gegenwart	Vertragspartei	0.89
Vertragliche Eigentumsklausel	Abwesend	Umstritten / Unsicher	0.61
Zuständigkeitsrahmen	Menschzentriertes IP-Recht	Menschlicher Autor	0.79
Zuständigkeitsrahmen	Mehrdeutiges / Entstehendes Recht	Gemeinsam / Unsicher	0.47

Tabelle 5: Beispiel für bedingte Wahrscheinlichkeiten im Bayesschen Netzwerkmodell. Illustrative bedingte Wahrscheinlichkeitswerte, die vom Bayesschen Netzwerk gelernt wurden, zeigen Abhängigkeiten zwischen Schlüsselvariablen, die die Eigentumsergebnisse beeinflussen.

Algorithmus 1 fasst den gesamten Prozess des vorgeschlagenen Bayes'schen Netzwerk-Frameworks zur Erfassung von Eigentumsunsicherheiten in KI-Inhalten zusammen. Algorithmus 1: Starten Sie eine Bayessche Netzwerkstruktur, indem Sie das grafische Modell definieren, bei dem die Knoten die technischen und rechtlichen Unsicherheiten sind, die in den Rechtsstreitigkeiten mit annotierten Informationen untersucht werden, und der Zielknoten die Eigentumsbezeichnung ist. Die Struktur des Bayesschen Netzwerkmodells kann dann durch einen gemeinsamen Ansatz etabliert werden, der bestehende rechtlich einschränkende Strukturen mit optimierten Strukturen, die aus den Daten abgeleitet sind, zusammenführt. Die bedingten Wahrscheinlichkeitstabellen können dann durch Implementierung des bayesschen Parameterabschätzungsschemas auf Basis des erhaltenen Datensatzes spezifiziert werden, wodurch Unsicherheiten, Sparsamkeit und bedingte Beziehungen berücksichtigt werden, die von der Justiz abgeleitet werden. Beim Anwenden des Algorithmus auf ein bestimmtes rechtliches oder hypothetisches Beispiel können die Eingabeinformationen oder Beweise im Bayesschen Netzwerk durch probabilistische Inferenz zur Bestimmung der posterioren Wahrscheinlichkeit des Besitzes gewonnen werden. Der Algorithmus kann dann Anpassungen an den Eingabewerten vornehmen, indem er die Evidenzeingabe iterativ im Bayesschen Netzwerk modifiziert und die Auswirkungen auf die Eigentumsbestimmung bewertet, indem er den menschlichen Input, die KI-Autonomie, die vertragliche Legalität und die Rechtmäßigkeit der Trainingsdaten anpasst. Siehe Supplementary File 1(S3) für algorithmische Schritte.

Probabilistische Inferenz- und Szenarioanalyse
Die grafische Struktur des Bayes'schen Netzwerks und die Tabellen zur bedingten Wahrscheinlichkeit können dann auf einem annotierten Datensatz von KI-bezogenen Rechtsstreitigkeiten bezüglich des Eigentums trainiert werden, und das System ermöglicht Erkenntnisse über die Wahrscheinlichkeit des Eigentums. Die mathematischen Beschreibungen sind in Supplementary File 1 (S4) aufgeführt.

Durch die Beobachtung, wie sich diese Wahrscheinlichkeiten für den hinteren Besitz zwischen kontrafaktischen Szenarien unterscheiden, liefert das Modell eine Reihe relativer Einflüsse auf gerichtliche Ergebnisse für jedes rechtliche und technische Merkmal. Diese szenariogetriebene Inferenzfähigkeit stellt einen der Hauptbeiträge der vorgeschlagenen Arbeit dar, da sie mit der Art und Weise übereinstimmt, wie Gerichte, politische Entscheidungsträger und Rechtsexperten über das Eigentum an KI-generierten Inhalten denken: durch kontextuelle Bewertung statt durch starre Anwendung von Regeln. Das Bayes'sche Netzwerk dient hiermit als erklärbares Entscheidungsunterstützungsinstrument, das empirische Prozessmuster in probabilistische Erkenntnisse verwandelt, die konsistente Argumentation über Rechtsordnungen, Vertragskontexte und KI-Autonomie hinweg unterstützen. Dementsprechend geht ein solches Usability-Faktorial über die deskriptive juristische Analyse hinaus, indem es einen systematischen Mechanismus bietet, um Eigentumsergebnisse unter sich wandelnden KI- und geistigen Eigentumsregimen vorherzusehen. Der Variable Elimination-Ansatz wurde verwendet, um die posteriore Wahrscheinlichkeit von Eigentumsergebnissen für die Inferenz zu berechnen. Das iterative Ändern der Evidenzvariablen und die Neuberechnung der posterioren Verteilungen ermöglichte eine Szenarioanalyse. Um die Resilienz über kleine Datensätze hinweg zu gewährleisten, wurde das Modell mittels Leave-One-Out-Validierung und k-facher Cross-Validation (k = 5) validiert. Um eine Sensitivitätsanalyse durchzuführen, wurden die Eingabevariablen systematisch variiert und die begleitenden Veränderungen der posterioren Wahrscheinlichkeiten (ΔP(Y)) gemessen.

Modellvalidierung und Sensitivitätsanalyse
Das vorgeschlagene Bayes'sche Netzwerkmodell wurde anhand eines annotierten Datensatzes von KI-bezogenen Konflikten im Bereich geistigen Eigentums überprüft, um Zuverlässigkeit, Robustheit und rechtliche Anwendbarkeit zu gewährleisten. Um Eigentumsergebnisse vorherzusagen und diese mit tatsächlichen Rechtsentscheidungen zu vergleichen, wurde ein retrospektiver Validierungsansatz verwendet. Angesichts der Knappheit von KI-bezogenen Eigentumsstreitigkeiten wurden Leave-One-out und k-fache Kreuzvalidierung verwendet, um die Robustheit des Modells zu bewerten.

Die Auswirkungen rechtlicher und technischer Faktoren auf die Eigentumszuschreibung, einschließlich menschlicher Beteiligung, KI-Autonomie, Rechtmäßigkeit von Trainingsdaten und vertraglichen Eigentumsbedingungen, wurden durch eine Sensibilitätsanalyse untersucht. Die Untersuchung identifizierte kontextuelle und hochwirkungsreiche Faktoren, die Eigentumsentscheidungen beeinflussen, indem sie die Zustände des Elternknotens verändern und Veränderungen der posterioren Wahrscheinlichkeiten überwachen. Indem gezeigt wird, wie sich rechtliche Mehrdeutigkeit im gesamten Netzwerk ausbreitet, verbessert dies die Interpretierbarkeit. Die Ergebnisse der Validierung und Sensitivitätsanalyse sind in Tabelle 6 zusammengefasst. Während der Kreuzvalidierung erreichte das Modell mehr als 80 % Übereinstimmung zwischen abgeleiteten und tatsächlichen gerichtlichen Ergebnissen. Robustheitstests bestätigten eine vertrauenswürdige Schlussfolgerung unter begrenzten Evidenzbedingungen, und eine geringe posteriore Varianz über Falten hinweg deuteten auf stabile, generalisierbare bedingte Wahrscheinlichkeiten hin. Die Sensibilitätsanalyse zeigte, dass die KI-Autonomie und die Rechtmäßigkeit von Trainingsdaten zwar die Unsicherheit in der Attribution erheblich erhöhten, vertragliche Eigentumsklauseln und menschliche kreative Beteiligung jedoch den größten Einfluss auf die Eigentumszuschreibung hatten. Technische und vertragliche Bedingungen wechselten mit den zuständigen Variablen und hatten einen moderaten Effekt. Insgesamt zeigen die Ergebnisse, dass das vorgeschlagene Paradigma sowohl rechtlich interpretierbar als auch empirisch fundiert ist.

Validierungs- / Sensibilitätsaspekt	Angewandte Methode	Metrik / Beobachtung
Fallbasierte Validierung	Leave-one-out Kreuzvalidierung	81,3 % Konsistenz des Eigentumsergebnisses
Kreuzfaltstabilität	5-fache Kreuzvalidierung	Die hintere Varianz < 0,05 über die Falten hinweg
Robustheit fehlender Beweise	Teilweise-Evidenzschlussfolgerung	< 7 % Veränderung der posterioren Wahrscheinlichkeiten
Sensibilität: Menschliche kreative Beteiligung	Ein-Faktor-Störung	ΔP(Y) ≈ +0,32
Sensibilität: KI-Autonomie	Ein-Faktor-Störung	ΔP(Y) ≈ −0,28
Sensibilität: Legalität von Trainingsdaten	Ein-Faktor-Störung	ΔP(Y) ≈ +0,25
Sensibilität: Vertragsklauseln	Ein-Faktor-Störung	ΔP(Y) ≈ +0,37
Sensibilität: Zuständigkeit	Ein-Faktor-Störung	ΔP(Y) ≈ +0,14

Tabelle 6: Ergebnisse der Validierungs- und Sensitivitätsanalyse. Ergebnisse der Modellvalidierung und Sensitivitätsanalyse, Bewertung von Robustheit, Stabilität und dem Einfluss wichtiger Variablen auf die Eigentumsinferenz.

Interpretation und Analyse der politischen Implikationen
Die probabilistischen Ergebnisse des Bayes'schen Netzwerks bieten einen interpretierbaren Rahmen zur Analyse des Eigentums an KI-generierten Inhalten, indem rechtliche und technische Faktoren modelliert werden, darunter menschlicher Beitrag, KI-Autonomie, vertragliche Klarheit und die Rechtmäßigkeit der Trainingsdaten. Anstatt ausschließlich als prädiktive Ergebnisse zu dienen, unterstützen die Schätzungen der posterioren Wahrscheinlichkeit transparentes, szenariobasiertes Schließen unter unsicheren rechtlichen Bedingungen. Das Rahmenwerk kann Rechtsfachleute dabei unterstützen, die Konsistenz bei der Eigentumsbewertung zu verbessern, politische Entscheidungsträger bei der Identifizierung regulatorischer Lücken im Zusammenhang mit KI-generierten Inhalten unterstützen und KI-Entwicklern dabei helfen, zu bewerten, wie Design- und Governance-Entscheidungen die Eigentumszuschreibung in verschiedenen rechtlichen Kontexten beeinflussen können.

Ergebnisse

Die Ergebnisse des Experiments zeigen die Wirksamkeit des Bayes'schen Netzwerkrahmens bei der Erfassung der Unsicherheit im KI-generierten Inhaltsbesitz. Das Modell bietet einen strukturierten, datengetriebenen Ansatz zur Unterstützung der Eigentumsinferenz unter Unsicherheit. Der endgültige Datensatz bestand aus 131 Fällen: einem grundlegenden KI-Prozessdatensatz, einer Datenbank für öffentliche Gerichtsmeinungen und einem KI-Archiv zur Urheberrechtsverfolgung. Diese Fälle wurden nach Anwendung von Inklusions-, Ausschlu...

Diskussion

Das vorgeschlagene Bayessche Netzwerk-Framework stellt einen Fortschritt gegenüber der aktuellen Forschung zum Eigentum von KI-generierten Inhalten dar, im Gegensatz zu den beschreibenden oder Frageidentifikationsansätzen anderer Werke. Die anderen Werke, darunter das Grundpapier von Raghupathi et al. in¹, verwenden im Wesentlichen maschinelle Lernmethoden in der Textanalyse, um Themen oder Kategorien im Kontext von KI-Rechtsstreitigkeiten zu entdecken. Obwohl die...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Judicial Opinions & Court Records Dataset	Caselaw Access Project (CAP)	RRID:SCR_016043	Quelle von Gerichtsentscheidungen, die zur Extraktion juristischer Begründungen und Eigentumsergebnisse verwendet werden
AI & Copyright Case Tracker	CMS Legal	N/A	Kuratierte Datensätze globaler KI-bezogener Immaterialgüterrechtsstreitigkeiten
Legal Contracts & Agreements Dataset	Various Public Legal Repositories	N/A	Dokumente, die Eigentum, Lizenzierung und vertragliche Rechte definieren
Statutory and Case Law References	Government Legal Portals	N/A	Immaterialgüterrechte und Rechtsprechung verwendet für die Analyse
Legal Annotation Guidelines	Expert-defined (Manual Framework)	N/A	Regeln für konsistente Annotation von Rechtsunsicherheitsvariablen
Annotated Legal Dataset	Generated in Study	N/A	Datensatz, der mit rechtlichen und technischen Variablen für das Modellieren gekennzeichnet ist
Python Programming Environment (v3.10)	Python Software Foundation	RRID:SCR_008394	Kern-Programmierumgebung, die für die Implementierung verwendet wird
pgmpy Library (v0.1.24)	Open-source	RRID:SCR_016274	Bibliothek, die für Bayesian Network-Modellierung verwendet wird
NumPy (v1.24)	Open-source	RRID:SCR_008633	Numerische Berechnungen und Array-Operationen
Pandas (v1.5)	Open-source	RRID:SCR_018214	Datenvorverarbeitung und Datenhandhabung
Jupyter Notebook	Project Jupyter	RRID:SCR_018315	Interaktive Umgebung für die Modellentwicklung
Bayesian Network Model	Developed in Study	N/A	Probabilistisches grafisches Modell für Eigentumsableitung
Hill Climbing Algorithm (BIC)	Implemented via pgmpy	N/A	Struktur-Lernmethode für Bayesian Network
Variable Elimination Inference Engine	Implemented via pgmpy	N/A	Berechnet posteriore Eigentumswahrscheinlichkeiten
Scenario Analysis Module	Developed in Study	N/A	Ermöglicht „Was wäre wenn“-Simulationen
Sensitivity Analysis Module	Developed in Study	N/A	Misst den Einfluss von Variablen auf Eigentumsergebnisse
Cross-Validation Framework (k-fold, LOOCV)	Scikit-learn compatible	RRID:SCR_002577	Verwendet für Modellvalidierung und Robustheitstests
Computing System (Intel Core i7, 16GB RAM)	Intel / OEM	N/A	Hardware, die für Modelltraining und -bewertung verwendet wird
Operating System (Windows 11)	Microsoft Windows	RRID:SCR_018096	Betriebssystem-Umgebung für die Implementierung