Modéliser l’incertitude juridique dans la propriété de contenu généré par l’IA : une approche bayésienne en réseau pour l’attribution des droits de propriété intellectuelle

Résumé

Cette étude présente un flux de travail basé sur le réseau bayésien pour analyser la propriété du contenu généré par IA en situation d’incertitude juridique et technique. En utilisant les litiges liés à l’IA, les jeux de données sur le droit d’auteur et les modèles cadres, des facteurs tels que la contribution humaine, les contrats, la légalité des données d’entraînement et l’autonomie de l’IA pour soutenir une prise de décision transparente, interprétable et basée sur des scénarios dans les litiges de propriété intellectuelle.

Résumé

L’adoption rapide de l’intelligence artificielle générative a mis en lumière les limites des cadres traditionnels de propriété intellectuelle fondés sur l’auteur humain, créant une incertitude dans l’attribution de la propriété. Cette étude propose un flux de travail basé sur le réseau bayésien pour analyser la propriété du contenu généré par IA en cas d’incertitude juridique et technique. Le flux de travail intègre la curation des ensembles de données, l’annotation des variables, la modélisation probabiliste des dépendances, la génération d’inférences, la validation croisée et l’analyse de sensibilité pour évaluer les relations entre facteurs, y compris la contribution humaine, la légalité des données d’entraînement, le contexte contractuel et l’autonomie de l’IA. Le cadre a été développé à partir de cas annotés dérivés d’un jeu de données de contentieux IA sélectionné, de bases de données d’opinions judiciaires publiques et de trackers de cas de droits d’auteur par IA. Une analyse de sensibilité a été réalisée pour examiner l’influence des variables juridiques et techniques sur l’attribution de la propriété dans différents scénarios. Le cadre proposé soutient le raisonnement probabiliste et interprétable pour les litiges liés à la propriété intellectuelle liés à l’IA et offre une approche structurée d’assistance à la décision pour les professionnels du droit, les décideurs politiques et les développeurs d’IA. Les résultats ont démontré des estimations de probabilité postérieure stables à travers les plis, avec une cohérence de la prédiction de propriété dépassant 80 % entre les ensembles de données. Ce cadre permet un raisonnement probabiliste basé sur des scénarios et fournit un outil d’aide à la décision interprétable, améliorant la transparence et la cohérence dans la résolution des litiges de propriété pour les professionnels du droit, les décideurs politiques et les développeurs d’IA.

Introduction

L’utilisation croissante des systèmes d’intelligence artificielle (IA) dans des secteurs à enjeux élevés, notamment la santé, la justice pénale, la finance et les plateformes numériques, soulève des questions importantes sur la responsabilité juridique, la responsabilité et l’équité. Malgré des progrès rapides, une grande partie de la littérature sur la gouvernance de l’IA est soit normative, soit prédictive et manque de soutien^{empirique 1,2}. Les méthodes actuelles pour découvrir les problèmes liés à l’IA, telles que les bases de données d’événements, la recherche basée sur des enquêtes et les cadres éthiques, ne parviennent souvent pas à capturer les problèmes persistants dans le monde réel. Ces approches sur-mettent soit l’accent sur les événements très médiatisés tout en ignorant les problèmes systémiques de niveau pratique, soit reflètent des attentes plutôt que des dommages^{observables 3,4}. La majorité des bases de données d’incidents reposent sur le reporting volontaire et la couverture médiatique, ce qui met fréquemment en lumière des échecs très médiatisés tout en sous-représentant les problèmes courants mais importants liés à l’IA ^5,6. En permettant aux systèmes de produire du texte, des images et de la musique grâce à des architectures d’apprentissage profond basées sur des transformers, l’IA générative, en particulier les grands modèles de langage (LLM), a rendu la production de contenu encore plus difficile ^7,8,9. Les cadres traditionnels de propriété intellectuelle fondés sur l’auteur humain rencontrent des difficultés à cause de ce changement, rendant plus difficile la distinction entre innovation humaine et machine^{10, 11, 12}.

Les études précédentes sur les contenus générés par IA et la propriété intellectuelle se sont principalement concentrées sur l’analyse des politiques et l’interprétation juridique, incluant des discussions conceptuelles sur la paternité, l’originalité et^{la propriété 13}. Même si ces études offrent des informations précieuses, elles restent principalement descriptives et manquent de méthodes informatiques pour répondre à l’incertitude de la détermination de la propriété¹⁴. Parallèlement, des méthodes technologiques pour soutenir l’attribution et la provenance du contenu ont été développées, notamment le filigranage, l’empreinte digitale et la protection des ensembles^{de données 15}. Cependant, la répartition légale de la propriété n’est pas abordée par ces approches, en particulier dans des contextes multipartites impliquant développeurs, utilisateurs et producteurs de données. De plus, les études interdisciplinaires actuelles n’ont pas progressé suffisamment vers des modèles probabilistes capables d’intégrer des facteurs techniques et juridiques pour l’évaluation de la propriété face à l’incertitude 16,17,18,19,20. Des études juridiques ont mis en lumière les limites des cadres existants de propriété intellectuelle dans la gestion de la propriété des contenus générés par l’IA. Dans de nombreuses juridictions, y compris en vertu de l’article 13 de la loi indienne sur le droit d’auteur, les œuvres générées par IA ne satisfont souvent pas aux critères traditionnels d’auteur, créant une ambiguïté de propriété^21,22. Bien que des études antérieures abordent les interprétations judiciaires et les implications du droit d’auteur, elles manquent de mécanismes formels pour modéliser l’incertitude dans la détermination de la propriété^22,23. Pour combler cette lacune, cette étude propose un cadre basé sur le réseau bayésien qui modélise les relations probabilistes entre l’implication humaine, la provenance des données d’entraînement, le contexte contractuel et l’autonomie de l’IA pour une analyse de propriété basée sur^{des scénarios 24}.

La recherche a exploré l’application de modèles d’apprentissage automatique tels que la régression logistique, les machines à vecteurs de support (SVM), les réseaux de neurones convolutionnels (CNN) et les réseaux à mémoire à court terme (LSTM) dans la prise de décision juridique, démontrant leur utilité dans des environnements juridiques à fort volume où l’analyse manuelle de précédents prend^{du temps 25}. Cependant, ces approches manquent souvent d’interprétabilité et de transparence, essentielles pour un soutien responsable aux décisions judiciaires. Par conséquent, les méthodes d’intelligence artificielle explicable (XAI) ont attiré l’attention pour améliorer l’interprétabilité et fournir un raisonnement compréhensible pour les décisions assistées par^{l’IA 26, 27, 28}.

Méthodologie / Approche	Données utilisées	Avantages	Inconvénients / Lacunes
Examen des instruments juridiques et techniques pour relier le contenu aux données de formation et proposer des cadres d’attribution et de responsabilisation. 29	Synthèse littéraire, exemples de cas	Intègre la perspective tech + juridique ; propose des stratégies d’attribution exploitables	Il manque de modélisation probabiliste formelle ; Aucune validation quantitative
Taxonomie des méthodes techniques de protection de la PI pour l’entraînement/les résultats de modèles génératifs. 30	Étude des approches techniques et des risques	Revue systématique ; organise les techniques existantes de protection de la PI	Axé sur l’entraînement - protection des données versus propriété des résultats générés
Propose une empreinte latente / filigranage pour vérifier l’origine de l’IA et l’attribution de l’IP. 31	Expériences avec des modèles génératifs (texte & image)	Outil de vérification pratique ; Preuves fortes pour la propriété	Le filigrane ne résout pas en soi les cadres de propriété légale
Analyse juridique comparative des normes d’attribution et de propriété entre juridictions. 32	Doctrine juridique, textes statutaires, affaires représentatives	Explique comment la contribution humaine influence les décisions de propriété	Descriptif ; ne propose pas de modèles computationnels

Tableau 1 : Résumé des méthodologies, sources de données et principales conclusions des travaux antérieurs. Aperçu des études existantes sur la propriété du contenu généré par l’IA, mettant en lumière les approches méthodologiques, les jeux de données utilisés et les principales conclusions.

Le tableau 1 résume les méthodologies existantes, les sources de données et les principaux résultats 29,30,31,32. Ce tableau aborde la propriété du contenu généré par IA dans la littérature et met en lumière les approches méthodologiques, les ensembles de données utilisés ainsi que les résultats de la littérature étudiée. Des études récentes sur la gouvernance de l’IA et les litiges liés au droit d’auteur ont encore mis en lumière les défis liés à la paternité, à la légalité des données d’entraînement et à l’allocation de propriété dans les contenus générés par^{l’IA 33,34}. Bien que des approches telles que le suivi de la provenance et la validation des preuves contribuent à l’analyse^{d’attribution 34}, les méthodes existantes basées sur des règles et l’apprentissage automatique restent limitées dans la gestion de l’ambiguïté, des preuves contradictoires et du raisonnement de propriété légalement interprétable. Des approches techniques telles que le filigranage et l’analyse de provenance se concentrent également principalement sur l’attribution plutôt que sur la détermination de la propriété.

Cet article propose un cadre basé sur le réseau bayésien pour évaluer la propriété du contenu généré par IA dans un contexte d’ambiguïté juridique et technique, en surmontant les lacunes des approches déterministes actuelles fondées sur des règles. Cette approche permet d’inférer des scénarios à partir de preuves incomplètes ou ambiguës en modélisant des interactions probabilistes entre des aspects clés, notamment l’engagement humain, la provenance des données d’entraînement, le contexte contractuel et l’autonomie de l’IA. La méthode suggérée, contrairement aux modèles prédictifs traditionnels, propose des estimations de probabilité a posteriori interprétables qui facilitent un raisonnement clair et organisé, conforme aux procédures décisionnelles judiciaires.

Des concepts juridiques et technologiques importants sont explicitement définis afin d’assurer la cohérence tout au long de l’étude. Alors que la « propriété » se rapporte à la répartition des droits liés à l’œuvre produite, « la paternité » fait référence à la reconnaissance légale d’un créateur. « Attribution » n’indique pas toujours la propriété légale, mais elle identifie les entités contributrices. « Explicabilité » fait référence à la capacité d’un modèle à fournir une justification compréhensible des résultats probabilistes, tandis que « l’incertitude juridique » désigne l’ambiguïté résultant de normes juridiques incomplètes ou changeantes. En intégrant des facteurs juridiques et techniques dans un flux de travail probabiliste interprétable, l’approche suggérée vise à faciliter une prise de décision structurée dans les conflits de propriété intellectuelle liés à l’IA. Pour les experts juridiques, législateurs et développeurs d’IA qui évaluent les préoccupations de propriété dans les systèmes d’IA générative, la technique offre une perspective computationnelle.

Protocole

Cette étude n’implique pas de participants humains ni de sujets animaux. L’analyse repose uniquement sur des documents juridiques accessibles publiquement et des ensembles de données juridiques sélectionnés. Par conséquent, l’approbation éthique et le consentement éclairé n’étaient pas requis.

La méthodologie proposée vise à capturer l’incertitude juridique entourant la propriété de contenus créés par IA en développant un réseau bayésien basé sur des données réelles de cas. Pour commencer, les cas liés à l’IA, y compris le droit d’auteur, les brevets et les secrets commerciaux, seraient prélevés à partir d’un corpus existant et chacun identifié avec des données juridiques réelles. Sur la base de précédents juridiques et d’études de cas existantes, les paramètres d’incertitude pouvant avoir un impact sur la propriété du contenu incluraient l’intervention humaine créative, l’autonomie des systèmes d’IA, la légalité des données d’entraînement, les définitions contractuelles de propriété, de juridiction et de transparence, chacun étant attribué comme nœud au sein du Réseau bayésien avec des états discrets indiquant des réalités juridiques et techniques différentes, et la détermination de la propriété du contenu comme nœud cible. La structure de ce réseau est découverte en intégrant l’expertise juridique avec la découverte structurelle basée sur les données afin de promouvoir à la fois l’interprétabilité et la plausibilité juridique. Les tables des probabilités conditionnelles sont ensuite approximées en fonction des résultats de litige identifiés dans les cas, permettant au réseau de traiter des données incertaines et incomplètes de manière probabiliste. Après l’entraînement du modèle, il permet à la fois l’inférence et les tests de scénarios pour déterminer comment les changements des facteurs contributifs impactent la propriété inférée du contenu généré par IA à partir de ce réseau bayésien construit, suivis de tests et d’analyses de sensibilité avant d’inférer des résultats facilitant les implications juridiques futures pour la propriété intellectuelle dans les applications d’IA, par les développeurs et devant les tribunaux. La figure 1 montre le flux de travail architectural de l’œuvre proposée.

Figure 1 : Diagramme architectural du cadre proposé : Aperçu du système proposé basé sur le réseau bayésien pour déterminer la propriété du contenu généré par IA. L’architecture illustre le passage de l’acquisition et annotation des données à la modélisation probabiliste, à l’inférence et à l’attribution de la propriété. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

La figure 1 illustre le flux de travail architectural du cadre proposé basé sur le réseau bayésien pour l’analyse de la propriété de contenu générée par IA. Le flux de travail comprend la collecte de données, l’annotation des caractéristiques, la modélisation des réseaux bayésiens, l’inférence probabiliste, l’analyse de scénarios et la validation. Les variables juridiques et techniques, telles que l’implication humaine, l’autonomie de l’IA, la provenance des données d’entraînement, le contexte contractuel et la juridiction, sont modélisées dans un cadre bayésien pour estimer l’attribution de la propriété dans des conditions incertaines. Le cadre soutient le raisonnement probabiliste interprétable et l’évaluation basée sur des scénarios pour le soutien juridique à la décision.

Collecte de données
Les données sur les affaires juridiques ont été collectées à partir de diverses sources afin de créer un ensemble de données axé sur la propriété et les litiges en propriété intellectuelle impliquant du contenu généré par IA. Pour commencer, l’ensemble général des affaires juridiques citées dans l’article de base a été filtré pour n’inclure que les litiges concernant le droit d’auteur, la propriété, les litiges liés à la propriété intellectuelle et d’autres questions de propriété intellectuelle dans les données d’entraînement. D’autres affaires juridiques ont été obtenues à partir de bases de données publiques d’opinions judiciaires qui donnent accès aux avis de millions d’affaires, ainsi qu’à un dépôt de suivi des dossiers de droits d’auteur qui suit les procédures judiciaires en cours et en cours dans le monde entier sur l’utilisation de l’intelligence artificielle en matière de propriété intellectuelle. Les affaires juridiques ont également été annotées pour mettre en évidence des variables clés, notamment l’issue du dossier juridique, le niveau d’intervention créative humaine, l’autonomie du système d’intelligence artificielle, l’origine des données d’entraînement, la juridiction et les paramètres du contrat, le cas échéant. Il s’agit d’un ensemble de données multi-sources qui agrège suffisamment de données sur la propriété intellectuelle liées à l’utilisation d’outils d’IA, adaptées au raisonnement probabiliste dans l’analyse bayésienne des réseaux.

Trois sources principales, dont le jeu de données de base de litiges par IA, une base de données publique d’opinions judiciaires et un dépôt IA de suivi des dossiers de droits d’auteur, ont été utilisées dans un processus méthodique de collecte et de sélection pour créer l’ensemble de données de cette étude. Des mots-clés tels que « intelligence artificielle », « contenu généré par IA », « droit d’auteur », « propriété intellectuelle », « auteur », « propriété » et « œuvres générées par machine » ont été utilisés dans les interfaces de recherche des dépôts et les champs de métadonnées pour identifier les cas pertinents. Les cas impliquant des contenus générés ou assistés par IA traitant de la propriété, de l’auteur ou de la propriété intellectuelle avec suffisamment de profondeur pour une extraction variable ont été examinés. Les cas qui étaient des doublons, non liés au contenu généré par l’IA, axés sur d’autres domaines juridiques ou manquant d’informations adéquates n’étaient pas acceptés. Une procédure de dépistage en deux phases a été utilisée, avec une évaluation intégrale de l’éligibilité après le titre initial et l’examen résumé. Pour garantir l’unicité, les doublons d’enregistrements sur plusieurs ensembles de données ont été identifiés à l’aide de métadonnées de cas et supprimés.

Les mots-clés « intelligence artificielle », « contenu généré par IA », « œuvres générées par des machines », « droits d’auteur », « auteur », « propriété », « données d’entraînement » et « litige de propriété intellectuelle » ont été utilisés dans le processus de recherche de jeux de données. Pour garantir la qualité et la pertinence de l’ensemble de données, une procédure de dépistage en deux étapes a été utilisée. Pour identifier les conflits de propriété et de droits d’auteur concernant l’IA, les titres et résumés de cas ont été examinés lors de la première étape. Pour déterminer l’éligibilité à l’inclusion dans l’étude, une revue complète de cas a été réalisée lors de la deuxième phase. Seuls les cas impliquant du contenu généré ou assisté par l’IA, avec des détails juridiques et techniques adéquats concernant l’auteur, l’attribution de la propriété, le contexte contractuel ou l’utilisation des données d’entraînement, étaient inclus. Étaient exclus les cas présentant des informations contextuelles insuffisantes, des documents juridiques insuffisants, des entrées en double et des cas sans rapport avec des conflits de propriété intellectuelle. En comparant des métadonnées telles que le titre de l’affaire, la juridiction, la date de dépôt et la catégorie de litige, les cas en double entre sources ont été identifiés et éliminés. Une annotation, la modélisation des réseaux bayésiens, l’inférence probabiliste et l’analyse de sensibilité ont ensuite été réalisées sur le jeu de données final sélectionné.

Les données utilisées dans l’étude constituent une compilation de sources juridiques couvrant l’ensemble des litiges concernant les droits de propriété de contenu par l’IA et les revendications de propriété intellectuelle, comme le montre le tableau 2. Premièrement, les données sur les litiges liés à l’IA utilisées dans l’étude principale incluent la préservation sélective d’environ 72 litiges juridiques spécifiquement liés aux revendications de droits d’auteur, à la paternité, à la paternité par invention et à la propriété impliquant des résultats liés à l’IA. Pour accroître la variabilité des données afin de mieux représenter les litiges émergents dans le domaine de l’IA générative, les données incluent l’acquisition de litiges pertinents provenant de la base de données publique des opinions judiciaires (CAP), une vaste collection publique d’opinions judiciaires américaines, afin de sélectionner des litiges spécifiques IA-PI de 38 réclamations en fonction des termes juridiques pertinents en PI. De plus, l’étude utilise l’AI et le Copyright Case Tracker pour inclure 21 litiges de droits d’auteur par IA de premier plan, basés sur une approche d’analyse juridique du droit d’auteur entraînée par l’IA qui affine la création d’un suivi personnalisé des cas de droits d’auteur par IA pour les grands litiges juridiques internationaux, en utilisant des approches d’analyse initiale spécifiques impliquant l’analyse des litiges de droits d’auteur par IA. Le jeu de données final comprenait 131 affaires : un jeu de données de base pour les litiges IA, une base de données publique d’opinions judiciaires et un dépôt de suivi de dossiers de droits d’auteur par IA. Ces cas ont été sélectionnés après application des procédures d’inclusion, d’exclusion et de déduplication.

Source du jeu de données	Type de jeu de données	Non. Des cas utilisés	Couverture
Base de données de contentieux IA1	Affaires judiciaires liées à l’IA	72 (sous-ensemble filtré)	Tribunaux fédéraux et d’État américains
Projet d’accès à la jurisprudence (CAP)31	Corpus de cas de droit public	38 (axé sur l’IA-IP)	Avis des tribunaux américains
IA et Suivi de cas de droits d’auteur (CMS)32	Résumés de cas sélectionnés	21 affaires marquantes	Global (US, UE, ROYAUME-UNI)

Tableau 2 : Description du jeu de données. Résumé des ensembles de données utilisés pour modéliser les litiges de propriété intellectuelle dans les contenus générés par l’IA, incluant la source, la structure et la pertinence pour l’analyse de propriété.

Pour garantir la précision et la cohérence, une combinaison de processus manuels et semi-automatisés a été utilisée. La méthode d’étiquetage utilisait trois annotateurs ayant une formation à la fois en droit et en études juridiques liées à l’IA. Toutes les variables, y compris l’intervention créative humaine, l’autonomie des systèmes d’IA, la légalité des données d’entraînement, les clauses de propriété contractuelle, la juridiction, la transparence de l’implication de l’IA, ainsi que les règles et exemples explicites de décision, ont été définies dans un code annoté. Deux annotateurs annotaient indépendamment chaque instance ; Les différends étaient réglés par discussion et, si nécessaire, par un troisième expert évaluateur. Le coefficient kappa de Cohen a été utilisé pour mesurer l’accord inter-évaluateurs ; le résultat fut de 0,81, indiquant un fort accord. Environ 9 % des cas concernaient des désaccords, principalement sur l’autonomie de l’IA et l’interprétation des contrats. Pour une modélisation ultérieure du réseau bayésien, les annotations complètes ont été utilisées.

Identification des facteurs d’incertitude juridique
Les principales sources d’incertitude dans la propriété de contenu généré par l’IA ont été identifiées grâce à une analyse des affaires de propriété intellectuelle liées à l’IA à travers plusieurs ensembles de données juridiques, y compris des ensembles de données basés sur des litiges et des dépôts judiciaires publics. La créativité humaine, l’autonomie de l’IA, la légalité des données d’entraînement, les liens contractuels, les questions de juridiction et la transparence des systèmes d’IA étaient des facteurs importants. Le degré d’engagement humain et les définitions de propriété contractuelle étaient souvent mis en avant par les tribunaux, et l’ambiguïté juridique était accentuée par les différences dans les lois sur le droit d’auteur et l’utilisation des données de formation protégées. Le cadre du réseau bayésien pour l’analyse probabiliste de la propriété a été développé sur la base de ces considérations.

Facteur	Description
Implication créative humaine	Degré de contribution humaine à la production du contenu (élevée, modérée ou minimale).
Niveau d’autonomie de l’IA	Dans quelle mesure le système d’IA fonctionne de manière indépendante sans supervision humaine.
Formation de la propriété des données et légalité	Statut juridique des données d’entraînement utilisées (licenciées, du domaine public, propriétaires ou en contrefait).
Clauses de propriété contractuelle	Existence et clarté des accords définissant la propriété des parties prenantes.
Cadre juridique juridictionnel	Lois nationales ou régionales applicables sur la propriété intellectuelle.
Objectif d’utilisation	Que le contenu généré par l’IA soit utilisé à des fins commerciales ou non commerciales.
Transparence et explicabilité	Disponibilité des informations concernant la conception et le fonctionnement du système d’IA.
Divulgation de l’aide à l’IA	Si l’utilisation de l’IA dans la création de contenu a été explicitement divulguée ?
Nature du contenu généré	Type de sortie produite (par exemple, texte, image, code ou design).
Disponibilité des précédents judiciaires	Présence de décisions judiciaires antérieures pertinentes à la propriété de contenu généré par l’IA.

Tableau 3 : Facteurs clés d’incertitude juridique et technique influençant la propriété. Identification des variables critiques affectant l’attribution de propriété dans le contenu généré par l’IA, englobant à la fois les dimensions juridiques et techniques.

Le tableau 3 résume les incertitudes liées à l’attribution de la propriété dans le modèle proposé du réseau bayésien. Ces incertitudes découlent des litiges de propriété intellectuelle liés à l’IA et des lois existantes sur la propriété intellectuelle. L’apport créatif humain et l’autonomie en IA désignent la relation entre les auteurs humains et le contenu généré par l’IA dans la détermination de la propriété. Les incertitudes, notamment la légalité des données d’entraînement utilisées par l’IA, la propriété du contrat et les lois existantes sur la propriété intellectuelle de la juridiction, constituent des motifs de litige. L’objectif de l’utilisation et la divulgation de l’assistance à l’IA se réfèrent aux circonstances dans lesquelles le système judiciaire considère la génération assistée par l’IA. La transparence et l’explicabilité, en revanche, désignent l’aspect associé à la responsabilité et à la responsabilité. D’autres incertitudes, notamment la nature des créations générées par l’IA et les précédents judiciaires existants, déterminent comment les lois existantes sur la propriété intellectuelle s’appliquent aux créations IA.

Annotation des données et encodage de variables
Le jeu de données, construit à partir de litiges liés à l’IA filtrés, de CAP et de certains dossiers de droits d’auteur liés à l’IA, entre autres, sera ensuite annoté manuellement et semi-automatiquement en fonction des facteurs d’incertitude juridique identifiés pour chaque affaire. Pour chaque cas, les étiquettes structurées sont déterminées en évaluant les avis de justice, les descriptions et le raisonnement. La tâche d’annotation consiste à déterminer à la fois des facteurs juridiques et techniques, tels que le niveau de participation créative humaine, l’autonomie de l’IA, la validité juridique des données d’entraînement, les clauses contractuelles sur la propriété, la juridiction, et la divulgation de l’assistance par l’IA. Pour des raisons de cohérence, les directives sont dérivées d’autres principes de propriété intellectuelle et vérifiées par des vérifications croisées entre diverses sources juridiques. Consultez le Fichier Supplémentaire 1(S1) pour une description mathématique détaillée de l’annotation des données et de l’encodage des variables.

Le cadre a été implémenté à l’aide d’un langage de programmation doté de bibliothèques de modélisation graphique probabiliste et d’outils de calcul numérique. Le prétraitement et l’analyse des données étaient réalisés dans un environnement informatique basé sur un ordinateur portable sur un système de bureau équipé d’un processeur multi-cœurs et d’une configuration mémoire standard

Pour garantir la cohérence et la reproductibilité dans l’annotation des ensembles de données, un schéma structuré de codage des variables a été développé pour tous les facteurs juridiques et techniques inclus dans le cadre du réseau bayésien. Chaque cas a été examiné manuellement et annoté à l’aide d’états catégoriels prédéfinis dérivés de précédents juridiques et de littérature sur la gouvernance de l’IA. Le tableau 4 résume les variables, descriptions et catégories de codage utilisées dans l’étude. Pour faciliter la modélisation probabiliste et l’inférence basée sur des scénarios dans le cadre du réseau bayésien, le système de codage a été appliqué de manière uniforme à tous les cas annotés. Pour représenter des circonstances juridiques et technologiques souvent observées dans les conflits impliquant du matériel généré par l’IA, des états variables ont été choisis.

Variable	Description	Catégories de codage
Contribution humaine	Degré d’implication créative humaine dans la création de contenu	Bas, Moyen, Haut
Autonomie de l’IA	Niveau de génération indépendante de systèmes d’IA	Bas, Moyen, Haut
Légalité des données d’entraînement	Statut juridique des jeux de données utilisés pour l’entraînement de l’IA	Licencié, domaine public, incertain, non autorisé
Propriété contractuelle	Présence de clauses de propriété contractuelle	Présent, absent
Clarté de l’attribution	Clarté de l’identification des contributeurs	Clair, partiel, flou
Compétence	Juridiction juridique associée au litige	Inde, États-Unis, Chine, autres
Transparence	Disponibilité des informations concernant le processus de génération de l’IA	Élevé, Modéré, Faible
Issue de la propriété	Résultat final de l’attribution de la propriété (variable cible)	Propriété humaine, propriété partagée, propriété organisationnelle, incertain

Tableau 4 : Schéma de codage variable utilisé pour l’annotation de réseaux bayésiens. Le tableau résume les variables juridiques et techniques utilisées lors de l’annotation des ensembles de données, y compris leurs définitions et états de codage catégoriels appliqués à la modélisation probabiliste et à l’inférence de propriété.

Conception de structure de réseau bayésienne
Le Réseau Bayésien (BN) a été créé pour modéliser les relations probabilistes entre les facteurs contextuels, technologiques et juridiques qui influencent la propriété de l’information produite par l’intelligence artificielle. Alors que le nœud cible représentait les résultats de propriété, les nœuds réseau représentaient des variables telles que la contribution humaine, l’autonomie de l’IA, la légalité des données d’entraînement, les termes de propriété contractuelle et la juridiction. Les dépendances conditionnelles découlant d’associations basées sur les données et de processus de raisonnement judiciaire ont été enregistrées par des arêtes dirigées. L’optimisation basée sur les données et les contraintes juridiques ont été combinées dans une méthode hybride d’apprentissage structure. Les dépendances admises étaient déterminées par des principes judiciaires, et le graphique de dépendance le plus probable expliquant les résultats des litiges rapportés a été trouvé grâce à l’apprentissage de la structure basée sur les scores. Cette méthode garantissait que le réseau final resterait à la fois légalement interprétable et statistiquement valide.

Figure 2 : Structure du réseau bayésien utilisée pour l’inférence de propriété. Représentation graphique du réseau bayésien montrant les dépendances entre les variables juridiques et techniques influençant les décisions de propriété. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

La figure 2 montre comment un réseau bayésien est utilisé dans les assignations de propriété de contenu générées par l’IA. Sur un modèle de premier niveau, certaines variables d’entrée essentielles, à savoir l’entrée humaine, les données d’entraînement, l’autonomie de l’IA et la juridiction, indiquent des dimensions juridiques et techniques essentielles à prendre en compte lors de l’attribution d’un droit sur le contenu généré par l’IA. Chaque variable est désignée comme un nœud probable plutôt qu’une règle codée en dur, permettant un modèle tenant compte des dépendances de variables. Les nœuds verts, également appelés points de connexion, apparaissent entre les nœuds d’entrée et la sortie finale. Ils indiquent, par exemple, comment les niveaux d’implication humaine sont corrélés à l’autonomie de l’IA, tandis que les données de formation juridiques et les facteurs juridictionnels contribuent à définir un droit au contenu généré par l’IA d’un point de vue juridictionnel.

La théorie juridique et les données annotées de contentieux ont servi de base à la sélection des variables et aux définitions d’états discrets du réseau bayésien. Compte tenu de leur importance pour déterminer la propriété, des facteurs clés tels que l’implication humaine, l’autonomie de l’IA, la légalité des données d’entraînement, les conditions contractuelles, la juridiction et la transparence ont été prioritaires. Des critères d’annotation évalués par des experts ont été utilisés pour discrétiser les variables en catégories juridiquement significatives. Pour identifier les dépendances statistiquement étayées, une stratégie hybride combinant apprentissage basé sur les scores et contraintes juridiques a été utilisée pour construire la structure du réseau. L’approche a été validée à l’aide d’études de sensibilité et d’ablation, qui ont confirmé l’impact significatif de l’apport humain et des restrictions contractuelles sur l’inférence de propriété, tandis que d’autres variables ont montré des effets modérateurs. Pour les systèmes d’aide à la décision, cette approche combinée juridique-empirique renforce à la fois la robustesse et l’interprétabilité.

Les probabilités inférées de tous les nœuds interconnectés convergent au nœud de décision de propriété, qui génère des probabilités de propriété a posteriori basées sur les preuves juridiques et techniques disponibles. Cela permet une inférence de propriété même dans des conditions incomplètes ou contestées et soutient la mise à jour dynamique lorsque de nouvelles preuves apparaissent. Pour réduire le surajustement et les corrélations fallacieuses, la sélection de modèles et l’analyse de sensibilité ont été utilisées pour éliminer les arêtes redondantes ou à faible impact, donnant ainsi un graphe acyclique dirigé (DAG) concis. La structure finale du réseau bayésien capture à la fois les dépendances probabilistes et les relations causales entre les facteurs contribuant à l’incertitude juridique dans la propriété de contenu généré par l’IA. La description mathématique de la conception du réseau bayésien est fournie dans le Fichier Supplémentaire 1 (S2).

Le réseau bayésien permet une inférence probabiliste de propriété même lorsque certains facteurs juridiques ou techniques sont incomplets ou partiellement observables. En modifiant les variables de preuves, le cadre soutient également l’analyse basée sur des scénarios pour la prise de décision juridique, l’évaluation des politiques et les applications de gouvernance de l’IA. La structure réseau a été développée selon une approche hybride combinant des contraintes juridiques définies par des experts avec un apprentissage basé sur les données. Un algorithme de montée de côte avec un score Bayésian Information Criterion (BIC) a été utilisé pour l’optimisation de structure, tandis que l’estimation des paramètres bayésiens avec des priors de Dirichlet et le lissage de Laplace (&α = 1) a abordé la rareté des données et les observations manquantes. Toutes les variables étaient représentées comme des états catégoriels discrets pour soutenir l’inférence probabiliste. Des modules de modélisation graphique probabiliste Python ont été utilisés pour construire le cadre du réseau bayésien. Les deux phases de la construction du réseau étaient l’apprentissage des paramètres et la définition de la structure. Initialement, les nœuds du réseau représentaient les caractéristiques juridiques et techniques observées lors de l’annotation des ensembles de données. Une méthode hybride associant une analyse de dépendance structurelle basée sur les données avec des relations juridiques définies par des experts a été utilisée pour créer des arêtes dirigées entre les nœuds. L’estimation du maximum de vraisemblance a été utilisée pour estimer les tables de probabilité conditionnelle (CPT) à partir de l’ensemble annoté. Les techniques de modélisation graphique probabiliste dans un package d’environnement computationnel ont été utilisées pour implémenter le réseau bayésien, avec la fonction d’estimateur de maximum de vraisemblance pour l’apprentissage des paramètres et la fonction du réseau bayésien () pour définir la structure du réseau. La procédure d’inférence d’élimination des variables () a été utilisée pour calculer les probabilités de possession a posteriori sous diverses conditions de preuve.

Apprentissage des paramètres
Dans la modélisation quantitative de l’incertitude juridique dans la propriété de contenu généré par l’IA, l’estimation des paramètres est une étape cruciale dans le cadre proposé du réseau bayésien. L’estimation des paramètres bayésiens a été utilisée pour apprendre les tables de probabilité conditionnelle (CPT) à partir de cas juridiques annotés. Bien que le nœud objectif indique l’attribution de la propriété, chaque nœud reflète un aspect juridique ou technologique, tel que la contribution humaine, l’autonomie de l’IA, la légalité des données d’entraînement ou des clauses de propriété contractuelle. Parce que les estimations bayésiennes peuvent traiter peu de matériel juridique et de preuves insuffisantes, elles ont été choisies pour promouvoir un raisonnement juridique interprétable et représenter les corrélations probabilistes observées dans les décisions judiciaires. Les valeurs de probabilité conditionnelles représentatives acquises au sein du réseau bayésien sont présentées dans le tableau 5. Alors qu’une grande autonomie de l’IA favorise l’incertitude ou les résultats de non-propriété, un engagement créatif humain significatif indique une probabilité substantielle de propriété humaine, indiquant l’accent judiciaire sur la contribution intellectuelle humaine. Les résultats soulignent également l’importance des termes de propriété contractuelle et la légalité des données d’entraînement, les accords explicites et les données sous licence augmentant la propriété. La sensibilité du cadre à diverses situations juridiques est également démontrée par des variations de compétence.

Variables parentes	États des variables parentes	Issue de la propriété	Probabilité conditionnelle apprise
Implication créative humaine	Haut	Auteur humain	0.82
Implication créative humaine	Low	Développeur IA	0.41
Autonomie de l’IA	Haut	Aucune propriété reconnue	0.55
Légalité des données d’entraînement	Licencié	Humain / Développeur	0.76
Légalité des données d’entraînement	Infraction	Pas de propriété / Contesté	0.68
Clause de propriété contractuelle	Présent explicite	Partie contractuelle	0.89
Clause de propriété contractuelle	Absent	Contesté / Incertain	0.61
Cadre Juridictionnel	Droit de la PI centré sur l’humain	Auteur humain	0.79
Cadre Juridictionnel	Droit ambigu / émergent	Articulation / Incertain	0.47

Tableau 5 : Exemples de probabilités conditionnelles dans le modèle de réseau bayésien. Valeurs de probabilité conditionnelles illustratives apprises par le réseau bayésien, démontrant les dépendances entre les variables clés influençant les résultats de propriété.

L’algorithme 1 englobe l’ensemble du processus proposé du cadre Bayésien Network pour capturer les incertitudes de propriété dans le contenu IA. Algorithme 1 : Initier une structure de réseau bayésien en définissant le modèle graphique où les nœuds représentent les incertitudes techniques et juridiques examinées dans les litiges avec des informations annotées, et où le nœud cible est la désignation de propriété. La structure du modèle du réseau bayésien peut alors être établie en appliquant une approche conjointe qui fusionne les structures juridiquement contraignantes existantes avec des structures optimisées dérivées des données. Les tables de probabilité conditionnelle peuvent alors être spécifiées en implémentant le schéma bayésien d’estimation des paramètres basé sur le jeu de données obtenu, tenant ainsi compte des incertitudes, de la rareté et des relations conditionnelles déduites par la justice. Lors de l’application de l’algorithme à un exemple juridique ou hypothétique particulier, l’information d’entrée ou la preuve peut être obtenue dans le réseau bayésien en appliquant l’inférence probabiliste pour déterminer la probabilité a posteriori de propriété. L’algorithme peut ensuite appliquer des ajustements aux valeurs d’entrée en modifiant de manière itérative les données de preuve au réseau bayésien et en évaluant l’impact sur la désignation de la propriété en ajustant l’entrée humaine, l’autonomie de l’IA, la légalité contractuelle et la légalité des données d’entraînement. Consultez le fichier supplémentaire 1(S3) pour les étapes algorithmiques.

Inférence probabiliste et analyse de scénarios
La structure graphique du réseau bayésien et les tables de probabilité conditionnelle peuvent alors être entraînées sur un ensemble de données annoté de litiges liés à l’IA concernant la propriété, et le système permet d’inférer la probabilité de propriété. Les descriptions mathématiques sont indiquées dans le Fichier Supplémentaire 1 (S4).

En observant comment ces probabilités de propriété a posteriori varient selon les scénarios contrafactuels, le modèle fournit un ensemble d’influences relatives sur les résultats judiciaires pour chaque caractéristique juridique et technique. Cette capacité d’inférence basée sur des scénarios constitue l’une des principales contributions du travail proposé, car elle s’aligne avec la manière dont les tribunaux, les décideurs et les experts juridiques raisonnent sur la propriété du contenu généré par l’IA : par une évaluation contextuelle plutôt que par l’application rigide des règles. Le Réseau Bayésien sert par la présente de rôle d’outil explicable d’assistance à la décision, transformant les schémas de contentieux empiriques en analyses probabilistes qui soutiennent un raisonnement cohérent entre juridictions, contextes contractuels et niveaux d’autonomie de l’IA. En conséquence, un tel factoriel d’utilisabilité dépasse l’analyse juridique descriptive en fournissant un mécanisme systématique pour anticiper les résultats de propriété dans le cadre de régimes en évolution de l’IA et de la propriété intellectuelle. L’approche d’élimination des variables a été utilisée pour calculer la probabilité a posteriori des résultats de propriété afin d’inférer. Changer de manière itérative les variables de preuve et recalculer les distributions postérieures a permis une analyse de scénarios. Pour garantir la résilience à travers de petits ensembles de données, le modèle a été validé par validation leave-one-out et k-fold cross-validation (k = 5). Pour réaliser une analyse de sensibilité, les variables d’entrée ont été systématiquement variées, et les variations associées des probabilités a posteriori (ΔP(Y)) ont été mesurées.

Validation du modèle et analyse de sensibilité
Le modèle de réseau bayésien suggéré a été vérifié à l’aide d’un ensemble de données annoté de conflits de propriété intellectuelle liés à l’IA afin de garantir la fiabilité, la robustesse et l’applicabilité juridique. Pour prévoir les résultats de propriété et les comparer à des décisions juridiques réelles, une approche de validation rétrospective a été utilisée. Compte tenu de la rareté des situations de litige de propriété liées à l’IA, la validation croisée par le « leave one-out » et la validation croisée k-fold ont été utilisées pour évaluer la robustesse du modèle.

L’impact des facteurs juridiques et techniques sur l’attribution de la propriété, notamment l’implication humaine, l’autonomie de l’IA, la légalité des données d’entraînement et les conditions de propriété contractuelle, a été examiné par une analyse de sensibilité. L’étude a identifié des facteurs contextuels et à fort impact qui influencent les choix de propriété en modifiant les états des ganglions parentaux et en surveillant les changements des probabilités postérieures. En montrant comment l’ambiguïté juridique se propage dans tout le réseau, cela a renforcé l’interprétabilité. Les résultats de validation et d’analyse de sensibilité sont rassemblés dans le tableau 6. Lors de la validation croisée, le modèle a obtenu plus de 80 % d’accord entre les résultats judiciaires déduits et réels. Les tests de robustesse ont confirmé une inférence fiable dans des contextes à preuves limitées, et une faible variance postérieure entre les plis suggérait des probabilités conditionnelles stables et généralisables. L’analyse de sensibilité a révélé que, si l’autonomie de l’IA et la légalité des données d’entraînement augmentaient considérablement l’incertitude de l’attribution, les clauses de propriété contractuelle et l’implication créative humaine avaient le plus grand impact sur l’attribution de la propriété. Les conditions techniques et contractuelles interagissaient avec des variables juridictionnelles, exerçant un effet modéré. Dans l’ensemble, les résultats montrent que le paradigme proposé est à la fois légalement interprétable et empiriquement fondé.

Validation / Aspect de la sensibilité	Méthode appliquée	Métrique / Observation
Validation basée sur les cas	Validation croisée Leave-One-Out	Consistance des résultats de propriété à 81,3 %
Stabilité des plis croisés	Validation croisée à 5 fois	La variance postérieure < 0,05 à travers les plis
Robustesse des preuves manquantes	Inférence partielle de preuves	< changement de 7 % des probabilités postérieures
Sensibilité : Implication créative humaine	Perturbation à un facteur	ΔP(Y) ≈ +0,32
Sensibilité : autonomie de l’IA	Perturbation à un facteur	ΔP(Y) ≈ −0,28
Sensibilité : légalité des données d’entraînement	Perturbation à un facteur	ΔP(Y) ≈ +0,25
Sensibilité : Clauses contractuelles	Perturbation à un facteur	ΔP(Y) ≈ +0,37
Sensibilité : Juridiction	Perturbation à un facteur	ΔP(Y) ≈ +0,14

Tableau 6 : Résultats de validation et d’analyse de sensibilité. Résultats de la validation du modèle et de l’analyse de sensibilité, évaluant la robustesse, la stabilité et l’impact des variables clés sur l’inférence de propriété.

Interprétation et analyse des implications politiques
Les résultats probabilistes du réseau bayésien fournissent un cadre interprétable pour analyser la propriété du contenu généré par l’IA en modélisant les facteurs juridiques et techniques, notamment la contribution humaine, l’autonomie de l’IA, la clarté contractuelle et la légalité des données d’entraînement. Plutôt que de servir uniquement de résultats prédictifs, les estimations de probabilité a posteriori soutiennent un raisonnement transparent basé sur des scénarios dans des conditions juridiques incertaines. Ce cadre peut aider les professionnels du droit à améliorer la cohérence lors de l’évaluation de la propriété, soutenir les décideurs dans l’identification des lacunes réglementaires liées au contenu généré par l’IA, et aider les développeurs d’IA à évaluer comment les choix de conception et de gouvernance peuvent influencer l’attribution de la propriété dans différents contextes juridiques.

Résultats

Les résultats de l’expérience démontrent l’efficacité du cadre du réseau bayésien pour saisir la nature de l’incertitude dans la propriété de contenu produit par l’IA. Le modèle propose une approche structurée et basée sur les données pour soutenir l’inférence de propriété en cas d’incertitude. Le jeu de données final comprenait 131 affaires : un jeu de données de base pour les litiges IA, une base de données publique d’opinions judiciaires et un dépôt de suivi de dossiers de droits d’auteur par IA. Ces cas ont été sélec...

Discussion

Le cadre proposé du réseau bayésien constitue une avancée par rapport aux recherches actuelles sur la propriété du contenu généré par l’IA, par opposition aux approches descriptives ou d’identification par question d’autres œuvres. Les autres ouvrages, y compris l’article de base de Raghupathi et al. en¹, utilisent essentiellement des approches d’apprentissage automatique en analyse de texte pour tenter de découvrir des thèmes ou des catégories dans le contexte du...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Judicial Opinions & Court Records Dataset	Caselaw Access Project (CAP)	RRID:SCR_016043	Source des décisions judiciaires utilisées pour extraire le raisonnement juridique et les résultats de propriété
AI & Copyright Case Tracker	CMS Legal	N/A	Ensemble de données organisées de litiges mondiaux liés à la propriété intellectuelle et à l'IA
Legal Contracts & Agreements Dataset	Various Public Legal Repositories	N/A	Documents définissant la propriété, la licence et les droits contractuels
Statutory and Case Law References	Government Legal Portals	N/A	L Lois sur la propriété intellectuelle et précédents judiciaires utilisés pour l'analyse
Legal Annotation Guidelines	Expert-defined (Manual Framework)	N/A	Règles pour l'annotation cohérente des variables d'incertitude juridique
Annotated Legal Dataset	Generated in Study	N/A	Ensemble de données étiqueté avec des variables juridiques et techniques pour la modélisation
Python Programming Environment (v3.10)	Python Software Foundation	RRID:SCR_008394	Environnement de programmation de base utilisé pour la mise en œuvre
pgmpy Library (v0.1.24)	Open-source	RRID:SCR_016274	Bibliothèque utilisée pour la modélisation de réseaux bayésiens
NumPy (v1.24)	Open-source	RRID:SCR_008633	Calculs numériques et opérations sur les tableaux
Pandas (v1.5)	Open-source	RRID:SCR_018214	Prétraitement des données et gestion des ensembles de données
Jupyter Notebook	Project Jupyter	RRID:SCR_018315	Environnement interactif pour le développement de modèles
Bayesian Network Model	Developed in Study	N/A	Modèle graphique probabiliste pour l'inférence de propriété
Hill Climbing Algorithm (BIC)	Implemented via pgmpy	N/A	Méthode d'apprentissage de structure pour le réseau bayésien
Variable Elimination Inference Engine	Implemented via pgmpy	N/A	Calcule les probabilités de propriété postérieures
Scenario Analysis Module	Developed in Study	N/A	Permet les simulations « what-if »
Sensitivity Analysis Module	Developed in Study	N/A	Mesure l'influence des variables sur les résultats de propriété
Cross-Validation Framework (k-fold, LOOCV)	Scikit-learn compatible	RRID:SCR_002577	Utilisé pour la validation du modèle et les tests de robustesse
Computing System (Intel Core i7, 16GB RAM)	Intel / OEM	N/A	Matériel utilisé pour l'entraînement et l'évaluation du modèle
Operating System (Windows 11)	Microsoft Windows	RRID:SCR_018096	Environnement OS pour la mise en œuvre