מידול אי-ודאות משפטית בבעלות על תוכן שנוצר על ידי בינה מלאכותית: גישה רשת בייסיאנית להקצאת זכויות קניין רוחני

סיכום

מחקר זה מציג תהליך עבודה מבוסס רשת בייסיאנית לניתוח בעלות על תוכן שנוצר על ידי בינה מלאכותית תחת אי-ודאות משפטית וטכנית. באמצעות תביעות בינה מלאכותית, מאגרי זכויות יוצרים ומודלים של מסגרת, גורמים כמו תרומה אנושית, חוזים, חוקיות נתוני ההכשרה ואוטונומיה של בינה מלאכותית לתמיכה בקבלת החלטות שקופה, ניתנת לפרשנות ומבוססת תרחישים בסכסוכי קניין רוחני.

תקציר

האימוץ המהיר של בינה מלאכותית גנרטיבית חשף מגבלות במסגרות קניין רוחני מסורתיות המבוססות על מחבר אנושי, ויצר אי-ודאות בייחס הבעלות. מחקר זה מציע תהליך עבודה מבוסס רשת בייסיאנית לניתוח בעלות על תוכן שנוצר על ידי בינה מלאכותית תחת אי-ודאות משפטית וטכנית. זרימת העבודה משלבת אוצרות מערכי נתונים, הערות משתנים, מידול תלות הסתברותית, יצירת הסקנות, אימות הדדי וניתוח רגישות כדי להעריך קשרים בין גורמים, כולל תרומה אנושית, חוקיות נתוני האימון, הקשר חוזי ואוטונומיה של הבינה המלאכותית. המסגרת פותחה באמצעות תיקים עם הערות שמקורם במאגר נתוני ליטיגציה בינה מלאכותית, מאגרי דעות בית משפט זמינים לציבור, ומעקבי תיקים לזכויות יוצרים של בינה מלאכותית. בוצע ניתוח רגישות לבחינת השפעת משתנים משפטיים וטכניים על ייחוס בעלות בתרחישים שונים. המסגרת המוצעת תומכת בהיגיון הסתברותי וניתן לפרשנות בסכסוכי קניין רוחני הקשורים לבינה מלאכותית ומספקת גישה מובנית לתמיכה בהחלטות לאנשי מקצוע משפטיים, מקבלי החלטות ומפתחי בינה מלאכותית. התוצאות הראו הערכות הסתברות אחוריות יציבות בין הקיפולים, כאשר עקביות תחזית הבעלות עולה על 80% בין מערכי הנתונים. המסגרת מאפשרת הסקה הסתברותית מבוססת תרחישים ומספקת כלי תמיכה בהחלטות שניתן לפרש, המשפר את השקיפות והעקביות בפתרון סכסוכי בעלות עבור אנשי מקצוע משפטיים, מקבלי מדיניות ומפתחי בינה מלאכותית.

מבוא

השימוש הגובר במערכות בינה מלאכותית (AI) בתעשיות בעלות סיכון גבוה, כולל בריאות, משפט פלילי, פיננסים ופלטפורמות דיגיטליות, מעלה שאלות חשובות בנוגע לאחריות משפטית, אחריות והגינות. למרות התקדמות מהירה, חלק גדול מהספרות על ממשל בינה מלאכותית היא נורמטיבית או חזויה, וחסרה תמיכה אמפירית ^1,2. שיטות נוכחיות לגילוי בעיות הקשורות לבינה מלאכותית, כגון מאגרי אירועים, מחקר מבוסס סקרים ומסגרות אתיות, לעיתים קרובות אינן מצליחות ללכוד בעיות מתמשכות בעולם האמיתי. גישות אלו או מדגישות יתר על המידה אירועים בולטים תוך התעלמות מנושאים מערכתיים ברמת הפרקטיקה, או משקפות ציפיות במקום נזק נראה ^3,4. רוב מאגרי האירועים מסתמכים על דיווח וולונטרי וכיסוי תקשורתי, שלעיתים קרובות מדגישים כשלים בולטים תוך מייצוג חסר של בעיות נפוצות אך חשובות הקשורות לבינה מלאכותית ^5,6. על ידי מתן אפשרות למערכות לייצר טקסט, תמונות ומוזיקה באמצעות ארכיטקטורות למידה עמוקה מבוססות טרנספורמרים, הבינה המלאכותית הגנרטיבית, במיוחד מודלי שפה גדולים (LLMs), הפכה את ייצור התוכן למאתגר אף יותר ^7,8,9. מסגרות קניין רוחני מסורתיות המבוססות על מחבר אנושי מתמודדות עם קשיים בעקבות שינוי זה, מה שמקשה על ההבחנה בין חדשנות אנושית לחדשנות שנוצרה על ידי מכונה 10,11,12.

מחקרים קודמים על תוכן וקניין רוחני שנוצר על ידי בינה מלאכותית התמקדו בעיקר בניתוח מדיניות ופרשנות משפטית, כולל דיונים קונספטואליים על מחברות, מקוריות ובעלות¹³. למרות שמחקרים אלו מציעים תובנות חשובות, הם נשארים בעיקר תיאוריים וחסרים שיטות חישוביות לטיפול באי-ודאות בקביעת בעלות¹⁴. במקביל, פותחו שיטות טכנולוגיות לתמיכה בייחוס תוכן ומקורו, כולל סימון מים, טביעות אצבע והגנה על מערכי נתונים¹⁵. עם זאת, החלוקה המשפטית של הבעלות אינה מטופלת בגישות אלו, במיוחד בהקשרים מרובי בעלי עניין עם מפתחים, משתמשים ומפיקי נתונים. בנוסף, מחקרים בין-תחומיים עדכניים לא התקדמו מספיק לעבר מודלים הסתברותיים שיכולים לשלב גורמים טכניים ומשפטיים להערכת בעלות לנוכח אי-ודאות 16,17,18,19,20. מחקרים משפטיים הדגישו את המגבלות של מסגרות קניין רוחני קיימות בהתמודדות עם בעלות על תוכן שנוצר על ידי בינה מלאכותית. במדינות רבות, כולל לפי סעיף 13 לחוק זכויות היוצרים ההודי, יצירות שנוצרו על ידי בינה מלאכותית לעיתים קרובות אינן עומדות בקריטריונים המסורתיים של מחברות, מה שיוצר עמימות בעלות^21,22. למרות שמחקרים קודמים דנים בפרשנויות שיפוטיות ובהשלכות זכויות יוצרים, הם חסרים מנגנונים פורמליים למידול אי-ודאות בקביעת הבעלות^22,23. כדי להתמודד עם הפער הזה, מחקר זה מציע מסגרת מבוססת רשת בייסיאנית המדומה יחסים הסתברותיים בין מעורבות אנושית, מקור נתוני הכשרה, הקשר חוזי ואוטונומיה של בינה מלאכותית לניתוח בעלות מבוסס תרחישים²⁴.

מחקרים בחנו את יישום מודלי למידת מכונה כגון רגרסיה לוגיסטית, מכונות וקטוריות תמיכה (SVMs), רשתות עצביות קונבולוציונליות (CNNs) ורשתות זיכרון קצר טווח (LSTM) בקבלת החלטות משפטיות, והדגישו את יעילותם בסביבות משפטיות בנפח גבוה שבהן ניתוח תקדימים ידני גוזל זמן²⁵. עם זאת, גישות אלו לעיתים קרובות חסרות פרשנות ושקיפות, החיוניות לתמיכה בהחלטות שיפוטיות אחראיות. כתוצאה מכך, שיטות בינה מלאכותית ניתנת להסבר (XAI) משכו תשומת לב לשיפור יכולת הפרשנות ולספק הסקה מובנת להחלטות בסיוע בינה מלאכותית 26,27,28.

מתודולוגיה / גישה	נתונים בשימוש	יתרונות	חסרונות / פערים
סקירת כלים משפטיים וטכניים לקישור תוכן לנתוני הכשרה והצעת מסגרות לייחוס ואחריות. 29	סקר ספרות, דוגמאות למקרים	משלב פרספקטיבה של טכנולוגיה + חוק; מציע אסטרטגיות ייחוס מעשיות	חסר מודלים הסתברותיים פורמליים; אין אימות כמותי
טקסונומיה של שיטות הגנה טכניות על IP לאימון/פלטים של מודלים גנרטיביים. 30	סקירה של גישות טכניות וסיכונים	סקירה שיטתית; מארגן טכניקות קיימות להגנה על קניין רוחני	מתמקד בהגנה על נתוני הדרכה לעומת בעלות על פלטים שנוצרו
מציע טביעת אצבע / סימני מים סמויים לאימות מקור הבינה המלאכותית וייחוס הקניין הרוחני. 31	ניסויים במודלים גנרטיביים (טקסט ותמונה)	כלי אימות מעשי; חזק לעדויות בעלות	סימון מים לא פותר את מסגרות הבעלות המשפטיות בפני עצמו
ניתוח משפטי השוואתי של סטנדרטים של מחבר ובעלות בין תחומי שיפוט. 32	דוקטרינה משפטית, טקסטים סטטוטוריים, תיקים ייצוגיים	מסביר כיצד תרומה אנושית משפיעה על החלטות בעלות	תיאורי; אינה מציעה מודלים חישוביים

טבלה 1: סיכום מתודולוגיות, מקורות נתונים וממצאים מרכזיים בעבודות קודמות. סקירה של מחקרים קיימים על בעלות על תוכן שנוצר על ידי בינה מלאכותית, תוך הדגשת גישות מתודולוגיות, מאגרי נתונים בשימוש וממצאים מרכזיים.

טבלה 1 מסכמת את המתודולוגיות הקיימות, מקורות הנתונים והממצאים המרכזיים 29,30,31,32. טבלה זו דנה בבעלות על תוכן שנוצר על ידי בינה מלאכותית בספרות ומדגישה את הגישות המתודולוגיות, מאגרי הנתונים המנוצלים וממצאי הספרות הנבחנת. מחקרים עדכניים על ממשל בינה מלאכותית ומחלוקות זכויות יוצרים הדגישו עוד יותר אתגרים הקשורים לכתיבה, חוקיות נתוני הדרכה והקצאת בעלות בתוכן שנוצר על ידי בינה מלאכותית^33,34. למרות שגישות כמו מעקב מקור ואימות ראיות תורמות לניתוח ייחוס³⁴, שיטות מבוססות כללים ולמידת מכונה קיימות נותרות מוגבלות בטיפול בעמימות, ראיות סותרות והסקת בעלות משפטית ניתנת לפרשניות. גישות טכניות כמו סימון מים וניתוח מקור מתמקדות בעיקר בהקצאה ולא בקביעת בעלות.

מאמר זה מציע מסגרת מבוססת רשת בייסיאנית להערכת בעלות על תוכן שנוצר על ידי בינה מלאכותית בתוך עמימות משפטית וטכנית, תוך התגברות על החסרונות של גישות דטרמיניסטיות מבוססות כללים כיום. הגישה מאפשרת הסקה מבוססת תרחישים מראיות חלקיות או מעורפלות על ידי מידול אינטראקציות הסתברותיות בין היבטים מרכזיים, כולל מעורבות אנושית, נתוני הכשרה, הקשר חוזי ואוטונומיה של הבינה המלאכותית. השיטה המוצעת, בניגוד למודלים החיזויים המסורתיים, מציעה הערכות הסתברות פוסטריוריות ניתנות לפרשנות שמאפשרות הסקה ברורה ומסודרת, בהתאם להליכי קבלת החלטות שיפוטיות.

מושגים משפטיים וטכנולוגיים חשובים מוגדרים במפורש כדי להבטיח עקביות לאורך כל המחקר. בעוד ש"בעלות" מתייחסת לחלוקת זכויות הקשורות ליצירה שנוצרה, "מחברות" מתייחסת להכרה משפטית ביוצר. "ייחוס" לא תמיד מציין בעלות חוקית, אך הוא מזהה ישויות תורמות. "הסברנות" מתייחסת ליכולת של מודל לספק הצדקה מובנת לתוצאות הסתברותיות, בעוד ש"אי-ודאות משפטית" מתייחסת לעמילות הנובעת מסטנדרטים משפטיים לא שלמים או משתנים. על ידי שילוב גורמים משפטיים וטכניים בתהליך עבודה הסתברותי פרשני, הגישה המוצעת שואפת להקל על קבלת החלטות מובנית בסכסוכי קניין רוחני הקשורים לבינה מלאכותית. למומחים משפטיים, מחוקקים ומפתחי בינה מלאכותית המעריכים חששות בבעלות במערכות בינה מלאכותית גנרטיבית, הטכניקה מציעה נקודת מבט חישובית.

פרוטוקול

מחקר זה אינו כולל משתתפים אנושיים או נבדקים בעלי חיים. הניתוח מבוסס אך ורק על חומרי תיק משפטיים זמינים לציבור ומאגרי נתונים משפטיים נבחרים. לכן, לא נדרשו אישור אתי והסכמה מדעת.

המתודולוגיה המוצעת שואפת ללכוד את אי-הוודאות המשפטית סביב הבעלות על תוכן שנוצר על ידי בינה מלאכותית על ידי פיתוח רשת בייסיאנית המבוססת על נתוני מקרה אמיתיים. ראשית, מקרים הקשורים לבינה מלאכותית, כולל זכויות יוצרים, פטנטים וסודות מסחריים, ייאספו מקופס קיים וכל אחד מהם יתויג בנתוני תוצאות משפטיות אמיתיות. בהתבסס על תקדימים משפטיים ומחקרי מקרה קיימים, פרמטרי אי-הוודאות שיכולים להשפיע על בעלות על תוכן יכללו קלט אנושי יצירתי, אוטונומיה של מערכות בינה מלאכותית, חוקיות נתוני ההכשרה, הגדרות חוזיות של בעלות, סמכות שיפוט ושקיפות, שכל אחת מהן משובצת כנקודות ברשת בייסיאנית עם מצבים דיסקרטיים המצביעים על מציאויות משפטיות וטכניות שונות, וקביעת בעלות תוכן כנקודת היעד. מבנה הרשת מתגלה על ידי שילוב מומחיות משפטית עם גילוי מבני מונע נתונים, כדי לקדם הן פרשנות והן סבירות משפטית. טבלאות ההסתברויות המותנות מוערכות לאחר מכן בהתבסס על תוצאות תביעות שזוהו בתיקים, ומאפשרות לרשת לעבד נתונים לא ודאיים ובלתי שלמים באופן הסתברותי. לאחר אימון המודלים, היא מאפשרת גם הסקה וגם בדיקת תרחישים כדי לקבוע כיצד שינויים בגורמים התורמים משפיעים על בעלות מוסקת בתוכן שנוצר על ידי בינה מלאכותית בהתבסס על רשת בייסיאנית בנויה, ואחריה בדיקות וניתוח רגישות לפני הסקת תוצאות שמאפשרות השלכות משפטיות עתידיות על קניין רוחני ביישומי בינה מלאכותית על ידי מפתחים ובתי משפט. איור 1 מציג את תהליך העבודה האדריכלי של העבודה המוצעת.

איור 1: דיאגרמה אדריכלית של המסגרת המוצעת: סקירה של המערכת המוצעת מבוססת רשת בייסיאנית לקביעת בעלות על תוכן שנוצר על ידי בינה מלאכותית. הארכיטקטורה ממחישה את הזרימה מרכישת נתונים והערות למידול הסתברותי, הסקה וייחוס בעלות. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 1 ממחיש את תהליך העבודה האדריכלי של המסגרת המוצעת מבוססת רשת בייסיאנית לניתוח בעלות תוכן שנוצר על ידי בינה מלאכותית. תהליך העבודה כולל איסוף נתונים, הערות תכונות, מידול רשת בייסיאנית, הסקה הסתברותית, ניתוח תרחישים ואימות. משתנים משפטיים וטכניים, כגון מעורבות אנושית, אוטונומיה של הבינה המלאכותית, מקור נתוני ההדרכה, הקשר חוזי וסמכות שיפוט, מודלים במסגרת בייסיאנית להערכת ייחוס בעלות בתנאים לא ודאיים. המסגרת תומכת בהיגיון הסתברותי פרשני ובהערכה מבוססת תרחישים לתמיכה בהחלטות משפטיות.

איסוף נתונים
נתונים על תיקים משפטיים נאספו ממקורות שונים ליצירת מאגר נתונים המתמקד בתביעות בעלות וקניין רוחני הכוללים תוכן שנוצר על ידי בינה מלאכותית. בתחילה, מאגר הנתונים הכללי של תיקים משפטיים שמקורו במאמר הבסיס סינון כך שיכלול רק תביעות משפטיות הנוגעות לזכויות יוצרים, בעלות, סכסוכים הקשורים לקניין רוחני ונושאים אחרים בנתוני ההדרכה. תיקים משפטיים נוספים התקבלו ממאגרי דעות בית משפט זמינים לציבור, המספקים גישה לפסקי דין ממיליוני תיקים, וכן מאתר מעקב אחרי תיקים של זכויות יוצרים שעוקב אחר הליכים משפטיים מתמשכים וסגורים ברחבי העולם בנוגע לשימושים בבינה מלאכותית בנוגע לקניין רוחני. תיקים משפטיים סומנו גם כדי להדגיש משתנים מרכזיים, כולל תוצאת התיק המשפטי, רמת ההשפעה היצירתית האנושית, האוטונומיה של מערכת הבינה המלאכותית, מקור נתוני ההדרכה, סמכות שיפוט ופרמטרים של חוזה, אם רלוונטי. זהו מאגר נתונים רב-מקורי שמאגד מספיק נתונים על קניין רוחני הקשורים לשימוש בכלי בינה מלאכותית, המתאים להיגיון הסתברותי בניתוח רשתות בייסיאני.

שלושה מקורות עיקריים, כולל מאגר הנתונים הבסיסי לליטיגציה של בינה מלאכותית, מאגר דעת דעת ציבורי ומאגר למעקב אחרי תיקים של זכויות יוצרים בבינה מלאכותית, שימשו בתהליך איסוף וסינון שיטתי ליצירת מערך הנתונים למחקר זה. מילות מפתח כמו "בינה מלאכותית", "תוכן שנוצר על ידי בינה מלאכותית", "זכויות יוצרים", "קניין רוחני", "מחברות", "בעלות" ו"יצירות שנוצרו על ידי מכונה" שימשו בממשקי חיפוש במאגרים ושדות מטא-דאטה כדי למצוא מקרים רלוונטיים. נבחנו מקרים שכללו תוכן שנוצר על ידי בינה מלאכותית או בסיוע בינה מלאכותית, אשר טיפל בנושאי בעלות, מחבר או קניין רוחני בעומק מספק לחילוץ משתנה. מקרים שהיו כפולים, לא קשורים לתוכן שנוצר על ידי בינה מלאכותית, התרכזו בתחומים משפטיים אחרים או חסר מידע מספק לא התקבלו. נעשה שימוש בהליך סינון דו-שלבי, כאשר הערכת זכאות מלאה לאחר הכותרת הראשונית והבדיקה הסיכומית. כדי להבטיח ייחודיות, זוהו רשומות כפולות על פני מספר מערכי נתונים באמצעות מטא-נתוני מקרה והוסרו.

מילות המפתח "בינה מלאכותית", "תוכן שנוצר על ידי בינה מלאכותית", "יצירות שנוצרו על ידי מכונה", "זכויות יוצרים", "מחבר", "בעלות", "נתוני הכשרה" ו"מחלוקת קניין רוחני" שימשו בתהליך החיפוש במאגרי הנתונים. כדי להבטיח את איכות ורלוונטיות מאגר הנתונים, נעשה שימוש בהליך סינון דו-שלבי. כדי לאתר ניגודי בעלות וזכויות יוצרים הנוגעים לבינה מלאכותית, נבדקו בשלב הראשון כותרות וסיכומי תיקים. כדי לקבוע את הזכאות להכללה במחקר, נערכה סקירת מקרה מלאה בשלב השני. רק מקרים שעסקו בתוכן שנוצר על ידי בינה מלאכותית או בסיוע בינה מלאכותית, עם פרטים משפטיים וטכניים מספקים בנוגע למחבר, ייחוס בעלות, הקשר חוזי או שימוש בנתוני הדרכה. ההוצאו מקרים עם מידע הקשרי לא מספק, מסמכים משפטיים לא מספקים, רשומות כפולות ומקרים שאינם קשורים לסכסוכי קניין רוחני. על ידי השוואת מטא-דאטה כגון כותרת תיק, סמכות שיפוט, תאריך הגשה וקטגוריית מחלוקת, זוהו ובוטלו תיקים כפולים בין מקורות. לאחר מכן בוצעו הערות, מידול רשת בייסיאנית, הסקה הסתברותית וניתוח רגישות על מערך הנתונים הסופי שנבחר במשותף.

הנתונים בהם השתמשו במחקר כוללים אוסף מקורות משפטיים המכסים את מלוא הסכסוכים סביב זכויות בעלות על תוכן בינה מלאכותית ותביעות קניין רוחני, כפי שמוצג בטבלה 2. ראשית, נתוני התביעות המשפטיות של בינה מלאכותית ששימשו במחקר הראשוני כוללים שימור סלקטיבי של כ-72 סכסוכים משפטיים הקשורים במיוחד לתביעות זכויות יוצרים, מחברות, מחבר באמצעות המצאה ובעלות הכוללת תוצרים של בינה מלאכותית. כדי להגדיל את השונות בנתונים לייצוג טוב יותר של סכסוכים מתפתחים בתחום הבינה המלאכותית הגנרטיבית, הנתונים כוללים רכישת סכסוכים רלוונטיים שמקורם במאגר פסקי הדין של בתי המשפט הזמינים לציבור (CAP), אוסף רחב היקף של חוות דעת בתי משפט בארה"ב, לבחירת סכסוכי AI-IP ספציפיים מתוך 38 תביעות בהתבסס על מונחים משפטיים רלוונטיים בתחום הקניין הרוחני. בנוסף, המחקר משתמש ב-AI וב-Copyright Case Tracker כדי לכלול 21 סכסוכי זכויות יוצרים מובילים בעולם בתחום הבינה המלאכותית, המבוססים על גישה לניתוח משפטי של זכויות יוצרים שהוכשרה על ידי בינה מלאכותית, המשפרת את יצירת מעקב תביעות זכויות יוצרים מותאם אישית לסכסוכים משפטיים בינלאומיים מרכזיים, תוך שימוש בשיטות ניתוח ראשוניות ספציפיות הכוללות ניתוח סכסוכי זכויות יוצרים בבינה מלאכותית. מאגר הנתונים הסופי כלל 131 תיקים: מאגר נתונים בסיסי לתביעות בינה מלאכותית, מאגר דעות לבתי משפט ציבוריים, ומאגר למעקב אחרי תיקים של זכויות יוצרים בינה מלאכותית. מקרים אלו נבחרו לאחר יישום הליכי הכללה, הדרה והסרת כפילות.

מקור מערך הנתונים	סוג מערך נתונים	לא. מספר המקרים בהם השתמשו	כיסוי
מאגר נתונים של תביעות בסיס בינה מלאכותית1	תיקים משפטיים הקשורים לבינה מלאכותית	72 (תת-קבוצה מסוננת)	בתי המשפט הפדרליים והמדינתיים בארה"ב
פרויקט גישה לפסיקה (CAP)31	קורפוס תיקים משפטיים ציבוריים	38 (ממוקד בינה מלאכותית-IP)	פסקי דין של בתי המשפט בארה"ב
בינה מלאכותית ומעקב מקרים לזכויות יוצרים (CMS)32	סיכומי תיקים נבחרים	21 תיקים מכוננים	גלובל (ארה"ב, אירופה, בריטניה)

טבלה 2: תיאור מאגר נתונים. סיכום מערכי הנתונים המשמשים למידול סכסוכי קניין רוחני בתוכן שנוצר על ידי בינה מלאכותית, כולל מקור, מבנה ורלוונטיות לניתוח בעלות.

כדי להבטיח דיוק ועקביות, נעשה שימוש בשילוב של תהליכים ידניים וחצי-אוטומטיים. שיטת התיוג השתמשה בשלושה מפרשים עם רקע הן במשפט והן בלימודי משפט הקשורים לבינה מלאכותית. כל המשתנים, כולל קלט יצירתי אנושי, אוטונומיה של מערכות בינה מלאכותית, חוקיות נתוני ההכשרה, הוראות בעלות חוזית, סמכות שיפוט, שקיפות במעורבות הבינה המלאכותית, וכללי החלטה ודוגמאות מפורשים, הוגדרו בספר קוד עם הערות. שני מערכים סימנו כל מופע באופן עצמאי; המחלוקות נפתרו בדיון ואם היה צורך, על ידי מבקר מומחה שלישי. מקדם הקאפה של כהן שימש למדידת הסכמה בין מעריכים; התוצאה הייתה 0.81, מה שמעיד על הסכמה חזקה. כ-9% מהמקרים כללו חילוקי דעות, בעיקר סביב אוטונומיה של בינה מלאכותית ופרשנות חוזים. למידול רשת בייסיאנית נוספת, נעשה שימוש בהערות שהושלמו.

זיהוי גורמי אי-ודאות משפטית
מקורות מרכזיים לאי-ודאות בבעלות על תוכן שנוצר על ידי בינה מלאכותית זוהו באמצעות ניתוח תיקים הקשורים לקניין רוחני בינה מלאכותית על פני מאגרי נתונים משפטיים שונים, כולל מאגרי נתונים מבוססי ליטיגציה ומאגרי בתי משפט זמינים לציבור. יצירתיות אנושית, אוטונומיה של בינה מלאכותית, חוקיות נתוני האימון, קשרים חוזיים, סוגיות סמכותיות ושקיפות מערכות הבינה המלאכותית היו גורמים חשובים. רמת המעורבות האנושית והגדרות הבעלות החוזית הודגשו לעיתים קרובות על ידי בתי המשפט, והעמימות המשפטית הוחרפה בשל הבדלים בחוקי זכויות יוצרים ושימוש בנתוני הדרכה מוגנים בזכויות יוצרים. מסגרת רשת בייסיאנית לניתוח בעלות הסתברותית פותחה בהתבסס על שיקולים אלו.

גורם	תיאור
מעורבות יצירתית אנושית	רמת התרומה האנושית ביצירת התוכן (גבוהה, בינונית או מינימלית).
רמת האוטונומיה של הבינה המלאכותית	המידה שבה מערכת הבינה המלאכותית פועלת באופן עצמאי ללא הדרכה אנושית.
בעלות על נתוני הכשרה וחוקיות	הסטטוס המשפטי של נתוני ההדרכה בהם נעשה שימוש (מורשה, נחלת הציבור, קנייני או מפר).
סעיפי בעלות חוזית	קיום ובהירות ההסכמים המגדירים בעלות בין בעלי עניין.
מסגרת משפטית תחום שיפוט	חוקי קניין רוחני לאומיים או אזוריים חלים.
מטרת השימוש	האם התוכן שנוצר על ידי בינה מלאכותית משמש למטרות מסחריות או לא מסחריות.
שקיפות והסבר	זמינות מידע בנוגע לעיצוב ותפעול מערכת הבינה המלאכותית.
גילוי סיוע בינה מלאכותית	האם השימוש בבינה מלאכותית ביצירת תוכן נחשף במפורש.
טבע התוכן שנוצר	סוג הפלט שנוצר (למשל, טקסט, תמונה, קוד או עיצוב).
זמינות תקדימים שיפוטיים	נוכחות פסקי דין קודמים של בתי משפט הרלוונטיים לבעלות על תוכן שנוצר על ידי בינה מלאכותית.

טבלה 3: גורמי אי-ודאות משפטיים וטכניים מרכזיים המשפיעים על הבעלות. זיהוי משתנים קריטיים המשפיעים על ייחוס בעלות בתוכן שנוצר על ידי בינה מלאכותית, הכולל הן ממדים משפטיים והן טכניים.

טבלה 3 מסכמת את אי-הוודאויות הקשורות לשייחוס בעלות במודל רשת בייסיאנית המוצע. אי-הוודאויות הללו נובעות ממחלוקות קניין רוחני הקשורות לבינה מלאכותית ולחוקי הקניין הרוחני הקיימים. קלט יצירתי אנושי ואוטונומיה בבינה מלאכותית מתייחסים לקשר בין מחברים אנושיים לתוכן שנוצר על ידי בינה מלאכותית בקביעת הבעלות. אי-הוודאויות, כולל חוקיות נתוני ההכשרה בהם משתמשת בינה מלאכותית, בעלות על החוזה וחוקי הקניין הרוחני הקיימים בתחום, מהווים עילה למחלוקת. מטרת השימוש והגילוי של סיוע בינה מלאכותית מתייחסת לנסיבות שבהן מערכת המשפט רואה ביצירת סיוע בינה מלאכותית. שקיפות והסבר, לעומת זאת, מתייחסות להיבט הקשור לאחריות ולאחריות. אי-ודאויות נוספות, כולל טבע היצירות שנוצרו על ידי בינה מלאכותית ותקדימים משפטיים קיימים, קובעות כיצד חוקי קניין רוחני קיימים חלים על יצירות בינה מלאכותית.

הערות נתונים וקידוד משתנים
מערך הנתונים, שנבנה ממקרים מסוננים של ליטיגציה בתחום הבינה המלאכותית, CAP, ותיקי זכויות יוצרים נבחרים של בינה מלאכותית, בין היתר, יסופק הערות ידניות וחצי אוטומטיות בהתבסס על גורמי אי-ודאות משפטיים שזוהו לכל מקרה. לכל תיק תוויות מובנות נקבעות על ידי הערכת חוות דעת בתי משפט, תיאורים ונימוקים. משימת ההערות כוללת קביעת גורמים משפטיים וטכניים, כגון רמת ההשתתפות היצירתית האנושית, האוטונומיה של הבינה המלאכותית, תוקף חוקי של נתוני ההדרכה, סעיפים חוזיים על בעלות, סמכות שיפוט, וחשיפת סיוע על ידי בינה מלאכותית. למען עקביות, ההנחיות נגזרות מעקרונות קניין רוחני אחרים ונבדקו באמצעות בדיקות צולבות במגוון מקורות משפטיים. עיין בקובץ המשלים 1(S1) לתיאור מתמטי מפורט של הערות נתונים וקידוד משתנים.

המסגרת יושמה באמצעות שפת תכנות עם ספריות מידול גרפי הסתברותי וכלי חישוב נומרי. עיבוד וניתוח נתונים בוצעו בסביבת מחשוב מבוססת מחשב נייד על מערכת שולחנית עם מעבד רב-ליבות ותצורת זיכרון סטנדרטית

כדי להבטיח עקביות ושחזוריות בהערות מערכי נתונים, פותחה שיטת קידוד משתנים מובנית לכל הגורמים המשפטיים והטכניים הכלולים במסגרת רשת בייסיאנית. כל מקרה נבדק ידנית והוסבר באמצעות מצבים קטגוריים מוגדרים מראש שמקורם בתקדימים משפטיים וספרות ממשל בינה מלאכותית. טבלה 4 מסכמת את המשתנים, התיאורים וקטגוריות הקידוד ששימשו במחקר. כדי להקל על מידול הסתברותי והסקה מבוססת תרחישים במסגרת רשת בייסיאנית, מערכת הקידוד יושמה באופן אחיד בכל המקרים המוערים. כדי לייצג נסיבות משפטיות וטכנולוגיות שנצפו לעיתים קרובות בסכסוכים הכוללים חומר שנוצר על ידי בינה מלאכותית, נבחרו מצבים משתנים.

משתנה	תיאור	קטגוריות קידוד
תרומה אנושית	רמת המעורבות היצירתית האנושית ביצירת תוכן	נמוך, בינוני, גבוה
אוטונומיה של בינה מלאכותית	רמת יצירת מערכות בינה מלאכותית עצמאית	נמוך, בינוני, גבוה
חוקיות נתוני הכשרה	הסטטוס המשפטי של מערכי הנתונים המשמשים לאימון בינה מלאכותית	מורשה, נחלת הכלל, לא ודאי, לא מורשה
בעלות חוזית	נוכחות סעיפי בעלות חוזית	נוכח, נעדר
בהירות ייחוס	בהירות זיהוי התורם	ברור, חלקי, לא ברור
סמכות שיפוט	סמכות משפטית הקשורה לסכסוך	הודו, ארצות הברית, סין, אחרים
שקיפות	זמינות מידע בנוגע לתהליך יצירת הבינה המלאכותית	גבוה, בינוני, נמוך
תוצאת הבעלות	תוצאת ייחוס בעלות סופית (משתנה יעד)	בבעלות אנושית, בעלות משותפת, בבעלות ארגון, לא בטוחה

טבלה 4: סכמת קידוד משתנה המשמשת להערות רשת בייסיאניות. הטבלה מסכמת את המשתנים המשפטיים והטכניים המשמשים במהלך סימון מערכי הנתונים, כולל ההגדרות שלהם ומצבי הקידוד הקטגוריים המיושמים למידול הסתברותי והסקת בעלות.

עיצוב מבנה רשת בייסיאני
רשת בייסיאנית (BN) נוצרה כדי למודל את הקשרים ההסתברותיים בין גורמים הקשריים, טכנולוגיים ומשפטיים המשפיעים על בעלות על מידע שמיוצר על ידי בינה מלאכותית. בעוד שצומת היעד הציג תוצאות בעלות, צמתים ברשת ייצגו משתנים כגון תרומה אנושית, אוטונומיה של בינה מלאכותית, חוקיות נתוני האימון, תנאי בעלות חוזיים וסמכות שיפוטית. תלות מותנית הנובעות מאסוציאציות מונחות נתונים ותהליכי הסקה שיפוטית נרשמו על ידי קצוות מכוונים. אופטימיזציה מונחית נתונים ומגבלות משפטיות שולבו לשיטה היברידית של למידת מבנה. התלות המותרת נקבעה על פי עקרונות שיפוטיים, וגרף התלות הסביר ביותר שהסביר את תוצאות התביעות המדווחות נמצא באמצעות למידת מבנה מבוססת ניקוד. שיטה זו הבטיחה שהרשת הסופית תישאר ניתנת לפרשנות משפטית ותקפה סטטיסטית.

איור 2: מבנה רשת בייסיאנית המשמש להסקת בעלות. ייצוג גרפי של רשת בייסיאנית המראה תלות בין משתנים משפטיים וטכניים המשפיעים על החלטות בעלות. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 2 מראה כיצד רשת בייסיאנית משמשת במשימות בעלות תוכן שנוצרה על ידי בינה מלאכותית. במודל ברמה העליונה, כמה משתני קלט חיוניים, כגון קלט אנושי, נתוני אימון, אוטונומיה של בינה מלאכותית וסמכות שיפוטית, מצביעים על כמה ממדים משפטיים וטכניים חיוניים שיש לקחת בחשבון בעת הצגת זכות על תוכן שנוצר על ידי בינה מלאכותית. כל משתנה מוגדר כצומת סביר ולא ככלל מקודד קשיח, מה שמאפשר מודל המתחשב בתלות משתנים. הצמתים הירוקים, הידועים גם כנקודות חיבור, מופיעים בין נקודות הקלט לפלט הסופי. הם מציינים, למשל, כיצד רמות המעורבות האנושית קשורות לאוטונומיה של הבינה המלאכותית, בעוד שגם נתוני ההכשרה המשפטית וגם גורמים סמכותיים מסייעים להגדיר זכות לתוכן שנוצר על ידי בינה מלאכותית מנקודת מבט שיפוטית.

תיאוריה משפטית ונתוני ליטיגציה עם הערות שימשו את הבסיס להגדרת בחירת המשתנים והגדרות המדינות הבדידות של רשת בייסיאן. בהתחשב בחשיבותם בקביעת הבעלות, גורמים מרכזיים כמו מעורבות אנושית, אוטונומיה של בינה מלאכותית, חוקיות נתוני ההכשרה, תנאי חוזה, סמכות שיפוט ושקיפות קיבלו עדיפות עליונה. קריטריוני הערות שנבדקו על ידי מומחים שימשו להפרדת משתנים לקטגוריות משמעותיות מבחינה חוקית. כדי לזהות תלויות הנתמכות סטטיסטית, נעשה שימוש באסטרטגיה היברידית המשלבת למידה מבוססת ציון ומגבלות משפטיות לבניית מבנה הרשת. הגישה אושרה עוד באמצעות מחקרי רגישות ואבלציה, שאישרו את ההשפעה המשמעותית של קלט אנושי ומגבלות חוזיות על הסקת הבעלות, בעוד שמשתנים אחרים הראו השפעות מתנות. במערכות תמיכה בקבלת החלטות, גישה משולבת זו של משפט-אמפירית משפרת הן את החוסן והן את היכולת לפרשנות.

ההסתברויות המוסקות מכל הצמתים המקושרים מתכנסות בצומת החלטת הבעלות, שמייצר הסתברויות בעלות מאוחרות בהתבסס על הראיות המשפטיות והטכניות הזמינות. דבר זה מאפשר הסקת בעלות גם בתנאים לא שלמים או שנויים במחלוקת, ותומך בעדכון דינמי כאשר ראיות חדשות זמינות. כדי להפחית התאמת יתר וקורלציות שגויות, נעשה שימוש בבחירת מודלים וניתוח רגישות להסרת קצוות מיותרים או בעלי השפעה נמוכה, מה שהוביל לגרף אציקלי מכוון תמציתי (DAG). המבנה הסופי של רשת בייסיאנית לוכד הן תלות הסתברותית והן יחסים סיבתיים בין גורמים התורמים לאי-ודאות משפטית בבעלות על תוכן שנוצר על ידי בינה מלאכותית. התיאור המתמטי של עיצוב הרשת הבייסיאנית מסופק בקובץ משלים 1 (S2).

רשת בייסיאנית מאפשרת הסקת בעלות הסתברותית גם כאשר חלק מהגורמים המשפטיים או הטכניים אינם שלמים או ניתנים לצפייה חלקית. על ידי שינוי משתני ראיות, המסגרת תומכת גם בניתוח מבוסס תרחישים לקבלת החלטות משפטיות, הערכת מדיניות ויישומי ממשל בינה מלאכותית. מבנה הרשת פותח בגישה היברידית המשלבת מגבלות משפטיות שהוגדרו על ידי מומחים עם למידה מונחית נתונים. אלגוריתם טיפוס גבעות עם ניקוד קריטריון מידע בייסיאני (BIC) שימש לאופטימיזציה של מבנה, בעוד שהערכת פרמטרים בייסיאנית עם פריורים של דיריכלה והחלקת לפלס (&α = 1) טיפלה בפיזור הנתונים ותצפיות חסרות. כל המשתנים הוצגו כמצבים קטגוריים בדידים לתמיכה בהסקה הסתברותית. מודולי מידול גרפי הסתברותי של פייתון שימשו לבניית מסגרת רשת בייסיאנית. שני שלבי בניית הרשת היו למידת פרמטרים והגדרת מבנה. בתחילה, הצמתים של הרשת ייצגו את המאפיינים המשפטיים והטכניים שנמצאו במהלך אנוטציה של מערכי הנתונים. שיטה היברידית ששילבה ניתוח תלות מבני מונחה נתונים עם יחסים משפטיים מוגדרים על ידי מומחים שימשה ליצירת קצוות מכוונים בין צמתים. הערכת סבירות מקסימלית שימשה להערכת טבלאות הסתברות מותנית (CPTs) מתוך מערך הנתונים המוער. טכניקות המידול הגרפי ההסתברותי בתוך חבילת סביבה חישובית שימשו ליישום רשת בייסיאנית, עם פונקציית מעריך הסבירות המקסימלית ללמידת פרמטרים ופונקציית רשת בייסיאנית () להגדרת מבנה הרשת. שימש תהליך הסקת ההסקה של Variable Eliminat () לחישוב הסתברויות בעלות פוסטריורית תחת תנאי ראיות שונים.

למידת פרמטרים
במידול כמותי של אי-ודאות משפטית בבעלות תוכן שנוצר על ידי בינה מלאכותית, הערכת פרמטרים היא שלב קריטי במסגרת הרשת הבייסיאנית המוצעת. הערכת פרמטרים בייסיאנית שימשה ללימוד טבלאות הסתברות מותנות (CPTs) ממקרים משפטיים עם הערות. בעוד שצומת המטרה מציין ייחוס בעלות, כל צומת משקף היבט משפטי או טכנולוגי, כגון תרומה אנושית, אוטונומיה של בינה מלאכותית, חוקיות נתוני האימון או הוראות בעלות חוזית. מכיוון שהערכות בייסיאניות יכולות להתמודד עם חומר משפטי דל וראיות לא מספקות, נבחרה לקדם הסקה משפטית פרשנית ולייצג קשרים הסתברותיים שנצפו בהחלטות שיפוטיות. ערכי הסתברות מותנית מייצגים שנרכשו בתוך רשת בייסיאנית מוצגים בטבלה 5. בעוד שאוטונומיה גדולה של בינה מלאכותית מקדמת אי-ודאות או תוצאות של חוסר בעלות, מעורבות יצירתית משמעותית של בני אדם מצביעה על הסתברות משמעותית לבעלות אנושית, מה שמעיד על דגש שיפוטי על תרומה אינטלקטואלית אנושית. הממצאים מדגישים גם את חשיבות תנאי הבעלות החוזיים ואת חוקיות נתוני ההדרכה, כאשר הסכמים מפורשים ונתונים מורשים מגבירים את הבעלות. הרגישות של המסגרת למצבים משפטיים שונים מודגמת עוד יותר על ידי הבדלים בתחום השיפוט.

משתני הורה	מצבי משתנים הורים	תוצאת הבעלות	הסתברות מותנית נלמדת
מעורבות יצירתית אנושית	גבוה	סופר אנושי	0.82
מעורבות יצירתית אנושית	נמוך	מפתח בינה מלאכותית	0.41
אוטונומיה של בינה מלאכותית	גבוה	אין בעלות מוכרת	0.55
חוקיות נתוני הכשרה	רישיון	אדם / מפתח	0.76
חוקיות נתוני הכשרה	הפרת זכויות	אין בעלות / שנוי במחלוקת	0.68
סעיף בעלות חוזית	הווה מפורש	צד חוזי	0.89
סעיף בעלות חוזית	נעדר	שנוי במחלוקת / לא ודאי	0.61
מסגרת השיפוט	חוק קניין רוחני ממוקד אדם	סופר אנושי	0.79
מסגרת השיפוט	חוק עמום / מתהוות	מפרק / לא ודאי	0.47

טבלה 5: דוגמה להסתברויות מותנות במודל הרשת הבייסיאנית. ערכי הסתברות מותנים להמחשה שנלמדו על ידי רשת בייסיאן, המדגימים תלות בין משתנים מרכזיים המשפיעים על תוצאות הבעלות.

אלגוריתם 1 מסכם את כל התהליך של מסגרת רשת בייסיאנית המוצעת ללכידת אי-ודאויות בבעלות בתוכן בינה מלאכותית. אלגוריתם 1: התחלת מבנה רשת בייסיאנית על ידי הגדרת המודל הגרפי שבו הצמתים הם אי-הוודאויות הטכניות והמשפטיות שנבדקו בתביעות משפטיות עם מידע מוער, והצומת היעד הוא סימון הבעלות. מבנה מודל הרשת הבייסיאנית יכול להיות מובסס על ידי יישום גישה משותפת הממזגת את המבנים הקיימים המגבילים מבחינה חוקית עם מבנים אופטימליים שמקורם בנתונים. טבלאות ההסתברות המותנות יכולות להיות מוגדרות על ידי יישום סכמת הערכת פרמטרים בייסיאנית המבוססת על מאגר הנתונים שהתקבל, ובכך מתחשבות באי-הוודאויות, הדלילות והקשרים המותנים שמוסקים על ידי מערכת המשפט. כאשר מיישמים את האלגוריתם על דוגמה משפטית או היפותטית מסוימת, ניתן להפיק את המידע או הראיות ברשת בייסיאנית על ידי יישום הסקה הסתברותית לקביעת ההסתברות הפוסטריורית לבעלות. האלגוריתם יכול אז ליישם התאמות לערכי הקלט על ידי שינוי איטרטיבי של הראיות שנכנסו לרשת בייסיאנית והערכת ההשפעה על מינוי הבעלות על ידי התאמת הקלט האנושי, אוטונומיה של הבינה המלאכותית, החוקיות החוזית והחוקיות של נתוני ההדרכה. עיין בקובץ המשלים 1(S3) לצעדים אלגוריתמיים.

הסקה הסתברותית וניתוח תרחישים
המבנה הגרפי של רשת בייסיאנית וטבלאות ההסתברות המותנות שלה יכולים אז להיות מאומנים על מערך נתונים מוער של תביעות משפטיות הקשורות לבינה מלאכותית הנוגעות לבעלות, והמערכת מאפשרת הסקת הסבירות לבעלים. התיאורים המתמטיים מפורטים בתיק המשלים 1 (S4).

על ידי התבוננות כיצד הסתברויות הבעלות המאוחרות משתנות בין תרחישים נגדיים, המודל מייצר מערך של השפעות יחסיות על תוצאות שיפוטיות עבור כל מאפיין משפטי וטכני. יכולת ההסקה המונעת על ידי תרחישים זו מהווה אחת התרומות המרכזיות של העבודה המוצעת, שכן היא מתיישבת עם האופן שבו בתי משפט, מקבלי החלטות ומומחים משפטיים מסמקים את הבעלות על תוכן שנוצר על ידי בינה מלאכותית: באמצעות הערכה קונטקסטואלית ולא יישום נוקשה של כללים. רשת בייסיאנית משמשת בזאת ככלי לתמיכה בהחלטות שניתן להסביר, והופכת דפוסי ליטיגציה אמפיריים לתובנות הסתברותיות התומכות בנימוקים עקביים בין תחומי שיפוט, הקשרים חוזיים ורמות של אוטונומיה של הבינה המלאכותית. בהתאם לכך, פקטוריאל שימושיות כזה חורג מניתוח משפטי תיאורי בכך שהוא מספק מנגנון שיטתי לחיזוי תוצאות בעלות תחת משטרי AI וקניין רוחני מתפתחים. שיטת ההסרה המשתנה שימשה לחישוב ההסתברות הפוסטריורית לתוצאות בעלות לצורך הסקה. שינוי איטרטיבי של משתני הראיות וחישוב מחדש של התפלגויות פוסטריוריות אפשרו ניתוח תרחישים. כדי להבטיח עמידות על פני מאגרי נתונים קטנים, המודל אומת באמצעות אימות 'השארת אחד החוצה' ו-k-fold cross-validation (k = 5). לביצוע ניתוח רגישות, משתני הקלט שונו באופן שיטתי, ונמדדו השינויים הנלווים בהסתברויות האחוריות (ΔP(Y)) .

אימות מודלים וניתוח רגישות
מודל רשת בייסיאנית המוצע אומת באמצעות מאגר נתונים מוער של קונפליקטים קניין רוחני הקשורים לבינה מלאכותית כדי להבטיח אמינות, עמידות ותקיפה משפטית. כדי לחזות את תוצאות הבעלות ולהשוואתן להחלטות משפטיות בפועל, נעשה שימוש בגישת אימות רטרוספקטיבית. בהינתן המחסור במצבי סכסוכי בעלות הקשורים לבינה מלאכותית, נעשה שימוש באימות צולב של ה-one-out ו-k-fold כדי להעריך את עמידות המודל.

השפעת גורמים משפטיים וטכניים על ייחוס הבעלות, כולל מעורבות אנושית, אוטונומיה של בינה מלאכותית, חוקיות נתוני ההכשרה ותנאי בעלות חוזית, נחקרה באמצעות ניתוח רגישות. החקירה זיהתה גורמים קונטקסטואליים ובעלי השפעה גבוהה המשפיעים על בחירות הבעלות על ידי שינוי מצבי צומת האם ומעקב אחר שינויים בהסתברויות האחוריות. על ידי הצגת האופן שבו עמימות משפטית מתפשטת ברחבי הרשת, זה משפר את היכולת לפרשנות. ממצאי ניתוח האימות והרגישות נאספו בטבלה 6. במהלך האימות ההדדי, המודל השיג יותר מ-80% הסכמה בין התוצאות השיפוטיות המוסקות לתוצאות השיפוטיות בפועל. בדיקות עמידות אישרו הסקה אמינה בהקשרים עם ראיות מוגבלות, ושונות אחורית נמוכה בין קפלים הצביעו על הסתברויות מותנות יציבות ומוכללות. ניתוח רגישות גילה שבעוד שהאוטונומיה של הבינה המלאכותית והחוקיות של נתוני ההכשרה הגבירו משמעותית את אי-הוודאות לגבי שיוך, סעיפי בעלות חוזית ומעורבות יצירתית אנושית השפיעו בצורה הגדולה ביותר על ייחוס הבעלות. תנאים טכניים וחוזיים פעלו באינטראקציה עם משתני סמכות שיפוט, והשפיעו במידה מתונה. בסך הכול, הממצאים מראים שהפרדיגמה המוצעת ניתנת לפרשנות משפטית ואמיפירית.

היבט אימות / רגישות	שיטה מיושמת	מטריקה / תצפית
אימות מבוסס מקרה	אימות צולב של השארת אחד בחוץ	81.3% עקביות בתוצאת הבעלות
יציבות קיפול רוחבי	אימות צולב של 5 חלקים	שונות אחורית < 0.05 בין קפלים
עמידות ראיות חסרות	הסקת ראיות חלקית	< שינוי של 7% בהסתברויות האחוריות
רגישות: מעורבות יצירתית אנושית	הפרעה חד-פקטורית	ΔP(Y) ≈ +0.32
רגישות: אוטונומיה של בינה מלאכותית	הפרעה חד-פקטורית	ΔP(Y) ≈ −0.28
רגישות: חוקיות נתוני הכשרה	הפרעה חד-פקטורית	ΔP(Y) ≈ +0.25
רגישות: סעיפים חוזיים	הפרעה חד-פקטורית	ΔP(Y) ≈ +0.37
רגישות: סמכות שיפוט	הפרעה חד-פקטורית	ΔP(Y) ≈ +0.14

טבלה 6: תוצאות ניתוח אימות ורגישות. תוצאות של אימות מודלים וניתוח רגישות, הערכת עמידות, יציבות והשפעת משתנים מרכזיים על הסקת הבעלות.

פרשנות וניתוח השלכות מדיניות
התוצרים ההסתברותיים של רשת בייסיאן מספקים מסגרת ניתנת לפרשנות לניתוח בעלות על תוכן שנוצר על ידי בינה מלאכותית על ידי מידול גורמים משפטיים וטכניים, כולל תרומה אנושית, אוטונומיה של בינה מלאכותית, בהירות חוזית וחוקיות נתוני ההדרכה. במקום לשמש רק כפלטים חיזויים, הערכות ההסתברות המאוחרות תומכות בהיגיון שקוף המבוסס-תרחישים תחת תנאים משפטיים לא ודאיים. המסגרת יכולה לסייע לאנשי מקצוע משפטיים לשפר את העקביות במהלך הערכת הבעלות, לתמוך במקבלי ההחלטות בזיהוי פערים רגולטוריים הקשורים לתוכן שנוצר על ידי בינה מלאכותית, ולסייע למפתחי בינה מלאכותית להעריך כיצד עיצוב ובחירות ממשל עשויות להשפיע על ייחוס בעלות בהקשרים משפטיים שונים.

תוצאות

תוצאות הניסוי מדגימות את יעילות מסגרת רשת בייסיאנית בלכידת טבע האי-ודאות בבעלות על תוכן שנוצר על ידי בינה מלאכותית. המודל מספק גישה מובנית ומבוססת נתונים לתמיכה בהסקת בעלות תחת אי-ודאות. מאגר הנתונים הסופי כלל 131 תיקים: מאגר נתונים בסיסי לתביעות בינה מלאכותית, מאגר דעות לבתי משפט ציבוריים, ומאגר למעקב אחרי תיקים של זכויות יוצרים בינה מלאכותית. מקרים אלו נבחרו לאחר יישום הליכי הכללה, הדרה והסרת כפילות. המסגרת עברה הכשרה על סדרת תיקים עם הערות שיפוטיות העוסקות בליטיגציה בקניין רוחני הקשורה לבינה מלאכותית, כדי להבטיח שההסק...

דיון

מסגרת הרשת הבייסיאנית המוצעת מהווה התקדמות לעומת המחקר הנוכחי על בעלות על תוכן שנוצר על ידי בינה מלאכותית, בניגוד לגישות תיאוריות או זיהוי שאלות של עבודות אחרות. העבודות האחרות, כולל המאמר הבסיסי של ראג'ופתי ואחרים^ב-1, משתמשות בעיקר בגישות למידת מכונה בניתוח טקסט בניסיונות לגלות נושאים או קטגוריות בהקשר של ליטיגציה בינה מלאכותית. למרות שגישות אלו מאפשרות הבנה ברורה של אילו סוגיות משפטיות עולות בהקשרן, הן אינן מספקות, בשום מובן, פתרון לאופן שבו קביעת הבעלות מתבצעת ...

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
Judicial Opinions & Court Records Dataset	Caselaw Access Project (CAP)	RRID:SCR_016043	מקור להחלטות בתי המשפט המשמשות לחילוץ נימוקים משפטיים ותוצאות בעלות
AI & Copyright Case Tracker	CMS Legal	N/A	מסד נתונים מאוחד של מחלוקות קניין רוחני הקשורות לבינה מלאכותית ברחבי העולם
Legal Contracts & Agreements Dataset	Various Public Legal Repositories	N/A	מסמכים המגדירים בעלות, רישוי וזכויות חוזיות
Statutory and Case Law References	Government Legal Portals	N/A	חוקי קניין רוחני וקודמים שיפוטיים המשמשים לניתוח
Legal Annotation Guidelines	Expert-defined (Manual Framework)	N/A	כללים להערה עקבית של משתני אי ודאות משפטית
Annotated Legal Dataset	Generated in Study	N/A	מסד נתונים המתויג עם משתנים משפטיים וטכניים למודל
Python Programming Environment (v3.10)	Python Software Foundation	RRID:SCR_008394	סביבת התכנות הליבה המשמשת ליישום
pgmpy Library (v0.1.24)	Open-source	RRID:SCR_016274	ספריה המשמשת למודל רשת בייסיאנית
NumPy (v1.24)	Open-source	RRID:SCR_008633	חישובים מספריים ופעולות מערך
Pandas (v1.5)	Open-source	RRID:SCR_018214	עיבוד נתונים מקדים וניהול מסדי נתונים
Jupyter Notebook	Project Jupyter	RRID:SCR_018315	סביבה אינטראקטיבית לפיתוח מודלים
Bayesian Network Model	Developed in Study	N/A	מודל גרפי סטטיסטי לניחוש בעלות
Hill Climbing Algorithm (BIC)	Implemented via pgmpy	N/A	שיטת למידת מבנה לרשת בייסיאנית
Variable Elimination Inference Engine	Implemented via pgmpy	N/A	מחשב הסתברויות בעלות אחוריות
Scenario Analysis Module	Developed in Study	N/A	מאפשר סימולציות "מה אם"
Sensitivity Analysis Module	Developed in Study	N/A	מודד את השפעת המשתנים על תוצאות הבעלות
Cross-Validation Framework (k-fold, LOOCV)	Scikit-learn compatible	RRID:SCR_002577	משמש לאימות מודל ובדיקת חוסן
Computing System (Intel Core i7, 16GB RAM)	Intel / OEM	N/A	חומרה המשמשת לאימון והערכת מודל
Operating System (Windows 11)	Microsoft Windows	RRID:SCR_018096	סביבת מערכת ההפעלה ליישום