Modellering van juridische onzekerheid bij AI-gegenereerde contenteigendom: een Bayesiaanse netwerkbenadering van de toewijzing van intellectuele eigendomsrechten

Samenvatting

Deze studie presenteert een op het Bayesiaans netwerk gebaseerde workflow voor het analyseren van eigendom van door AI gegenereerde content onder juridische en technische onzekerheid. Door gebruik te maken van AI-rechtszaken, auteursrechtdatasets en raamwerkmodellen, factoren zoals menselijke bijdrage, contracten, legaliteit van trainingsdata en AI-autonomie om transparante, interpreteerbare en scenario-gebaseerde besluitvorming in intellectuele eigendomsconflicten te ondersteunen.

Samenvatting

De snelle adoptie van generatieve kunstmatige intelligentie heeft beperkingen blootgelegd in traditionele intellectuele eigendomskaders gebaseerd op menselijke auteurschap, wat onzekerheid creëert over eigendomstoewijzing. Deze studie stelt een op het Bayesiaans netwerk gebaseerde workflow voor het analyseren van eigendom van door AI gegenereerde inhoud onder juridische en technische onzekerheid. De workflow integreert datasetcuratie, variabelenannotatie, probabilistische afhankelijkheidsmodellering, inferentiegeneratie, kruisvalidatie en gevoeligheidsanalyse om relaties tussen factoren te evalueren, waaronder menselijke bijdrage, de legaliteit van trainingsdata, contractuele context en AI-autonomie. Het framework is ontwikkeld met geannoteerde zaken afkomstig van een samengestelde AI-procesdataset, publiek beschikbare databases voor rechterlijke opinie en AI-auteursrechtentrackers. Er werd een gevoeligheidsanalyse uitgevoerd om de invloed van juridische en technische variabelen op eigendomstoewijzing in verschillende scenario's te onderzoeken. Het voorgestelde kader ondersteunt probabilistische en interpreteerbare redenering voor AI-gerelateerde intellectuele eigendomsgeschillen en biedt een gestructureerde beslissingsondersteunende aanpak voor juridische professionals, beleidsmakers en AI-ontwikkelaars. De resultaten toonden stabiele posterior probability schattingen over folds, waarbij de eigendomsvoorspellingsconsistentie meer dan 80% over de datasets heen bedroeg. Het kader maakt probabilistisch, scenario-gebaseerd redeneren mogelijk en biedt een interpreteerbaar hulpmiddel ter ondersteuning van beslissingen, waardoor transparantie en consistentie bij het oplossen van eigendomsgeschillen voor juridische professionals, beleidsmakers en AI-ontwikkelaars worden verbeterd.

Inleiding

Het groeiende gebruik van kunstmatige intelligentie (AI)-systemen in sectoren met hoge inzet, waaronder gezondheidszorg, strafrecht, financiën en digitale platforms, roept belangrijke vragen op over juridische verantwoordelijkheid, verantwoording en eerlijkheid. Ondanks de snelle vooruitgang is een groot deel van de literatuur over AI-governance ofwel normatief of voorspellend en ontbreekt het empirische ondersteuning ^1,2. Huidige methoden om AI-gerelateerde problemen te ontdekken, zoals gebeurtenisdatabases, enquête-gebaseerd onderzoek en ethische kaders, schieten vaak tekort in het vastleggen van aanhoudende problemen in de echte wereld. Deze benaderingen overbetonen hoogprofielgebeurtenissen, terwijl ze systemische, praktijkgerelateerde problemen negeren, of weerspiegelen verwachtingen in plaats van waarneembare schade ^3,4. De meerderheid van incidentdatabases is afhankelijk van vrijwillige rapportage en mediaberichtgeving, die vaak op de hoogte stellen van storingen terwijl veelvoorkomende maar belangrijke AI-gerelateerde problemen ondervertegenwoordigd^{worden 5,6}. Door systemen in staat te stellen tekst, afbeeldingen en muziek te produceren met behulp van transformer-gebaseerde deep learning-architecturen, heeft generatieve AI, vooral Large Language Models (LLM's), contentproductie ^{nog uitdagender} gemaakt^. Traditionele intellectuele eigendomskaders gebaseerd op menselijke auteurschap ondervinden moeilijkheden als gevolg van deze verandering, waardoor het moeilijker wordt om onderscheid te maken tussen door mensen en machines gegenereerde innovatie 10,11,12.

Eerdere studies naar door AI gegenereerde inhoud en intellectueel eigendom richtten zich vooral op beleidsanalyse en juridische interpretatie, inclusief conceptuele discussies over auteurschap, originaliteit en eigendom¹³. Hoewel deze studies waardevolle inzichten bieden, blijven ze voornamelijk beschrijvend en missen ze computationele methoden om de onzekerheid rond eigendomsbepaling^aan te pakken. Tegelijkertijd zijn technologische methoden ontwikkeld ter ondersteuning van inhoudsattributie en herkomst, waaronder watermerken, vingerafdrukken en datasetbescherming¹⁵. De juridische verdeling van eigendom wordt echter niet aangepakt door deze benaderingen, vooral niet in multi-stakeholder omgevingen met ontwikkelaars, gebruikers en dataproducenten. Bovendien hebben huidige interdisciplinaire studies niet voldoende vooruitgang geboekt richting probabilistische modellen die technische en juridische factoren kunnen integreren voor eigendomsevaluatie bij onzekerheid 16,17,18,19,20. Juridische studies hebben de beperkingen van bestaande intellectuele eigendomskaders aan het licht gebracht bij het aanpakken van eigendom van door AI gegenereerde inhoud. In veel rechtsgebieden, waaronder onder Sectie 13 van de Indian Copyright Act, voldoen AI-gegenereerde werken vaak niet aan de traditionele auteurscriteria, wat leidt tot eigendomsambiguïteit^21,22. Hoewel eerdere studies rechterlijke interpretaties en auteursrechtelijke implicaties bespreken, ontbreken er formele mechanismen om onzekerheid bij eigendomsbepaling te modelleren^22,23. Om deze kloof te dichten, stelt deze studie een Bayesiaans netwerk-gebaseerd kader voor dat probabilistische relaties tussen menselijke betrokkenheid, herkomst van trainingsgegevens, contractuele context en AI-autonomie modelleert voor scenario-gebaseerde eigendomsanalyse²⁴.

Onderzoek heeft de toepassing van machine learning-modellen onderzocht zoals logistische regressie, support vector machines (SVM's), convolutionele neurale netwerken (CNN's) en long short-term memory (LSTM) netwerken in juridische besluitvorming, waarmee hun bruikbaarheid is aangetoond in juridische omgevingen met veel volume waar handmatige precedentanalyse tijdrovend is²⁵. Deze benaderingen missen echter vaak interpreteerbaarheid en transparantie, wat essentieel is voor verantwoorde rechterlijke beslissingen. Daarom hebben Explainable Artificial Intelligence (XAI)-methoden aandacht getrokken voor het verbeteren van de interpreteerbaarheid en het bieden van begrijpelijke redenering voor AI-ondersteunde beslissingen 26,27,28.

Methodologie / Aanpak	Gebruikte gegevens	Voordelen	Nadelen / Gaten
Beoordeling van juridische en technische instrumenten om inhoud te koppelen aan trainingsdata en raamwerken voor toeschrijving en verantwoording voor te stellen. 29	Literatuuroverzicht, casevoorbeelden	Integreert het perspectief van technologie + recht; stelt uitvoerbare attributiestrategieën voor	Mist formele probabilistische modellering; Geen kwantitatieve validatie
Taxonomie van technische IP-beschermingsmethoden voor training/output van generatieve modellen. 30	Onderzoek naar technische benaderingen en risico's	Systematische review; organiseert bestaande technieken voor IP-bescherming	Richt zich op trainingsgegevensbescherming versus eigendom van gegenereerde output
Stelt latente vingerafdrukken / watermerken voor om AI-oorsprong en IP-toewijzing te verifiëren. 31	Experimenten met generatieve modellen (tekst & afbeelding)	Praktisch verificatieinstrument; sterk voor eigendomsbewijs	Watermarking lost op zichzelf geen juridische eigendomskaders op
Vergelijkende juridische analyse van auteurs- en eigendomsnormen tussen rechtsgebieden. 32	Rechtsdoctrine, wettelijke teksten, representatieve zaken	Legt uit hoe menselijke bijdrage eigendomsbeslissingen beïnvloedt	Beschrijvend; stelt geen computationele modellen voor

Tabel 1: Samenvatting van methodologieën, databronnen en belangrijke bevindingen uit eerder werk. Overzicht van bestaande studies over AI-gegenereerde content-eigendom, met de belichting van methodologische benaderingen, gebruikte datasets en belangrijke bevindingen.

Tabel 1 vat de bestaande methodologieën, databronnen en belangrijkste bevindingen samen 29,30,31,32. Deze tabel bespreekt het eigendom van door AI gegenereerde inhoud in de literatuur en belicht de methodologische benaderingen, gebruikte datasets en de bevindingen van de onderzochte literatuur. Recente studies over AI-governance en auteursrechtgeschillen hebben verder de uitdagingen benadrukt met betrekking tot auteurschap, de legaliteit van trainingsdata en eigendomstoewijzing in AI-gegenereerde content^33,34. Hoewel benaderingen zoals herkomstregistratie en bewijsvalidatie bijdragen aan attributieanalyse³⁴, blijven bestaande regelgebaseerde en machine learning-methoden beperkt in het omgaan met ambiguïteit, tegenstrijdig bewijs en juridisch interpreteerbare eigendomsredenering. Technische benaderingen zoals watermerken en herkomstanalyse richten zich ook primair op attributie in plaats van eigendomsbepaling.

Dit artikel stelt een Bayesiaans netwerk voor om eigendom van AI-gegenereerde inhoud te evalueren te midden van juridische en technische onduidelijkheid, waarbij de tekortkomingen van huidige deterministische, regelgebaseerde benaderingen worden overwonnen. De benadering maakt scenario-gebaseerde afleiding mogelijk uit onvolledig of ambigu bewijs door probabilistische interacties te modelleren tussen belangrijke aspecten, waaronder menselijke betrokkenheid, herkomst van trainingsgegevens, contractuele context en AI-autonomie. De voorgestelde methode biedt, in tegenstelling tot traditionele voorspellende modellen, interpreteerbare posterior kansschattingen die duidelijk, georganiseerd redeneren mogelijk maken in overeenstemming met rechterlijke besluitvormingsprocedures.

Belangrijke juridische en technologische concepten worden expliciet gedefinieerd om consistentie gedurende het hele onderzoek te waarborgen. Terwijl "eigendom" betrekking heeft op de verdeling van rechten met betrekking tot het geproduceerde werk, verwijst "auteurschap" naar de wettelijke erkenning van een maker. "Toeschrijving" duidt niet altijd op juridisch eigendom, maar het duidt wel op bijdragende entiteiten. "Verklaarbaarheid" verwijst naar het vermogen van een model om een begrijpelijke rechtvaardiging te bieden voor probabilistische uitkomsten, terwijl "juridische onzekerheid" verwijst naar ambiguïteit die voortkomt uit onvolledige of veranderende juridische normen. Door juridische en technische factoren te integreren in een interpreteerbare probabilistische workflow, is de voorgestelde aanpak bedoeld om gestructureerde besluitvorming in AI-gerelateerde intellectuele eigendomsconflicten te faciliteren. Voor juridische experts, wetgevers en AI-ontwikkelaars die eigendomszorgen in generatieve AI-systemen beoordelen, biedt de techniek een computationeel perspectief.

Protocol

Deze studie omvat geen menselijke deelnemers of dierlijke proefpersonen. De analyse is uitsluitend gebaseerd op openbaar beschikbare juridische zaken en samengestelde juridische datasets. Daarom waren ethische goedkeuring en geïnformeerde toestemming niet vereist.

De voorgestelde methodologie is bedoeld om de juridische onzekerheid rond eigendom van door AI gemaakte content te vangen door een Bayesiaans netwerk te ontwikkelen op basis van daadwerkelijke casusgegevens. Om te beginnen zouden zaken met betrekking tot AI, waaronder auteursrecht, patenten en bedrijfsgeheimen, worden verzameld uit een bestaand corpus en elk worden getagd met daadwerkelijke juridische uitkomstgegevens. Op basis van juridische precedenten en bestaande casestudy's zouden onzekerheidsparameters die invloed kunnen hebben op content-eigendom onder andere creatieve menselijke input, autonomie van AI-systemen, legaliteit van trainingsgegevens, contractuele definities van eigendom, jurisdictie en transparantie omvatten, elk toegewezen als nodes binnen het Bayesiaanse netwerk met discrete staten die verschillende juridische en technische realiteiten aangeven, en met de bepaling van het eigendom van content als doelnode. De structuur van dit netwerk wordt ontdekt door juridische expertise te integreren met datagedreven structurele ontdekking, om zowel interpreteerbaarheid als juridische plausibiliteit te bevorderen. De tabellen met voorwaardelijke kansen worden vervolgens benaderd op basis van rechtszaken die in zaken zijn vastgesteld, waardoor het netwerk onzekere en onvolledige data probabilistisch kan verwerken. Na modeltraining maakt het zowel inferentie- als scenariotesten mogelijk om te bepalen hoe veranderingen in bijdragende factoren het afgeleide eigendom van AI-gegenereerde content beïnvloeden op basis van dit geconstrueerde Bayesiaanse netwerk, gevolgd door testen en validatie van gevoeligheidsanalyse voordat resultaten worden afgeleid die toekomstige juridische implicaties voor intellectueel eigendom in AI-toepassingen door ontwikkelaars en rechtbanken mogelijk maken. Figuur 1 toont de architecturale workflow van het voorgestelde werk.

Figuur 1: Architectonisch diagram van het voorgestelde kader: Overzicht van het voorgestelde Bayesiaanse netwerk-gebaseerde systeem voor het bepalen van eigendom van door AI gegenereerde content. De architectuur illustreert de stroom van gegevensverzameling en annotatie naar probabilistische modellering, inferentie en eigendomsattributie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 1 illustreert de architecturale workflow van het voorgestelde Bayesian Network-gebaseerde framework voor AI-gegenereerde content-eigendomsanalyse. De workflow omvat gegevensverzameling, feature-annotatie, Bayesiaanse netwerkmodellering, probabilistische inferentie, scenario-analyse en validatie. Juridische en technische variabelen, zoals menselijke betrokkenheid, AI-autonomie, herkomst van trainingsgegevens, contractuele context en jurisdictie, worden binnen een Bayesiaans kader gemodelleerd om eigendomstoewijzing onder onzekere omstandigheden te schatten. Het kader ondersteunt interpreteerbaar probabilistisch redeneren en scenario-gebaseerde evaluatie voor juridische beslissingsondersteuning.

Dataverzameling
Gegevens over rechtszaken werden verzameld uit verschillende bronnen om een dataset te creëren die zich richt op eigendoms- en intellectuele eigendomszaken met betrekking tot door AI gegenereerde inhoud. Om te beginnen werd de algemene dataset van rechtszaken uit het basisdocument gefilterd om alleen rechtszaken over auteursrecht, eigendom, intellectuele eigendomszaken en andere intellectuele eigendomszaken en andere intellectuele eigendomszaken in de trainingsgegevens op te nemen. Aanvullende rechtszaken werden verkregen uit openbaar beschikbare databases van gerechtelijke opiniesystemen die toegang bieden tot rechterlijke uitspraken uit miljoenen zaken, evenals een auteursrechtelijke dossier-tracking die zowel lopende als afgeronde juridische procedures wereldwijd over het gebruik van kunstmatige intelligentie met betrekking tot intellectueel eigendom bijhoudt. Juridische zaken werden ook geannoteerd om belangrijke variabelen te benadrukken, waaronder de uitkomst van de rechtszaak, het niveau van menselijke creatieve input, de autonomie van het Kunstmatige Intelligentiesysteem, de oorsprong van de trainingsgegevens, jurisdictie en contractparameters, indien van toepassing. Dit is een multi-source dataset die voldoende gegevens over intellectueel eigendom verzamelt met betrekking tot het gebruik van AI-tools, geschikt voor probabilistische redenering in Bayesiaanse netwerkanalyse.

Drie hoofdbronnen, waaronder de basis AI-procesdataset, een database voor openbare rechtbanken en een AI-auteursrechtregistratiedatabase, werden gebruikt in een methodisch verzamel- en screeningsproces om de dataset voor deze studie te creëren. Trefwoorden zoals "kunstmatige intelligentie", "door AI gegenereerde content", "auteursrecht", "intellectueel eigendom", "auteurschap", "eigendom" en "machinaal gegenereerde werken" werden gebruikt in zoekinterfaces en metadatavelden van repositories om relevante gevallen te vinden. Zaken met AI-gegenereerde of AI-ondersteunde inhoud die eigendom, auteurschap of intellectuele eigendomskwesties met voldoende diepgang behandelden voor variabele extractie, werden behandeld. Zaken die dubbel waren, geen verbinding hadden met AI-gegenereerde inhoud, zich op andere rechtsgebieden concentreerden of onvoldoende informatie hadden, werden niet geaccepteerd. Er werd een tweefasige screeningsprocedure gebruikt, waarbij een volledige tekstbeoordeling volgde na het eerste titel- en samenvattende examen. Om uniciteit te waarborgen, werden dubbele records over meerdere datasets geïdentificeerd met behulp van casemetadata en verwijderd.

De trefwoorden "kunstmatige intelligentie", "door AI gegenereerde content", "machine-gegenereerde werken," "auteursrecht", "auteurschap", "eigendom", "trainingsgegevens" en "intellectueel eigendomsgeschil" werden gebruikt in het zoekproces naar datasets. Om de kwaliteit en relevantie van de dataset te garanderen, werd een tweefasige screeningsprocedure gebruikt. Om eigendoms- en auteursrechtconflicten met betrekking tot AI te vinden, werden titels en casussamenvattingen in de eerste fase beoordeeld. Om de geschiktheid voor opname in de studie te bepalen, werd in de tweede fase een volledige casusreview uitgevoerd. Alleen gevallen met AI-gegenereerde of AI-ondersteunde inhoud, met voldoende juridische en technische details over auteurschap, eigendomstoewijzing, contractuele context of het gebruik van trainingsgegevens, werden opgenomen. Uitgesloten waren zaken met onvoldoende contextuele informatie, onvoldoende juridische documenten, dubbele vermeldingen en zaken die niets met intellectuele eigendomsconflicten te maken hadden. Door metadata zoals zaaktitel, jurisdictie, indieningsdatum en geschilcategorie te vergelijken, werden dubbele zaken tussen bronnen geïdentificeerd en geëlimineerd. Annotatie, Bayesiaanse netwerkmodellering, probabilistische inferentie en gevoeligheidsanalyse werden vervolgens uitgevoerd op de definitieve gecureerde dataset.

De gegevens die in de studie worden gebruikt, bestaan uit een verzameling juridische bronnen die de volledige omvang van geschillen over eigendomsrechten van AI-inhoud en intellectuele eigendomsclaims behandelen, zoals weergegeven in Tabel 2. Ten eerste omvatten de AI-procesgegevens die in de primaire studie zijn gebruikt de selectieve bewaring van ongeveer 72 juridische geschillen die specifiek verband houden met auteursrechtclaims, auteurschap, auteurschap door uitvinding en eigendom met betrekking tot AI-outputs. Om de variabiliteit in data te vergroten voor een betere vertegenwoordiging van opkomende geschillen op het gebied van generatieve AI, omvat de data het verkrijgen van relevante geschillen afkomstig uit de openbaar beschikbare court opinion database (CAP), een enorme openbaar toegankelijke verzameling Amerikaanse rechterlijke uitspraken, om specifieke AI-IP-geschillen van 38 claims te selecteren op basis van relevante IP-juridische termen. Daarnaast gebruikt het onderzoek de AI and Copyright Case Tracker om 21 wereldberoemde AI-auteursrechtgeschillen op te nemen, gebaseerd op een AI-getrainde auteursrechtelijke analysebenadering die de creatie van een aangepaste AI-auteursrechtzaaktracker voor grote internationale juridische geschillen verfijnt, met specifieke initiële analysemethoden waarbij AI-auteursrechtgeschillen worden geanalyseerd. De uiteindelijke dataset bestond uit 131 zaken: een basisdataset voor AI-rechtszaken, een database voor openbare rechtbanken en een AI-auteursrecht-trackingdatabase. Deze gevallen werden geselecteerd na toepassing van inclusie-, uitsluitings- en deduplicatieprocedures.

Dataset Bron	Datasettype	Nee. Aantal gebruikte gevallen	Dekking
Base AI Litigation Dataset1	AI-gerelateerde rechtszaken	72 (gefilterde subset)	Amerikaanse federale en staatsrechtbanken
Jurisprudentietoegangsproject (CAP)31	Corpus van openbare juridische zaken	38 (AI-IP gericht)	Uitspraken van Amerikaanse rechtbanken
AI & Copyright Case Tracker (CMS)32	Gecureerde casussamenvattingen	21 baanbrekende zaken	Global (VS, EU, VK)

Tabel 2: Datasetbeschrijving. Samenvatting van datasets die worden gebruikt voor het modelleren van intellectuele eigendomsgeschillen in AI-gegenereerde content, inclusief bron, structuur en relevantie voor eigendomsanalyse.

Om nauwkeurigheid en consistentie te waarborgen, werd een combinatie van handmatige en semi-geautomatiseerde processen gebruikt. De labelmethode gebruikte drie annotators met achtergrond in zowel recht als AI-gerelateerde rechtsstudies. Alle variabelen, waaronder menselijke creatieve input, autonomie van AI-systemen, legaliteit van trainingsgegevens, contractuele eigendomsbepalingen, jurisdictie, transparantie van AI-betrokkenheid en expliciete beslissingsregels en voorbeelden, werden gedefinieerd in een geannoteerd codeboek. Twee annotatoren annoteerden elk geval onafhankelijk; verschillen werden opgelost door discussie en, indien nodig, door een derde deskundige beoordelaar. Cohens kappa-coëfficiënt werd gebruikt om overeenstemming tussen beoordelaars te meten; Het resultaat was 0,81, wat wijst op sterke instemming. Ongeveer 9% van de zaken betrof meningsverschillen, vooral over AI-autonomie en contractinterpretatie. Voor verdere Bayesiaanse netwerkmodellering werden de voltooide annotaties gebruikt.

Identificatie van juridische onzekerheidsfactoren
Belangrijke bronnen van onzekerheid bij het eigendom van door AI gegenereerde content werden geïdentificeerd door een analyse van AI-gerelateerde intellectuele eigendomszaken over meerdere juridische datasets, waaronder procesgebaseerde datasets en publiek toegankelijke rechtbankrepositories. Menselijke creativiteit, AI-autonomie, de legaliteit van trainingsgegevens, contractuele banden, jurisdictiekwesties en de transparantie van AI-systemen waren belangrijke factoren. De mate van menselijke betrokkenheid en contractuele eigendomsdefinities werden vaak door rechtbanken benadrukt, en juridische onduidelijkheid werd versterkt door verschillen in auteursrechtwetgeving en het gebruik van auteursrechtelijk beschermde trainingsgegevens. Het Bayesian Network-framework voor probabilistische eigendomsanalyse is op basis van deze overwegingen ontwikkeld.

Factor	Beschrijving
Menselijke creatieve betrokkenheid	Mate van menselijke bijdrage aan het genereren van de inhoud (hoog, matig of minimaal).
Niveau van AI-autonomie	In de mate waarin het AI-systeem onafhankelijk opereert zonder menselijke begeleiding.
Eigendom en legaliteit van trainingsgegevens	Juridische status van de gebruikte trainingsgegevens (gelicentieerd, publiek domein, eigendom of inbreukmakend).
Contractuele eigendomsclausules	Bestaan en duidelijkheid van overeenkomsten die eigendom tussen belanghebbenden definiëren.
Juridisch Kader van Jurisdictie	Toepasselijke nationale of regionale intellectuele eigendomswetten.
Gebruiksdoel	Of de door AI gegenereerde content nu wordt gebruikt voor commerciële of niet-commerciële doeleinden.
Transparantie en Uitlegbaarheid	Beschikbaarheid van informatie over het ontwerp en de werking van het AI-systeem.
Openbaarmaking van AI-hulp	Of het gebruik van AI bij contentcreatie expliciet is bekendgemaakt.
Aard van gegenereerde inhoud	Het type output dat wordt geproduceerd (bijv. tekst, afbeelding, code of ontwerp).
Beschikbaarheid van gerechtelijke precedenten	Aanwezigheid van eerdere rechterlijke uitspraken die relevant zijn voor het eigendom van door AI gegenereerde content.

Tabel 3: Belangrijke juridische en technische onzekerheidsfactoren die eigendom beïnvloeden. Identificatie van kritieke variabelen die eigendomsattribusie in door AI gegenereerde inhoud beïnvloeden, met zowel juridische als technische dimensies.

Tabel 3 vat de eigendomsattributiegerelateerde onzekerheden samen in het voorgestelde Bayesiaanse netwerkmodel. Deze onzekerheden zijn gebaseerd op de intellectuele eigendomsconflicten rond AI en de bestaande intellectuele eigendomswetten. Menselijke creatieve input en autonomie in AI verwijzen naar de relatie tussen menselijke auteurs en door AI gegenereerde content bij het bepalen van eigendom. De onzekerheden, waaronder de legaliteit van de trainingsgegevens die door AI worden gebruikt, het eigendom van het contract en de bestaande intellectuele eigendomswetten van de jurisdictie, zijn reden voor discussie. Het doel van gebruik en AI-ondersteuningsopenbaarmaking verwijst naar de omstandigheden waarin het rechtssysteem AI-ondersteunde generatie beschouwt. Transparantie en uitlegbaarheid verwijzen daarentegen naar het aspect dat samenhangt met verantwoording en verantwoordelijkheid. Andere onzekerheden, waaronder de aard van door AI gegenereerde creaties en bestaande rechterlijke precedenten, bepalen hoe bestaande intellectuele eigendomswetten van toepassing zijn op AI-creaties.

Data-annotatie en variabelencodering
De dataset, samengesteld uit gefilterde AI-rechtszaken, CAP en geselecteerde AI-auteursrechtzaken, onder andere, zal vervolgens handmatig en semi-automatisch worden geannoteerd op basis van juridische onzekerheidsfactoren die voor elke zaak zijn geïdentificeerd. Voor elke zaak worden gestructureerde labels bepaald door het evalueren van gerechtelijke uitspraken, beschrijvingen en redenering. De annotatietaak omvat het vaststellen van zowel juridische als technische factoren, zoals het niveau van menselijke creatieve participatie, de autonomie van AI, de juridische geldigheid van de trainingsdata, contractuele clausules over eigendom, jurisdictie en de openbaarmaking van hulp door AI. Voor consistentie zijn de richtlijnen afgeleid van andere principes van intellectueel eigendom en geverifieerd door kruisvergelijking in diverse juridische bronnen. Zie Supplementary File 1(S1) voor een gedetailleerde wiskundige beschrijving van data-annotatie en variabelencodering.

Het framework werd geïmplementeerd met behulp van een programmeertaal met probabilistische grafische modelleringsbibliotheken en numerieke rekentools. Datapreprocessing en analyse werden uitgevoerd in een notebook-gebaseerde computeromgeving op een desktopsysteem met een multi-core processor en standaard geheugenconfiguratie

Om consistentie en reproduceerbaarheid in dataset-annotatie te waarborgen, werd een gestructureerd variabelencoderingsschema ontwikkeld voor alle juridische en technische factoren die in het Bayesiaanse netwerkkader zijn opgenomen. Elke zaak werd handmatig beoordeeld en geannoteerd met behulp van vooraf gedefinieerde categorische toestanden die zijn afgeleid van juridische precedenten en AI-governanceliteratuur. Tabel 4 vat de variabelen, beschrijvingen en coderingscategorieën samen die in de studie zijn gebruikt. Om probabilistische modellering en scenario-gebaseerde inferentie binnen het Bayesiaanse netwerkkader te vergemakkelijken, werd het coderingssysteem uniform toegepast op alle geannoteerde gevallen. Om vaak waargenomen juridische en technologische omstandigheden in conflicten met AI-gegenereerd materiaal te vertegenwoordigen, werden variabele toestanden gekozen.

Variabele	Beschrijving	Codeercategorieën
Menselijke bijdrage	Mate van menselijke creatieve betrokkenheid bij contentcreatie	Laag, Middel, Hoog
AI-autonomie	Niveau van onafhankelijke AI-systeemgeneratie	Laag, Middel, Hoog
Legaliteit van trainingsgegevens	Juridische status van datasets die worden gebruikt voor AI-training	Gelicentieerd, publiek domein, onzeker, ongeautoriseerd
Contractueel eigendom	Aanwezigheid van contractuele eigendomsclausules	Aanwezig, afwezig
Toeschrijvingshelderheid	Duidelijkheid van de identificatie van bijdragers	Duidelijk, Gedeeltelijk, Onduidelijk
Jurisdictie	Juridische jurisdictie die met het geschil verband houdt	India, Verenigde Staten, China, Overig
Transparantie	Beschikbaarheid van informatie over het AI-generatieproces	Hoog, Middel, Laag
Uitkomst van eigendom	Uitkomst van eigendomsattribusie (doelvariabele)	Menselijk eigendom, gedeeld eigendom, organisatie-eigendom, onzeker

Tabel 4: variabelencoderingsschema gebruikt voor Bayesiaanse netwerkannotatie. De tabel vat de juridische en technische variabelen samen die worden gebruikt tijdens dataset-annotatie, inclusief hun definities en categorische coderingstoestanden toegepast voor probabilistische modellering en eigendomsinferentie.

Bayesiaans netwerkstructuurontwerp
Het Bayesiaanse Netwerk (BN) is ontwikkeld om de probabilistische relaties tussen contextuele, technologische en juridische factoren te modelleren die het eigendom van informatie die door kunstmatige intelligentie wordt geproduceerd beïnvloeden. Hoewel de doelnode eigendomsresultaten toonde, vertegenwoordigden de netwerknodes variabelen zoals menselijke bijdrage, AI-autonomie, legaliteit van trainingsdata, contractuele eigendomsvoorwaarden en jurisdictie. Conditionele afhankelijkheden die voortkwamen uit datagedreven associaties en rechterlijke redeneerprocessen werden geregistreerd door gerichte randen. Datagedreven optimalisatie en juridische beperkingen werden gecombineerd tot een hybride structuurleermethode. Toegestane afhankelijkheden werden bepaald door rechterlijke principes, en de meest waarschijnlijke afhankelijkheidsgrafiek die de gerapporteerde procesresultaten verklaarde, werd gevonden met behulp van score-based structure learning. Deze methode zorgde ervoor dat het uiteindelijke netwerk zowel juridisch interpreteerbaar als statistisch geldig bleef.

Figuur 2: Bayesiaanse netwerkstructuur gebruikt voor eigendomsinferentie. Grafische weergave van het Bayesiaanse netwerk toont afhankelijkheden tussen juridische en technische variabelen die eigendomsbeslissingen beïnvloeden. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2 toont hoe een Bayesiaans netwerk wordt ingezet bij AI-gegenereerde eigendomsoverdrachten van content. Op een topmodel wijzen enkele essentiële inputvariabelen, namelijk menselijke input, trainingsdata, AI-autonomie en jurisdictie, enkele essentiële juridische en technische dimensies aan die in overweging moeten worden genomen bij het renderen van een recht op door AI gegenereerde content. Elke variabele wordt aangewezen als een waarschijnlijke knoop in plaats van een hardgecodeerde regel, waardoor een model mogelijk is dat rekening houdt met variabeleafhankelijkheden. De groene knooppunten, ook wel verbindingspunten genoemd, verschijnen tussen de invoerknooppunten en de uiteindelijke uitgang. Ze geven bijvoorbeeld aan hoe niveaus van menselijke betrokkenheid correleren met AI-autonomie, terwijl zowel juridische trainingsdata als jurisdictiefactoren helpen een recht op door AI gegenereerde content vanuit een jurisdictieperspectief te definiëren.

Rechtstheorie en geannoteerde procesgegevens vormden de basis voor de variabeleselectie en discrete toestandsdefinities van het Bayesiaanse netwerk. Gezien hun belang bij het bepalen van eigendom kregen belangrijke factoren zoals menselijke betrokkenheid, AI-autonomie, de legaliteit van trainingsgegevens, contractuele voorwaarden, jurisdictie en transparantie hoogste prioriteit. Door experts beoordeelde annotatiecriteria werden gebruikt om variabelen in juridisch significante categorieën in te delen. Om statistisch ondersteunde afhankelijkheden te identificeren, werd een hybride strategie gebruikt die scoregebaseerd leren en juridische beperkingen combineert om de netwerkstructuur te construeren. De benadering werd verder gevalideerd met behulp van gevoeligheids- en ablatiestudies, die de significante impact van menselijke input en contractuele beperkingen op eigendomsinferentie bevestigden, terwijl andere variabelen matigende effecten vertoonden. Voor beslissingsondersteuningssystemen verbetert deze gecombineerde juridisch-empirische benadering zowel robuustheid als interpreteerbaarheid.

De afgeleide kansen van alle onderling verbonden knooppunten convergeren bij de Eigendomsbeslissingsknoop, die posterior eigendomskansen genereert op basis van het beschikbare juridische en technische bewijs. Dit maakt eigendomsinferentie mogelijk, zelfs onder onvolledige of betwiste omstandigheden, en ondersteunt dynamische updates wanneer nieuw bewijs beschikbaar komt. Om overfitting en ongewenste correlaties te verminderen, werden modelselectie- en gevoeligheidsanalyses gebruikt om redundante of laag-impact randen te verwijderen, wat resulteerde in een beknopte gerichte acyclische grafiek (DAG). De uiteindelijke Bayesiaanse netwerkstructuur omvat zowel probabilistische afhankelijkheden als causale relaties tussen factoren die bijdragen aan juridische onzekerheid bij AI-gegenereerde content-eigendom. De wiskundige beschrijving van het Bayesiaanse netwerkontwerp is te vinden in Supplementair Bestand 1 (S2).

Het Bayesiaanse netwerk maakt probabilistische eigendomsinferentie mogelijk, zelfs wanneer sommige juridische of technische factoren onvolledig of gedeeltelijk waarneembaar zijn. Door bewijsvariabelen aan te passen, ondersteunt het kader ook scenario-gebaseerde analyses voor juridische besluitvorming, beleidsevaluatie en toepassingen van AI-governance. De netwerkstructuur is ontwikkeld met een hybride benadering waarbij door experts gedefinieerde juridische beperkingen worden gecombineerd met datagedreven leren. Een Hill Climbing-algoritme met Bayesian Information Criterion (BIC) scoring werd gebruikt voor structuuroptimalisatie, terwijl Bayesiaanse parameterschatting met Dirichlet-priors en Laplace-smoothing (&α = 1) dataspaarzaamheid en ontbrekende waarnemingen aanpakte. Alle variabelen werden weergegeven als discrete categorische toestanden ter ondersteuning van probabilistische inferentie. Python-probabilistische grafische modelleringsmodules werden gebruikt om het Bayesian Network-framework te construeren. De twee fasen van netwerkopbouw waren parameterleren en structuurdefinitie. Aanvankelijk vertegenwoordigden de netwerkknooppunten de juridische en technische kenmerken die tijdens dataset-annotatie werden gevonden. Een hybride methode die datagedreven structurele afhankelijkheidsanalyse koppelde aan door experts gedefinieerde juridische relaties werd gebruikt om gerichte randen tussen knooppunten te creëren. Maximum likelihood schatting werd gebruikt om Conditional Probability Tables (CPT's) uit de geannoteerde dataset te schatten. De probabilistische grafische modelleringstechnieken binnen een computationele omgevingspakket werden gebruikt om het Bayesiaanse netwerk te implementeren, met de Maximum Likelihood Estimator-functie voor parameterleren en de Bayesiaanse Netwerk () functie voor het definiëren van de netwerkstructuur. De Variable Elimination () inferentieprocedure werd gebruikt om waarschijnlijkheden voor posterior eigendom onder verschillende bewijscondities te berekenen.

Parameterleren
Bij het kwantitatief modelleren van juridische onzekerheid bij AI-gegenereerde content-eigendom is parameterschatting een cruciale stap in het voorgestelde Bayesian Network-kader. Bayesiaanse parameterschatting werd gebruikt om Conditional Probability Tables (CPT's) te leren uit geannoteerde rechtszaken. Hoewel de doelnode eigendomstoewijzing aangeeft, weerspiegelt elke node een juridisch of technologisch aspect, zoals menselijke bijdrage, AI-autonomie, de legaliteit van trainingsdata of contractuele eigendomsbepalingen. Omdat Bayesiaanse schattingen weinig juridisch materiaal en onvoldoende bewijs aankunnen, werd het gekozen om interpreteerbare juridische redenering te bevorderen en probabilistische correlaties te representeren die in rechterlijke uitspraken worden waargenomen. Representatieve conditionele kanswaarden verkregen binnen het Bayesiaanse netwerk worden weergegeven in Tabel 5. Hoewel grote AI-autonomie onzekerheid of uitkomsten zonder eigendom bevordert, duidt significante menselijke creatieve betrokkenheid op een aanzienlijke kans op menselijk eigendom, wat wijst op rechterlijke nadruk op menselijke intellectuele bijdrage. De bevindingen benadrukken ook het belang van contractuele eigendomsvoorwaarden en de legaliteit van trainingsgegevens, waarbij expliciete overeenkomsten en gelicentieerde gegevens het eigendom vergroten. De gevoeligheid van het kader voor verschillende juridische situaties blijkt verder uit jurisdictieverschillen.

Oudervariabelen	Toestanden van oudervariabelen	Uitkomst van eigendom	Geleerde Conditionele Kans
Menselijke creatieve betrokkenheid	Hoog	Menselijke auteur	0.82
Menselijke creatieve betrokkenheid	Laag	AI-ontwikkelaar	0.41
AI-autonomie	Hoog	Geen eigendom erkend	0.55
Legaliteit van trainingsgegevens	Gelicentieerd	Mens / Ontwikkelaar	0.76
Legaliteit van trainingsgegevens	Inbreuk	Geen eigendom / Betwist	0.68
Contractuele eigendomsclausule	Expliciete tegenwoordigheid	Contractuele partij	0.89
Contractuele eigendomsclausule	Afwezig	Betwist / Onzeker	0.61
Jurisdictiekader	Mensgerichte IE-wetgeving	Menselijke auteur	0.79
Jurisdictiekader	Dubbelzinnige / Opkomende Wet	Joint / Onzeker	0.47

Tabel 5: Voorbeeld van conditionele kansen in het Bayesiaans netwerkmodel. Illustratieve conditionele kanswaarden geleerd door het Bayesiaanse netwerk, waarbij afhankelijkheden tussen belangrijke variabelen worden aangetoond die eigendomsuitkomsten beïnvloeden.

Algoritme 1 omvat het hele proces van het voorgestelde Bayesiaanse Netwerk-framework om eigendomsonzekerheden in AI-inhoud vast te leggen. Algoritme 1: Start een Bayesiaans netwerkstructuur door het grafische model te definiëren waarbij de knooppunten de technische en juridische onzekerheden zijn die in de rechtszaken met geannoteerde informatie worden onderzocht, en de doelknoop de eigendomsaanduiding is. De structuur van het Bayesiaans netwerkmodel kan vervolgens worden vastgesteld door een gezamenlijke aanpak toe te passen die bestaande juridisch beperkende structuren samenvoegt met geoptimaliseerde structuren die uit de data zijn afgeleid. De voorwaardelijke kanstabellen kunnen vervolgens worden gespecificeerd door het Bayesiaanse parameterschattingsschema te implementeren op basis van de verkregen dataset, waarmee rekening wordt gehouden met onzekerheden, spaarzaamheden en conditionele relaties die door de rechterlijke macht worden afgeleid. Wanneer het algoritme wordt toegepast op een bepaald juridisch of hypothetisch voorbeeld, kan de invoerinformatie of het bewijs in het Bayesiaanse netwerk worden verkregen door probabilistische inferentie toe te passen om de posterior kans op eigendom te bepalen. Het algoritme kan vervolgens aanpassingen toepassen aan de invoerwaarden door iteratief de bewijsinvoer aan het Bayesiaanse netwerk aan te passen en de impact op eigendomsaanduiding te beoordelen door de menselijke input, AI-autonomie, contractuele legaliteit en de legaliteit van de trainingsdata aan te passen. Raadpleeg Supplementair Bestand 1(S3) voor algoritmische stappen.

Probabilistische inferentie en scenario-analyse
De grafische structuur en de tabellen met voorwaardelijke waarschijnlijkheid van het Bayesiaanse netwerk kunnen vervolgens worden getraind op een geannoteerde dataset van AI-gerelateerde rechtszaken over eigendom, en het systeem maakt het mogelijk om de waarschijnlijkheid van eigendom te concluderen. De wiskundige beschrijvingen zijn opgenomen in Aanvullend Dossier 1 (S4).

Door te observeren hoe deze waarschijnlijkheden voor achteraf eigendom variëren tussen contrafeitelijke scenario's, levert het model een reeks relatieve invloeden op rechterlijke uitkomsten voor elk juridisch en technisch kenmerk. Deze scenario-gedreven inferentiemogelijkheid vormt een van de belangrijkste bijdragen van het voorgestelde werk, omdat het aansluit bij hoe rechtbanken, beleidsmakers en juridische experts redeneren over het eigendom van door AI gegenereerde inhoud: door contextuele evaluatie in plaats van de rigide toepassing van regels. Het Bayesiaanse netwerk dient hierbij als een uitlegbaar hulpmiddel voor besluitvorming, dat empirische procespatronen omzet in probabilistische inzichten die consistente redenering ondersteunen over rechtsgebieden, contractuele contexten en niveaus van AI-autonomie heen. Dienovereenkomstig gaat zo'n bruikbaarheidsfactor verder dan beschrijvende juridische analyse door een systematisch mechanisme te bieden om eigendomsuitkomsten te anticiperen onder evoluerende AI- en intellectuele eigendomsregimes. De Variable Eliminatie-benadering werd gebruikt om de posterior kans op eigendomsuitkomsten voor inferentie te berekenen. Het iteratief wijzigen van de bewijsvariabelen en het herberekenen van posterior verdelingen maakte scenario-analyse mogelijk. Om veerkracht over kleine datasets te waarborgen, werd het model gevalideerd met leave-one-out validatie en k-voudige cross-validation (k = 5). Om een gevoeligheidsanalyse uit te voeren, werden de invoervariabelen systematisch gevarieerd en werden de bijbehorende veranderingen in posterior probabilities (ΔP(Y)) gemeten.

Modelvalidatie en gevoeligheidsanalyse
Het voorgestelde Bayesiaans Netwerkmodel werd geverifieerd met behulp van een geannoteerde dataset van AI-gerelateerde intellectuele eigendomsconflicten om betrouwbaarheid, robuustheid en juridische toepasbaarheid te garanderen. Om eigendomsuitkomsten te voorspellen en deze te vergelijken met daadwerkelijke juridische beslissingen, werd een retrospectieve validatiebenadering gebruikt. Gezien de schaarste van AI-gerelateerde eigendomsconflicten werden leave-one-out en k-fold cross-validation gebruikt om de robuustheid van het model te beoordelen.

De impact van juridische en technische factoren op eigendomstoewijzing, waaronder menselijke betrokkenheid, AI-autonomie, de legaliteit van trainingsgegevens en contractuele eigendomsvoorwaarden, werd onderzocht via een gevoeligheidsanalyse. Het onderzoek identificeerde contextuele en impactfactoren die eigendomskeuzes beïnvloeden door de toestanden van de moederknoop te veranderen en veranderingen in posterieure kansen te monitoren. Door te laten zien hoe juridische ambiguïteit zich door het netwerk verspreidt, werd de interpreteerbaarheid verbeterd. De bevindingen van validatie- en gevoeligheidsanalyses zijn verzameld in Tabel 6. Tijdens kruisvalidatie bereikte het model meer dan 80% overeenstemming tussen afgeleide en daadwerkelijke rechterlijke uitkomsten. Robuustheidstests bevestigden betrouwbare inferentie onder beperkte evidenzen, en lage posterior variantie over folds suggereerden stabiele, generaliseerbare conditionele kansen. Gevoeligheidsanalyse toonde aan dat hoewel AI-autonomie en de legaliteit van trainingsdata de onzekerheid over attributie sterk verhoogden, contractuele eigendomsclausules en menselijke creatieve betrokkenheid de grootste impact hadden op eigendomstoewijzing. Technische en contractuele voorwaarden werkten samen met jurisdictievariabelen en hadden een matig effect. Over het geheel genomen tonen de bevindingen aan dat het voorgestelde paradigma zowel juridisch interpreteerbaar als empirisch verantwoord is.

Validatie- / gevoeligheidsaspect	Toegepaste methode	Metriek / Observatie
Case-based validatie	Leave-one-out kruisvalidatie	81,3% consistentie in eigendomsuitkomsten
Kruisvouwstabiliteit	5-voudige kruisvalidatie	Posterieure variantie < 0,05 over plooien
Robuustheid van ontbrekend bewijs	Gedeeltelijke bewijsinferentie	< 7% verandering in posterieure kansen
Gevoeligheid: Menselijke creatieve betrokkenheid	Eénfactorverstoring	ΔP(Y) ≈ +0,32
Gevoeligheid: AI-autonomie	Eénfactorverstoring	ΔP(Y) ≈ −0,28
Gevoeligheid: Legaliteit van trainingsgegevens	Eénfactorverstoring	ΔP(Y) ≈ +0,25
Gevoeligheid: Contractuele clausules	Eénfactorverstoring	ΔP(Y) ≈ +0,37
Gevoeligheid: Jurisdictie	Eénfactorverstoring	ΔP(Y) ≈ +0,14

Tabel 6: Resultaten van validatie- en gevoeligheidsanalyse. Resultaten van modelvalidatie en gevoeligheidsanalyse, waarbij robuustheid, stabiliteit en de impact van belangrijke variabelen op eigendomsinferentie geëvalueerd worden.

Interpretatie en beleidsimplicatieanalyse
De probabilistische output van het Bayesiaanse netwerk bieden een interpreteerbaar kader voor het analyseren van eigendom van door AI gegenereerde content door juridische en technische factoren te modelleren, waaronder menselijke bijdrage, AI-autonomie, contractuele duidelijkheid en de legaliteit van de trainingsdata. In plaats van uitsluitend als voorspellende output te dienen, ondersteunen de posterior kansschattingen transparante, scenario-gebaseerde redenering onder onzekere juridische omstandigheden. Het kader kan juridische professionals helpen de consistentie tijdens eigendomsevaluatie te verbeteren, beleidsmakers ondersteunen bij het identificeren van regelgevingskandale met betrekking tot door AI gegenereerde inhoud, en AI-ontwikkelaars helpen beoordelen hoe ontwerp- en governancekeuzes de eigendomstoewijzing in verschillende juridische contexten kunnen beïnvloeden.

Resultaten

De resultaten van het experiment tonen de effectiviteit aan van het Bayesiaanse Netwerkkader in het vastleggen van de aard van onzekerheid in AI-geproduceerde content-eigendom. Het model biedt een gestructureerde, datagedreven aanpak om eigendomsinferentie te ondersteunen onder onzekerheid. De uiteindelijke dataset bestond uit 131 zaken: een basisdataset voor AI-rechtszaken, een database voor openbare rechtbanken en een AI-auteursrecht-trackingdatabase. Deze gevallen werden geselecteerd na toepassing van inclusie-, uitsl...

Discussie

Het voorgestelde Bayesiaanse Netwerkkader vormt een vooruitgang ten opzichte van huidig onderzoek naar eigendom van door AI gegenereerde inhoud, in tegenstelling tot de beschrijvende of vraagidentificatiebenaderingen van andere werken. De andere werken, waaronder het basisartikel van Raghupathi et al. in¹, maken in wezen gebruik van machine learning-benaderingen in tekstanalyse om thema's of categorieën te ontdekken in de context van AI-rechtszaken. Hoewel deze be...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Judicial Opinions & Court Records Dataset	Caselaw Access Project (CAP)	RRID:SCR_016043	Bron van gerechtelijke beslissingen die worden gebruikt voor het extraheren van juridisch redeneren en eigendomsuitkomsten
AI & Copyright Case Tracker	CMS Legal	N/A	Gecuratoriseerde dataset van wereldwijde AI-gerelateerde intellectuele-eigendom geschillen
Legal Contracts & Agreements Dataset	Various Public Legal Repositories	N/A	Documenten die eigendom, licenties en contractuele rechten definiëren
Statutory and Case Law References	Government Legal Portals	N/A	Intellectuele-eigendom wetten en juridische precedenten gebruikt voor analyse
Legal Annotation Guidelines	Expert-defined (Handmatig Framework)	N/A	Regels voor consistente annotatie van juridische onzekerheid variabelen
Annotated Legal Dataset	Generated in Study	N/A	Dataset gelabeld met juridische en technische variabelen voor modellering
Python Programming Environment (v3.10)	Python Software Foundation	RRID:SCR_008394	Kern programmeeromgeving gebruikt voor implementatie
pgmpy Library (v0.1.24)	Open-source	RRID:SCR_016274	Bibliotheek gebruikt voor Bayesiaans netwerkmodellering
NumPy (v1.24)	Open-source	RRID:SCR_008633	Numerieke berekeningen en array bewerkingen
Pandas (v1.5)	Open-source	RRID:SCR_018214	Data preprocessing en datasetverwerking
Jupyter Notebook	Project Jupyter	RRID:SCR_018315	Interactieve omgeving voor modelontwikkeling
Bayesian Network Model	Developed in Study	N/A	Probabilistische grafische model voor eigendom inferentie
Hill Climbing Algorithm (BIC)	Implemented via pgmpy	N/A	Structuur leermethode voor Bayesiaans netwerk
Variable Elimination Inference Engine	Implemented via pgmpy	N/A	Berekent achterwaartse eigendom waarschijnlijkheden
Scenario Analysis Module	Developed in Study	N/A	Maakt 'what-if' simulaties mogelijk
Sensitivity Analysis Module	Developed in Study	N/A	Meet de invloed van variabelen op eigendomsuitkomsten
Cross-Validation Framework (k-fold, LOOCV)	Scikit-learn compatible	RRID:SCR_002577	Gebruikt voor modelvalidatie en robuustheidstests
Computing System (Intel Core i7, 16GB RAM)	Intel / OEM	N/A	Hardware gebruikt voor modeltraining en evaluatie
Operating System (Windows 11)	Microsoft Windows	RRID:SCR_018096	OS omgeving voor implementatie