Моделирование правовой неопределённости при владении контентом, созданным ИИ: байесовский сетевой подход к распределению прав интеллектуальной собственности

Краткое содержание

В данном исследовании представлен рабочий процесс на основе баесовской сети для анализа владения контентом, созданным ИИ, в условиях юридической и технической неопределённости. Использование судебных разбирательств по ИИ, наборов данных по авторскому праву и рамочных моделей, таких факторов, как вклад человека, контракты, законность обучающих данных и автономия ИИ, для поддержки прозрачного, интерпретируемого и основанного на сценариях принятия решений в спорах об интеллектуальной собственности.

Аннотация

Быстрое внедрение генеративного искусственного интеллекта выявило ограничения в традиционных рамках интеллектуальной собственности, основанных на авторстве человека, что создало неопределённость при атрибуции собственности. В данном исследовании предлагается рабочий процесс на основе баесовской сети для анализа владения контентом, созданным ИИ, в условиях юридической и технической неопределённости. Рабочий процесс интегрирует курирование наборов данных, аннотирование переменных, вероятностное моделирование зависимостей, генерацию выводов, перекрестную валидацию и анализ чувствительности для оценки взаимосвязей между факторами, включая вклад человека, законность обучающих данных, договорный контекст и автономию ИИ. Фреймворк был разработан на основе аннотированных дел, полученных из кураторского набора данных по судебным разбирательствам ИИ, общедоступных баз данных судебных мнений и трекеров по авторским правам ИИ. Был проведён анализ чувствительности для изучения влияния юридических и технических переменных на атрибуцию собственности в различных сценариях. Предлагаемая структура поддерживает вероятностное и интерпретируемое рассуждение споров об интеллектуальной собственности, связанных с ИИ, и обеспечивает структурированный подход к поддержке принятия решений для юристов, политиков и разработчиков ИИ. Результаты показали стабильные апостериорные оценки вероятности по сгибам, при этом согласованность прогнозов владения превышала 80% между наборами данных. Фреймворк позволяет использовать вероятностное, основанное на сценариях рассуждения и предоставляет интерпретируемый инструмент поддержки принятия решений, повышая прозрачность и последовательность в разрешении споров о собственности для юристов, политиков и разработчиков ИИ.

Введение

Растущее использование систем искусственного интеллекта (ИИ) в отраслях с высокими ставками, включая здравоохранение, уголовное правосудие, финансы и цифровые платформы, поднимает важные вопросы о юридической ответственности, подотчётности и справедливости. Несмотря на быстрый прогресс, значительная часть литературы по управлению ИИ является либо нормативной, либо предсказательной и не имеет эмпирической поддержки ^1,2. Современные методы обнаружения проблем, связанных с ИИ, такие как базы данных событий, исследования на основе опросов и этические рамки, часто не позволяют охватить постоянные проблемы в реальном мире. Эти подходы либо чрезмерно акцентируют внимание на резонансных событиях, игнорируя системные, практические проблемы, либо отражают ожидания, а не наблюдаемые^{повреждения 3,4}. Большинство баз данных инцидентов основаны на добровольной отчетности и освещении в СМИ, что часто выделяет громкие сбои и недооценивает распространённые, но важные проблемы, связанные с^{ИИ 5,6}. Позволяя системам создавать текст, изображения и музыку с помощью трансформерных архитектур глубокого обучения, генеративный ИИ, особенно большие языковые модели (LLM), сделал производство контента ещё более^{сложным 7,8,9}. Традиционные системы интеллектуальной собственности, основанные на человеческом авторстве, сталкиваются с трудностями из-за этих изменений, что затрудняет различие между инновациями, созданными человеком и^{машинами} 10,11,12.

Предыдущие исследования контента, созданного ИИ, и интеллектуальной собственности в основном были сосредоточены на анализе политики и юридической интерпретации, включая концептуальные обсуждения авторства, оригинальности и владения¹³. Хотя эти исследования дают ценные знания, они остаются преимущественно описательными и не имеют вычислительных методов для решения неопределённости владения^{и определения 14}. Одновременно были разработаны технологические методы поддержки атрибуции и происхождения контента, включая водяные знаки, отпечатки пальцев и защиту наборов^{данных 15}. Однако юридическое распределение собственности не решается этими подходами, особенно в многосторонних условиях с разработчиками, пользователями и производителями данных. Кроме того, текущие междисциплинарные исследования не добились достаточного прогресса в создании вероятностных моделей, способных интегрировать технические и правовые факторы для оценки собственности в условиях^{неопределённости} 16,17,18,19,20. Юридические исследования подчеркнули ограничения существующих систем интеллектуальной собственности в вопросах владения контентом, созданным ИИ. Во многих юрисдикциях, включая раздел 13 Индийского закона об авторском праве, произведения, созданные ИИ, часто не соответствуют традиционным критериям авторства, что создаёт неоднозначность^{владельца 21,22}. Хотя предыдущие исследования рассматривают судебные интерпретации и авторские права, им отсутствуют формальные механизмы моделирования неопределённости при определении права собственности^22,23. Для устранения этого пробела в исследовании предлагается основанная на байесовской сети фреймворк, моделирующая вероятностные связи между участием человека, происхождением данных по обучению, договорным контекстом и автономией ИИ для анализа владения на основе^{сценариев 24}.

Исследования изучали применение моделей машинного обучения, таких как логистическая регрессия, опорные векторные машины (SVM), сверточные нейронные сети (CNN) и сети с долгой краткосрочной памятью (LSTM) в принятии юридических решений, демонстрируя их полезность в масштабных юридических средах, где ручной анализ прецедентов занимает^{много времени 25}. Однако эти подходы часто не обладают интерпретацией и прозрачностью, что необходимо для подотчетной поддержки судебных решений. В результате методы объяснимого искусственного интеллекта (XAI) привлекли внимание за улучшение интерпретируемости и предоставление понятных рассуждений для решений с помощью^ИИ 26,27,28.

Методология / Подход	Используемые данные	Плюсы	Минусы / Пробелы
Обзор юридических и технических инструментов для связи содержания с учебными данными и предложения рамок для атрибуции и подотчётности. 29	Обзор литературы, примеры случаев	Интегрирует технологию + юридическую перспективу; предлагает практические стратегии атрибуции	Отсутствует формальное вероятностное моделирование; Отсутствие количественной валидации
Таксономия технических методов защиты интеллектуальной собственности для обучения/выводов генеративных моделей. 30	Обзор технических подходов и рисков	Систематический обзор; организует существующие методы защиты интеллектуальной собственности	Сосредоточена на защите обучающих данных против владения сгенерированным результатом
Предлагает латентные отпечатки пальцев / водяные знаки для проверки происхождения ИИ и атрибуции IP. 31	Эксперименты с генеративными моделями (текст и изображение)	Практический инструмент верификации; Сильные доказательства владения	Водяные знаки сами по себе не решают юридические системы собственности
Сравнительный юридический анализ стандартов авторства и владения по юрисдикциям. 32	Юридическая доктрина, статутные тексты, представительные дела	Объясняет, как человеческий вклад влияет на решения о владении	Описательно; не предлагает вычислительные модели

Таблица 1: Сводка методологий, источников данных и ключевых выводов в предыдущих работах. Обзор существующих исследований владения контентом, созданным ИИ, с выделением методологических подходов, используемых наборов данных и основных результатов.

Таблица 1 суммирует существующие методологии, источники данных и ключевые^{выводы 29, 30, 31, 32}. В этой таблице рассматривается вопрос владения контентом, созданным ИИ, в литературе и выделены методологические подходы, используемые наборы данных и результаты рассматриваемой литературы. Недавние исследования по управлению ИИ и спорам по авторскому праву дополнительно выявили проблемы, связанные с авторством, законностью обучающих данных и распределением права собственности на контент, созданный^{ИИ 33,34}. Хотя такие подходы, как отслеживание происхождения и валидация доказательств, вносят вклад в анализ^{атрибуции 34}, существующие методы на основе правил и машинного обучения остаются ограниченными в работе с неоднозначностью, противоречивыми доказательствами и юридически интерпретируемыми аргументами владения. Технические подходы, такие как водяные знаки и анализ происхождения, также в основном сосредоточены на атрибуции, а не на определении права собственности.

В данной статье предлагается основанная на Байесовской сети рамочная система для оценки владения контентом, созданным ИИ, в условиях юридической и технической неоднозначности, преодолевая недостатки современных детерминистских, основанных на правилах подходах. Подход позволяет делать сценариевые выводы на основе неполных или неоднозначных данных, моделируя вероятностные взаимодействия между ключевыми аспектами, включая вовлечённость человека, происхождение данных по обучению, договорный контекст и автономию ИИ. Предлагаемый метод, в отличие от традиционных предиктивных моделей, предлагает интерпретируемые апостериорные вероятностные оценки, способствующие ясному и организованному рассуждению, соответствующему судебным процедурам принятия решений.

Важные юридические и технологические концепции четко определены для обеспечения согласованности на протяжении всего исследования. В то время как «владение» связано с распределением прав, связанных с созданным произведением, «авторство» — это юридическое признание создателя. «Атрибуция» может не всегда указывать на юридическое владение, но оно идентифицирует вкладывающих субъектов. «Объяснимость» относится к способности модели предоставлять понятное обоснование вероятностных исходов, тогда как «правовая неопределённость» относится к неоднозначности, возникающей из-за неполных или изменяющихся правовых стандартов. Включая юридические и технические факторы в интерпретируемый вероятностный рабочий процесс, предлагаемый подход направлен на облегчение структурированного принятия решений при конфликтах интеллектуальной собственности, связанных с ИИ. Для юридических экспертов, законодателей и разработчиков ИИ, оценивающих вопросы владения в генеративных системах ИИ, эта техника предлагает вычислительную точку зрения.

Протокол

В этом исследовании не участвуют люди или животные. Анализ основан исключительно на общедоступных материалах судебных дел и отобранных наборах данных. Поэтому одобрение этики и информированное согласие не требовались.

Предлагаемая методология направлена на устранение правовой неопределённости, связанной с правом собственности на контент, созданный ИИ, путем создания байесовской сети на основе реальных данных по делам. Для начала дела, связанные с ИИ, включая авторские права, патентные и коммерческие тайны, собирались из существующего корпуса и каждое маркировалось реальными юридическими данными. Основываясь на юридических прецедентах и существующих кейсах, параметры неопределённости, которые могут повлиять на владение контентом, включают творческое человеческое вмешательство, автономию системы ИИ, законность обучающих данных, договорные определения собственности, юрисдикции и прозрачности, каждый из которых назначен узлом в Байесовской сети с отдельными состояниями, указывающими на разные юридические и технические реалии, а также определение владения контентом как целевая цель. Структура этой сети определяется путём интеграции юридической экспертизы с структурным открытием, основанным на данных, для повышения как интерпретируемости, так и правовой правдоподобности. Таблицы условных вероятностей затем приближаются на основе результатов судебных разбирательств, выявленных в делах, что позволяет сети обрабатывать неуверенные и неполные данные с точки зрения вероятности. После обучения модели он позволяет проводить как выводы, так и тестирование сценариев для определения того, как изменения в факторах, влияющих на предполагаемое владение контентом, созданным ИИ на основе этой созданных байесовской сети, а затем проводится тестирование и проверка чувствительности перед выводом результатов, способствующих будущим юридическим последствиям для интеллектуальной собственности в приложениях ИИ разработчиками и судами. Рисунок 1 показывает архитектурный рабочий процесс предлагаемых работ.

Рисунок 1: Архитектурная схема предлагаемой структуры: Обзор предлагаемой байесовской сетевой системы для определения права собственности на контент, созданный ИИ. Архитектура иллюстрирует переход от сбора и аннотации данных к вероятностному моделированию, выводу и атрибуции собственности. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 1 иллюстрирует архитектурный рабочий процесс предлагаемого баесовского сетевого фреймворка для анализа владения контентом, созданного с помощью ИИ. Рабочий процесс включает сбор данных, аннотирование признаков, байесовское моделирование сетей, вероятностный вывод, анализ сценариев и валидацию. Юридические и технические переменные, такие как участие человека, автономия ИИ, происхождение обучающих данных, договорный контекст и юрисдикция, моделируются в рамках байесовской системы для оценки атрибуции собственности в неопределённых условиях. Структура поддерживает интерпретируемое вероятностное рассуждение и оценку на основе сценариев для юридической поддержки принятия решений.

Сбор данных
Данные по судебным делам собирались из различных источников для создания набора данных, ориентированного на судебные процессы по собственности и интеллектуальной собственности, связанные с контентом, созданным ИИ. Для начала, общий набор данных по делам, полученным в базовом документе, был отфильтрован так, чтобы включать только судебные разбирательства, касающиеся авторских прав, права собственности, споров, связанных с интеллектуальной собственностью, и других вопросов интеллектуальной собственности в обучающих данных. Дополнительные юридические дела были получены из общедоступных баз данных судебных мнений, предоставляющих доступ к судебным решениям по миллионам дел, а также из репозитория отслеживания дел по авторским правам, отслеживающего как текущие, так и завершенные судебные процессы по всему миру по использованию искусственного интеллекта в отношении интеллектуальной собственности. Юридические дела также были аннотированы для выделения ключевых переменных, включая исход судебного процесса, уровень человеческого творческого вклада, автономию системы искусственного интеллекта, происхождение обучающих данных, юрисдикцию и параметры контракта, если это применимо. Это многоисточниковый набор данных, который собирает достаточно данных об интеллектуальной собственности, связанных с использованием инструментов ИИ, подходящего для вероятностного рассуждения в байесовском сетевом анализе.

Три основных источника, включая базовый набор данных по судебным разбирательствам по ИИ, публичную базу судских мнений и репозиторий отслеживания дел по авторским правам ИИ, были использованы в методическом сборе и отборе данных для создания набора данных для этого исследования. Ключевые слова, такие как «искусственный интеллект», «контент, созданный ИИ», «авторское право», «интеллектуальная собственность», «авторство», «владение» и «машинно-генерируемые произведения», использовались в поисковых интерфейсах репозитории и полях метаданных для поиска соответствующих случаев. Рассматривались случаи, связанные с контентом, сгенерированным ИИ или с помощью ИИ, который решал вопросы владения, авторства или интеллектуальной собственности с достаточной глубиной для извлечения переменных. Дела, которые были дубликаторами, не связаны с контентом, созданным ИИ, сосредоточены на других юридических областях или не содержали достаточной информации, не принимались. Была использована двухэтапная процедура скрининга, при этом после первоначального титульного и итогового экзамена проводилась полная оценка соответствия. Для обеспечения уникальности дублирующиеся записи в нескольких наборах данных выявлялись с помощью метаданных случая и удалялись.

В процессе поиска по набору данных использовались ключевые слова «искусственный интеллект», «контент, созданный ИИ», «машинно-генерируемые произведения», «авторское право», «авторство», «владение», «обучающие данные» и «спор по интеллектуальной собственности». Для обеспечения качества и релевантности набора данных была использована двухэтапная процедура скрининга. Для выявления конфликтов собственности и авторских прав, связанных с ИИ, на первом этапе были рассмотрены названия и краткие описания дел. Для определения права на включение в исследование на втором этапе был проведён полнотекстовый обзор случая. Включены только дела, связанные с контентом, созданным ИИ или с помощью ИИ, с достаточными юридическими и техническими деталями об авторстве, атрибуции собственности, договорном контексте или использовании обучающих данных. Исключены были дела с недостаточной контекстной информацией, недостаточными юридическими документами, дублирующими записями и делами, не связанными с конфликтами интеллектуальной собственности. Сравнивая метаданные, такие как название дела, юрисдикция, дата подачи и категория спора, были выявлены и устранены дублирующиеся дела по разным источникам. Затем были проведены аннотации, моделирование баесовской сети, вероятностное заключение и анализ чувствительности на финальной кураторской базе данных.

Данные, использованные в исследовании, представляют собой сборник юридических источников, охватывающих полный спектр споров по правам собственности на контент ИИ и претензиям на интеллектуальную собственность, как показано в Таблице 2. Во-первых, данные судебных разбирательств по ИИ, использованные в первичном исследовании, включают избирательное сохранение около 72 юридических споров, непосредственно связанных с исками об авторском праве, авторстве, авторстве по изобретению и владением, связанным с результатами ИИ. Для повышения вариативности данных для лучшего представления возникающих споров в сфере генеративного ИИ данные включают получение релевантных споров, полученных из общедоступной базы данных судебных мнений (CAP) — огромной общедоступной коллекции судебных решений США, для выбора конкретных споров по AI-IP по 38 претензиям на основе соответствующих юридических терминов ИС. Кроме того, исследование использует AI и Copyright Case Tracker для включения 21 мирового спора по авторским правам ИИ, основанных на обученном ИИ подходе к правовому анализу авторских прав, который совершенствует создание индивидуального трекера по делам по авторским правам ИИ для крупных международных юридических споров с использованием специфических начальных методов анализа споров по авторским правам ИИ. Окончательный набор данных включал 131 дело: базовый набор данных по судебным разбирательствам в области ИИ, база данных общественных судебных мнений и репозиторий отслеживания дел по авторским правам ИИ. Эти случаи были отобраны после применения процедур включения, исключения и дедупликации.

Исходный код набора данных	Тип набора данных	Нет. Количество используемых случаев	Покрытие
Базовый набор данных по судебным разбирательствамИИ 1	Судебные дела, связанные с ИИ	72 (отфильтрованное подмножество)	Федеральные и штатные суды США
Проект по доступу к судебной практике (CAP)31	Публичный юридический корпус дел	38 (с акцентом на AI-IP)	Решения судов США
Трекер кейсов ИИ и авторских прав (CMS)32	Кураторские резюме кейсов	21 знаковое дело	Global (США, ЕС, ВЕЛИКОБРИТАНИЯ)

Таблица 2: Описание набора данных. Сводка наборов данных, используемых для моделирования споров об интеллектуальной собственности в контенте, созданном ИИ, включая источник, структуру и релевантность для анализа собственности.

Для обеспечения точности и согласованности использовалась комбинация ручных и полуавтоматизированных процессов. Метод маркировки использовал трёх аннотаторов с образованием как в юриспруденции, так и в области юридических исследований, связанных с ИИ. Все переменные, включая творческий вклад человека, автономию систем ИИ, законность обучающих данных, положения о договорной собственности, юрисдикцию, прозрачность участия ИИ, а также явные правила и примеры принятия решений, были определены в аннотированной кодовой книге. Два аннотатора независимо аннотировали каждый экземпляр; разногласия решались путем обсуждения и, при необходимости, третьим экспертом. Коэффициент каппы Коэна использовался для измерения согласования между оценщиками; Результат составил 0,81, что свидетельствует о сильном согласии. Около 9% случаев связаны с разногласиями, в основном по вопросам автономии ИИ и толкования контрактов. Для дальнейшего моделирования байесовской сети использовались готовые аннотации.

Выявление факторов правовой неопределённости
Ключевые источники неопределённости в владении контентом, созданным ИИ, были выявлены путём анализа дел, связанных с интеллектуальной собственностью ИИ, в различных юридических наборах данных, включая наборы данных на основе судебных разбирательств и общедоступные судебные репозитории. Человеческое творчество, автономия ИИ, законность обучающих данных, договорные связи, вопросы юрисдикции и прозрачность систем ИИ были важными факторами. Степень вовлечённости человека и определения договорной собственности часто подчёркивалась судами, а юридическая неоднозначность усугублялась различиями в законах об авторском праве и использованием защищённых обучающих данных. На основе этих соображений был разработан фреймворк Байесовской сети для вероятностного анализа собственности.

Фактор	Описание
Творческое участие человека	Степень вклада человека в создание контента (высокая, умеренная или минимальная).
Уровень автономии ИИ	Степень, в которой система ИИ работает независимо без человеческого руководства.
Обучение Владение данными и законность	Юридический статус используемых обучающих данных (лицензированные, общественное достояние, проприетарные или нарушающие права).
Договорные положения о собственности	Существование и ясность соглашений, определяющих право собственности между заинтересованными сторонами.
Юрисдикционная правовая база	Применимые национальные или региональные законы об интеллектуальной собственности.
Цель использования	Независимо от того, используется ли контент, созданный ИИ, в коммерческих или некоммерческих целях.
Прозрачность и объяснимость	Наличие информации о проектировании и работе системы ИИ.
Раскрытие информации о помощи ИИ	Было ли явно раскрыто использование ИИ в создании контента.
Природа сгенерированного контента	Тип получаемого выхода (например, текст, изображение, код или дизайн).
Доступность судебных прецедентов	Наличие предыдущих судебных решений, касающихся владения контентом, созданным ИИ.

Таблица 3: Ключевые юридические и технические факторы неопределённости, влияющие на владение. Выявление критически важных переменных, влияющих на атрибуцию собственности в контенте, созданном ИИ, охватывающего как юридические, так и технические аспекты.

Таблица 3 суммирует неопределённости, связанные с атрибуцией собственности, в предложенной модели Байесовской сети. Эти неопределённости основаны на спорах об интеллектуальной собственности, связанных с ИИ, и действующими законами об интеллектуальной собственности. Творческий вклад и автономия человека в ИИ относятся к взаимоотношениям между авторами-людьми и контентом, созданным ИИ, при определении собственности. Неопределённость, включая законность обучающих данных, используемых ИИ, право собственности на контракт и действующие законы об интеллектуальной собственности в юрисдикции, являются основанием для споров. Цель использования и раскрытие информации о помощи ИИ относится к обстоятельствам, в которых судебная система рассматривает генерацию с помощью ИИ. Прозрачность и объяснимость, напротив, относятся к аспекту, связанному с подотчётностью и ответственностью. Другие неопределённости, включая характер созданий, созданных ИИ, и существующие судебные прецеденты, определяют, как действующие законы об интеллектуальной собственности применяются к созданиям ИИ.

Аннотация данных и кодирование переменных
Набор данных, сформированный из отфильтрованных дел по ИИ, CAP и отдельных дел об авторском праве на ИИ, а также других, затем будет аннотирован вручную и полуавтоматически на основе выявленных для каждого дела факторов правовой неопределённости. Для каждого дела структурированные метки определяются на основе оценки судебных решений, описаний и аргументов. Задача аннотаций включает определение как юридических, так и технических факторов, таких как уровень творческого участия человека, автономия ИИ, юридическая обоснованность обучающих данных, договорные положения о собственности, юрисдикции и раскрытие информации о помощи ИИ. Для обеспечения согласованности рекомендации основаны на других принципах интеллектуальной собственности и проверяются путём перекрёстной проверки различных юридических источников. См. дополнительный файл 1(S1) для подробного математического описания аннотации данных и кодирования переменных.

Фреймворк был реализован на языке программирования с вероятностными графическими моделированиеми и инструментами численных вычислений. Предобработка и анализ данных выполнялись в вычислительной среде на базе ноутбуков на настольной системе с многоядерным процессором и стандартной конфигурацией памяти

Для обеспечения согласованности и воспроизводимости аннотации наборов данных была разработана структурированная схема кодирования переменных для всех юридических и технических факторов, включённых в рамку Байесовской сети. Каждое дело вручную рассматривалось и аннотировалось с использованием заранее определённых категориальных государств, основанных на юридических прецедентах и литературе по управлению ИИ. Таблица 4 суммирует переменные, описания и категории кодирования, используемые в исследовании. Для облегчения вероятностного моделирования и сценариевого вывода в рамках баесовской сети система кодирования применялась равномерно во всех аннотированных случаях. Для представления часто наблюдаемых правовых и технологических обстоятельств в конфликтах, связанных с материалами, созданными ИИ, были выбраны переменные состояния.

Переменная	Описание	Категории кодирования
Вклад человека	Степень творческой вовлечённости человека в генерацию контента	Низкий, средний, высокий
Автономия ИИ	Уровень генерации независимых систем ИИ	Низкий, средний, высокий
Законность обучающих данных	Правовой статус наборов данных, используемых для обучения ИИ	Лицензировано, в общественном достоянии, неопределённо, неавторизовано
Договорное право собственности	Наличие договорных оговорок о собственности	Присутствует, отсутствует
Ясность атрибуции	Ясность идентификации участников	Ясно, частично, неясно
Юрисдикция	Юридическая юрисдикция, связанная с спором	Индия, Соединённые Штаты, Китай, другие
Прозрачность	Доступность информации о процессе генерации ИИ	Высокий, умеренный, низкий
Результаты владения	Итоговый результат атрибуции собственности (целевая переменная)	Принадлежащая человеку, совместная собственность, организация, неопределённость

Таблица 4: Схема кодирования переменных, используемая для байесовской аннотации сети. Таблица суммирует юридические и технические переменные, используемые при аннотации наборов данных, включая их определения и категориальные кодовые состояния, применяемые для вероятностного моделирования и вывода о собственности.

Проектирование байесовской структуры сети
Байесовская сеть (BN) была создана для моделирования вероятностных связей между контекстными, технологическими и юридическими факторами, влияющими на владение информацией, создаваемой искусственным интеллектом. В то время как целевой узел отображал результаты владения, сетевые узлы отражали такие переменные, как вклад человека, автономия ИИ, законность обучающих данных, условия договорного владения и юрисдикция. Условные зависимости, возникающие из ассоциаций, основанных на данных, и процессов судебного рассуждения фиксировались направленными рёбрами. Оптимизация, основанная на данных, и юридические ограничения были объединены в гибридный метод структурного обучения. Допустимые зависимости определялись судебными принципами, а наиболее вероятный график зависимостей, объясняющий отчетные результаты судебных разбирательств, был обнаружен с помощью обучения на основе баллов. Этот метод гарантировал, что окончательная сеть останется как юридически интерпретируемой, так и статистически действительной.

Рисунок 2: Структура байесовской сети, используемая для вывода о собственности. Графическое представление байесовской сети, показывающее зависимости между юридическими и техническими переменными, влияющими на решения о владении. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 2 показывает, как байесовская сеть используется в заданиях по владению контентом, созданным ИИ. В модели верхнего уровня некоторые важные входные переменные, а именно человеческий вход, обучающие данные, автономия ИИ и юрисдикция — указывают на ключевые юридические и технические аспекты, которые следует учитывать при предоставлении права на контент, созданный ИИ. Каждая переменная обозначается как вероятный узел, а не как жёстко закодированное правило, что позволяет создавать модель, учитывающую зависимости переменных. Зелёные узлы, также известные как точки соединения, появляются между входными узлами и конечным выходом. Они, например, показывают, как уровень участия человека коррелирует с автономией ИИ, в то время как юридические обучающие данные и факторы юрисдикции помогают определить право на контент, созданный ИИ, с юрисдикционной точки зрения.

Юридическая теория и аннотированные судебные данные послужили основой для определения переменных и дискретных определений состояний в Байесовской сети. Учитывая их важность при определении собственности, ключевые факторы, такие как участие человека, автономия ИИ, законность обучающих данных, договорные условия, юрисдикция и прозрачность, были отданы первостепенное значение. Критерии аннотации, рассмотренные экспертами, использовались для дискретизации переменных в юридически значимые категории. Для выявления статистически подтверждённых зависимостей была использована гибридная стратегия, сочетающая обучение на основе баллов и юридические ограничения для построения структуры сети. Подход был дополнительно подтвержден с помощью исследований чувствительности и абляции, которые подтвердили значительное влияние человеческого вклада и договорных ограничений на вывод владения, в то время как другие переменные показали умеряющие эффекты. Для систем поддержки принятия решений этот комбинированный юридско-эмпирический подход повышает как надёжность, так и интерпретируемость.

Выводные вероятности всех взаимосвязанных узлов сходятся в узле Ownership Decision, который генерирует последующие вероятности владения на основе доступных юридических и технических доказательств. Это позволяет делать выводы о собственности даже при неполных или спорных условиях и поддерживает динамическое обновление при появлении новых доказательств. Для снижения переподгонки и ложных корреляций были использованы выбор модели и анализ чувствительности для удаления избыточных или малоударных краёв, в результате чего был создан лаконичный направленный ациклический граф (DAG). Окончательная структура Байесовской сети отражает как вероятностные зависимости, так и причинно-следственные связи между факторами, способствующими правовой неопределённости в владении контентом, созданным ИИ. Математическое описание байесовской сетевой конструкции приведено в дополнительном файле 1 (S2).

Байесовская сеть позволяет делать вероятностный вывод о владении даже тогда, когда некоторые юридические или технические факторы неполны или частично наблюдаемы. Изменяя переменные доказательств, структура также поддерживает анализ на основе сценариев для принятия юридических решений, оценки политики и приложений управления ИИ. Структура сети была разработана с использованием гибридного подхода, сочетающего юридические ограничения, определённые экспертами, с обучением на основе данных. Для оптимизации структуры использовался алгоритм подъёма на холм с оценкой по баесовскому информационному критерию (BIC), а оценка параметров Байеса с помощью априоров Дирихле и сглаживания Лапласа (&α = 1) учитывала разрежённость данных и отсутствующие наблюдения. Все переменные были представлены как дискретные категориальные состояния для поддержки вероятностного вывода. Для создания фреймворка Bayesian Network использовались модули графического моделирования на основе вероятностных моделей Python. Двумя этапами построения сети были обучение параметрам и определение структуры. Изначально узлы сети представляли юридические и технические характеристики, выявленные при аннотации наборов данных. Гибридный метод, сочетающий структурный анализ зависимостей на основе данных с юридическими отношениями, определёнными экспертами, был использован для создания направленных рёбер между узлами. Оценка максимальной правдоподобности использовалась для оценки условных таблиц вероятностей (CPT) из аннотированного набора данных. Для реализации Байесовской сети использовались вероятностные графические методы моделирования в рамках пакета вычислительной среды, с функцией Maximum Likelihood Estimator для изучения параметров и функцией Байесовской сети () для определения структуры сети. Процедура вывода по исключению переменных () была использована для расчёта вероятностей апостериорного владения при различных условиях доказательств.

Обучение параметрам
При количественном моделировании правовой неопределённости в владении контентом, созданным ИИ, оценка параметров является ключевым этапом в предлагаемой системе Байесовской сети. Оценка баесовских параметров использовалась для изучения условных таблиц вероятностей (CPT) на основе аннотированных юридических дел. Хотя целевой узел указывает на атрибуцию собственности, каждый узел отражает юридический или технологический аспект, такой как вклад человека, автономия ИИ, законность обучающих данных или положения о договорной собственности. Поскольку байесовские оценки могут обрабатывать скудный юридический материал и недостаточные доказательства, они были выбраны для продвижения интерпретируемого юридического рассуждения и отражения вероятностных корреляций, наблюдаемых в судебных решениях. Репрезентативные условные вероятностные значения, полученные в Байесовской сети, показаны в Таблице 5. В то время как большая автономия ИИ способствует неопределённости или отсутствию владения, значительная творческая вовлечённость человека указывает на значительную вероятность человеческой собственности, что указывает на судебный акцент на интеллектуальном вкладе человека. Результаты также подчёркивают важность условий договорной собственности и законность обучающих данных, при этом явные соглашения и лицензированные данные увеличивают владение. Чувствительность этой системы к различным юридическим ситуациям дополнительно подтверждается юрисдикционными отклонениями.

Родительские переменные	Состояния родительских переменных	Результаты владения	Изученная условная вероятность
Творческое участие человека	Высокий	Человеческий автор	0.82
Творческое участие человека	Низкий	Разработчик искусственного интеллекта	0.41
Автономия ИИ	Высокий	Право собственности не признано	0.55
Законность обучающих данных	Лицензировано	Человек / Разработчик	0.76
Законность обучающих данных	Нарушение	Нет права собственности / Оспаривается	0.68
Договорная оговорка о собственности	Явное настоящее	Договорная сторона	0.89
Договорная оговорка о собственности	Отсутствует	Спорно / Неопределённо	0.61
Юрисдикционная структура	Право, ориентированное на человека	Человеческий автор	0.79
Юрисдикционная структура	Неоднозначное / Зарождающееся право	Совместное / Неопределённое	0.47

Таблица 5: Примеры условных вероятностей в байесовской сетевой модели. Иллюстративные условные вероятностные значения, изученные Байесовской сетью, демонстрирующие зависимости ключевых переменных, влияющих на результаты владения.

Алгоритм 1 охватывает весь процесс предлагаемой байесовской сетевой структуры для фиксации неопределённостей собственности в контенте ИИ. Алгоритм 1: Инициировать структуру баесовской сети, определив графическую модель, где узлами являются технические и правовые неопределённости, рассмотренные в судебных разбирательствах с аннотированной информацией, а целевой узел — обозначение собственности. Структуру модели байесовской сети можно определить, применяя совместный подход, объединяющий существующие юридически ограничивающие структуры с оптимизированными структурами, полученными на основе данных. Таблицы условных вероятностей затем могут быть заданы, реализуя схему оценки баесовских параметров на основе полученного набора данных, тем самым учитывая неопределённости, разрежённость и условные связи, выведенные судебной системой. При применении алгоритма к конкретному юридическому или гипотетическому примеру входная информация или доказательства могут быть получены в Байесовской сети, применяя вероятностный вывод для определения апостериорной вероятности владения. Затем алгоритм может вносить корректировки к входным значениям, итеративно изменяя вводные данные в Байесовскую сеть и оценивая влияние на определение права собственности путём корректировки человеческого ввода, автономии ИИ, договорной законности и законности обучающих данных. См. дополнительный файл 1(S3) для алгоритмических шагов.

Вероятностный вывод и анализ сценариев
Графическая структура и условные таблицы вероятностей Байесовской сети затем могут быть обучаны на аннотированном наборе данных судебных разбирательств, связанных с ИИ, касающихся права собственности, а система позволяет делать выводы о вероятности владения. Математические описания приведены в дополнительном файле 1 (S4).

Наблюдая, как эти вероятности апостериорного владения различаются в зависимости от контрфактических сценариев, модель даёт набор относительных влияний на судебные результаты для каждой юридической и технической особенности. Эта способность делать выводы, основанные на сценариях, является одним из основных вкладов предлагаемой работы, поскольку она соответствует тому, как суды, политики и юридические эксперты рассуждают о владении контентом, созданным ИИ: через контекстуальную оценку, а не через жёсткое применение правил. Байесовская сеть служит объяснимым инструментом поддержки принятия решений, преобразуя эмпирические судебные процессы в вероятностные инсайты, поддерживающие последовательные рассуждения между юрисдикциями, договорными контекстами и уровнями автономии ИИ. Соответственно, такой факториал удобства использования выходит за рамки описательного юридического анализа, предоставляя систематический механизм для прогнозирования результатов владения при развивающихся режимах ИИ и интеллектуальной собственности. Метод исключения переменных использовался для расчёта апостериорной вероятности результатов владения для вывода. Итеративное изменение переменных доказательств и пересчет апостериорных распределений позволило проводить анализ сценариев. Для обеспечения устойчивости между небольшими наборами данных модель верифицировалась с помощью проверки с оставшейся и k-кратной кросс-валидации (k = 5). Для проведения анализа чувствительности входные переменные систематически варьировались, а сопутствующие изменения апостериорных вероятностей (ΔP(Y)) измерялись.

Валидация модели и анализ чувствительности
Предложенная модель Байесовской сети была проверена с использованием аннотированного набора данных о конфликтах интеллектуальной собственности, связанных с ИИ, для гарантии надёжности, надёжности и юридической применимости. Для прогнозирования результатов владения и сравнения их с реальными юридическими решениями использовался ретроспективный подход валидации. Учитывая редкость споров о владении, связанных с ИИ, для оценки надёжности модели использовались кросс-валидация с выбросом одного и k-кратное перекрёстное валидирование.

Влияние юридических и технических факторов на атрибуцию собственности, включая участие человека, автономию ИИ, законность обучающих данных и условия договорной собственности, было изучено с помощью анализа чувствительности. В ходе исследования были выявлены контекстуальные и высокоимпакт-факторы, влияющие на выбор владения путём изменения состояния родительских узлов и мониторинга изменений апостериорных вероятностей. Показывая, как юридическая неоднозначность распространяется по всей сети, это повышает интерпретацию. Результаты валидации и анализа чувствительности собраны в таблице 6. Во время перекрёстной валидации модель достигла более 80% согласования между предполагаемыми и реальными судебными результатами. Тестирование на надёжность подтвердило надёжные выводы при условиях ограниченного количества доказательств, а низкая постериорная дисперсия по складкам показала стабильные, обобщаемые условные вероятности. Анализ чувствительности показал, что, хотя автономия ИИ и законность обучающих данных значительно увеличили неопределённость в атрибуции, договорные положения о собственности и творческое участие человека оказали наибольшее влияние на атрибуцию собственности. Технические и договорные условия взаимодействовали с юрисдикционными переменными, оказывая умеренное влияние. В целом результаты показывают, что предлагаемая парадигма юридически интерпретируема и эмпирически обоснована.

Аспект валидации / чувствительности	Применение метода	Метрика / Наблюдение
Валидация на основе кейсов	Перекрёстная валидация с оставленным одним выходом	81,3% стабильность результатов владения
Поперечная устойчивость	5-кратная перекрёстная валидация	Апостериорная дисперсия < 0,05 по складкам
Прочность недостающих доказательств	Вывод частичных доказательств	< 7% изменения апостериорных вероятностей
Чувствительность: творческое участие человека	Однофакторное возмущение	ΔP(Y) ≈ +0,32
Чувствительность: автономия ИИ	Однофакторное возмущение	ΔP(Y) ≈ −0,28
Чувствительность: законность обучающих данных	Однофакторное возмущение	ΔP(Y) ≈ +0,25
Чувствительность: договорные положения	Однофакторное возмущение	ΔP(Y) ≈ +0,37
Чувствительность: юрисдикция	Однофакторное возмущение	ΔP(Y) ≈ +0.14

Таблица 6: Результаты анализа валидации и чувствительности. Результаты валидации моделей и анализа чувствительности, оценивающих устойчивость, устойчивость и влияние ключевых переменных на вывод о собственности.

Анализ интерпретации и политических последствий
Вероятностные результаты Байесовской сети предоставляют интерпретируемую основу для анализа владения контентом, созданным ИИ, моделируя юридические и технические факторы, включая вклад человека, автономию ИИ, договорную ясность и законность обучающих данных. Вместо того чтобы служить исключительно предиктивными результатами, апостериорные оценки вероятности поддерживают прозрачное, основанное на сценариях рассуждение при неопределённых юридических условиях. Эта структура может помочь юристам повысить согласованность при оценке собственности, поддержать законодателей в выявлении регуляторных пробелов, связанных с контентом, созданным ИИ, и помочь разработчикам ИИ оценить, как решения в дизайне и управлении могут влиять на атрибуцию собственности в различных юридических контекстах.

Результаты

Результаты эксперимента демонстрируют эффективность каркаса Байесовской сети в отражении природы неопределённости в владении контентом, созданным ИИ. Модель предлагает структурированный, основанный на данных подход для поддержки вывода о собственности в условиях неопределённости. Окончательный набор данных включал 131 дело: базовый набор данных по судебным разбирательствам в области ИИ, база данных общественных судебных мнений и репозиторий отслеживания дел по авторским правам ИИ. Эти случаи были отобраны после применени...

Обсуждение

Предлагаемая концепция Байесовской сети является шагом вперёд по сравнению с современными исследованиями владения контентом, созданным ИИ, в отличие от описательных или идентифицированных подходов других работ. Другие работы, включая базовую работу Рагхупати и др. в^первой части, по сути используют подходы машинного обучения в текстовой аналитике для выявления тем или категорий в контексте судебных разбирательств ИИ. Хотя эти подходы позволяют чётко понять, какие ю...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Judicial Opinions & Court Records Dataset	Caselaw Access Project (CAP)	RRID:SCR_016043	Источник судебных решений, используемых для извлечения правовых рассуждений и результатов собственности
AI & Copyright Case Tracker	CMS Legal	N/A	Созданный набор данных глобальных споров, связанных с интеллектуальной собственностью в области ИИ
Legal Contracts & Agreements Dataset	Various Public Legal Repositories	N/A	Документы, определяющие права собственности, лицензирования и договорные права
Statutory and Case Law References	Government Legal Portals	N/A	Законы об интеллектуальной собственности и судебные прецеденты, используемые для анализа
Legal Annotation Guidelines	Expert-defined (Manual Framework)	N/A	Правила для последовательной аннотации переменных правовой неопределенности
Annotated Legal Dataset	Generated in Study	N/A	Набор данных, помеченный правовыми и техническими переменными для моделирования
Python Programming Environment (v3.10)	Python Software Foundation	RRID:SCR_008394	Основная программная среда, используемая для реализации
pgmpy Library (v0.1.24)	Open-source	RRID:SCR_016274	Библиотека, используемая для моделирования байесовских сетей
NumPy (v1.24)	Open-source	RRID:SCR_008633	Численные вычисления и операции с массивами
Pandas (v1.5)	Open-source	RRID:SCR_018214	Предварительная обработка данных и работа с наборами данных
Jupyter Notebook	Project Jupyter	RRID:SCR_018315	Интерактивная среда для разработки моделей
Bayesian Network Model	Developed in Study	N/A	Стохастическая графическая модель для вывода о собственности
Hill Climbing Algorithm (BIC)	Implemented via pgmpy	N/A	Метод обучения структуры для байесовской сети
Variable Elimination Inference Engine	Implemented via pgmpy	N/A	Вычисляет апостериоры вероятности собственности
Scenario Analysis Module	Developed in Study	N/A	Позволяет симуляции "что если"
Sensitivity Analysis Module	Developed in Study	N/A	Измеряет влияние переменных на результаты собственности
Cross-Validation Framework (k-fold, LOOCV)	Scikit-learn compatible	RRID:SCR_002577	Используется для проверки модели и тестирования на устойчивость
Computing System (Intel Core i7, 16GB RAM)	Intel / OEM	N/A	Оборудование, используемое для обучения модели и оценки
Operating System (Windows 11)	Microsoft Windows	RRID:SCR_018096	ОС-среда для реализации