Yapay Zeka Tarafından Üretilen İçerik Sahipliğinde Hukuki Belirsizliği Modelleme: Fikri Mülkiyet Hakları Tahsisine Bayes Ağ Yaklaşımı

Özet

Bu çalışma, yasal ve teknik belirsizlik altında yapay zeka tarafından üretilen içeriğin sahipliğini analiz etmek için Bayesian Network tabanlı bir iş akışı sunmaktadır. Yapay zeka davaları, telif hakkı veri setleri ve çerçeve modelleri, insan katkısı, sözleşmeler, eğitim verilerinin yasallığı ve yapay zeka özerkliği gibi faktörlerin kullanılarak, fikri mülkiyet uyuşmazlıklarında şeffaf, yorumlanabilir ve senaryoya dayalı karar alma süreçlerini desteklemek.

Özet

Üretken yapay zekanın hızlı benimsenmesi, insan yazarlığına dayalı geleneksel fikri mülkiyet çerçevelerindeki sınırlamaları ortaya çıkarmış ve sahiplik atıfında belirsizlik yaratmıştır. Bu çalışma, yasal ve teknik belirsizlik altında yapay zeka tarafından üretilen içeriğin sahipliğini analiz etmek için Bayes Ağı tabanlı bir iş akışı önermektedir. İş akışı, veri seti küratörlüğü, değişken açıklaması, olasılıksal bağımlılık modelleme, çıkarım üretimi, çapraz doğrulama ve hassasiyet analizini entegre ederek insan katkısı, eğitim verilerinin yasallığı, sözleşmesel bağlam ve yapay zeka özerkliği gibi faktörler arasındaki ilişkileri değerlendirir. Çerçeve, özenli bir yapay zeka dava veri setinden türetilen açıklamalı davalar, kamuya açık mahkeme görüş veritabanları ve yapay zeka telif hakkı dava takipçileri kullanılarak geliştirilmiştir. Farklı senaryolarda sahiplik atfedilmesi üzerindeki hukuki ve teknik değişkenlerin etkisini incelemek için bir duyarlılık analizi yapılmıştır. Önerilen çerçeve, yapay zeka ile ilgili fikri mülkiyet uyuşmazlıkları için olasılıksal ve yorumlanabilir gerekçeleri destekler ve hukuk profesyonelleri, politika yapıcılar ve yapay zeka geliştiricileri için yapılandırılmış bir karar destek yaklaşımı sunar. Sonuçlar, katlar arasında kararlı arka olasılık tahminlerini gösterdi ve veri setleri arasında sahiplik tahmin tutarlılığı %80'i aştı. Çerçeve, olasılıksal ve senaryoya dayalı akıl yürütmeyi mümkün kılar ve yorumlanabilir bir karar destek aracı sunarak hukukçular, politika yapıcılar ve yapay zeka geliştiricileri için sahiplik uyuşmazlıklarının çözümünde şeffaflık ve tutarlılığı artırır.

Giriş

Yapay zeka (YZE) sistemlerinin sağlık, ceza adaleti, finans ve dijital platformlar gibi yüksek riskli sektörlerde artan kullanımı, hukuki sorumluluk, hesap verebilirlik ve adalet hakkında önemli soruları gündeme getiriyor. Hızlı ilerlemeye rağmen, yapay zeka yönetişimi üzerine literatürlerin büyük bir kısmı ya normatif ya da öngörülerdir ve ampirik destekten^{yoksundur 1,2}. Olay veritabanları, anket tabanlı araştırmalar ve etik çerçeveler gibi yapay zeka ile ilgili sorunları keşfetmek için mevcut yöntemler, gerçek dünyadaki kalıcı sorunları yakalamakta sıklıkla yetersiz kalıyor. Bu yaklaşımlar ya yüksek profilli olayları aşırı vurgularken sistemik, pratik düzeydeki sorunları görmezden gelir ya da gözlemlenebilir hasar yerine beklentileri^{yansıtır 3,4}. Olay veritabanlarının çoğu, gönüllü raporlama ve medya kapsamına dayanır; bu da sıklıkla yüksek profilli başarısızlıkları vurgularken, yaygın ama önemli yapay zeka ile ilgili sorunları yeterince temsil^{etmemektedir 5,6}. Sistemlerin transformator tabanlı derin öğrenme mimarileri kullanarak metin, görüntü ve müzik üretmesini mümkün kılarak, üretken yapay zeka, özellikle Büyük Dil Modelleri (LLM'ler), içerik üretimini daha da^{zorlaştırmıştır 7,8,9}. İnsan yazarlığına dayalı geleneksel fikri mülkiyet çerçeveleri bu değişim nedeniyle zorluklarla karşı karşıya kalıyor ve insan ile makine tarafından üretilen yenilik arasındaki ayrımı^{zorlaştırıyor} 10,11,12.

Yapay zeka tarafından üretilen içerik ve fikri mülkiyet üzerine yapılan önceki çalışmalar çoğunlukla politika analizi ve hukuki yorumlamaya odaklanmış, yazarlık, özgünlük ve sahiplik kavramsal tartışmalarını^{da içermektedir 13}. Bu çalışmalar değerli içgörüler sunsa da, öncelikle tanımlayıcı olmaya devam ediyor ve sahiplik belirleme belirsizliğini ele almak için hesaplamalı yöntemlerden^{yoksundur 14}. Aynı zamanda, içerik atıflanması ve kökenini desteklemek için teknolojik yöntemler geliştirilmiştir; bunlar arasında watermark, parmak izi kullanımı ve veri seti^{koruması da bulunmaktadır.} Ancak, bu yaklaşımlarla, özellikle geliştiriciler, kullanıcılar ve veri üreticileriyle çok paydaşlı ortamlarda, mülkiyetin yasal dağılımı ele alınmaz. Ayrıca, mevcut disiplinlerarası çalışmalar, belirsizlik koşulları karşılamasında sahiplik değerlendirmesi için teknik ve yasal faktörleri entegre edebilecek olasılıksal modellere doğru yeterli ilerleme^{kaydedememiştir} 16,17,18,19,20. Hukuki çalışmalar, yapay zeka tarafından üretilen içeriğin sahipliğini ele almadaki mevcut fikri mülkiyet çerçevelerinin sınırlamalarını ortaya koymuştur. Hindistan Telif Hakkı Yasası'nın 13. Maddesi dahil olmak üzere birçok yargı alanında, yapay zeka tarafından üretilen eserler genellikle geleneksel yazarlık kriterlerini karşılamaz ve mülkiyet^{belirsizliği yaratır 21,22}. Önceki çalışmalar yargısal yorumları ve telif hakkı sonuçlarını ele almış olsa da, mülkiyet belirlemesinde belirsizliği modellemek için resmi^{mekanizmalardan yoksundurlar 22,23}. Bu boşluğu gidermek için, bu çalışma insan katılımı, eğitim verisinin kaynağı, sözleşme bağlamı ve senaryo tabanlı sahiplik analizi için yapay zeka özerkliği arasındaki olasılıksal ilişkileri modelleyen Bayes Ağı tabanlı bir çerçeve^{önermektedir 24}.

Araştırmalar, lojistik regresyon, destek vektör makineleri (SVM'ler), konvolüsyon sinir ağları (CNN) ve uzun kısa süreli bellek (LSTM) ağları gibi makine öğrenimi modellerinin hukuki karar alma süreçlerinde uygulanmasını araştırmış ve manuel emsal analizinin zaman alıcı olduğu yüksek hacimli hukuki ortamlarda faydalılığını^{göstermiştir 25}. Ancak, bu yaklaşımlar genellikle yorumlanabilirlik ve şeffaflıktan yoksun ki, bunlar sorumlu yargı kararı desteği için gereklidir. Sonuç olarak, Açıklanabilir Yapay Zeka (XAI) yöntemleri, yorumlanabilirliği artırması ve yapay zeka destekli kararlar için anlaşılır gerekçeler sağlaması nedeniyle^{dikkat çekmiştir} 26,27,28.

Metodoloji / Yaklaşım	Kullanılan Veriler	Artıları	Eksiler / Boşluklar
İçeri eğitim verileriyle bağlamak ve atıflama ile hesap verebilirlik için çerçeveler önermek için hukuki ve teknik araçların incelenmesi. 29	Literatür araştırması, vaka örnekleri	Teknoloji + hukuk perspektifini entegre eder; eyleme uygun atıflama stratejileri önerir	Resmi olasılıksal modellemeden yoksun; Nicel doğrulama yok
Üretken modellerin eğitimi/çıktıları için teknik IP koruma yöntemlerinin taksonomisi. 30	Teknik yaklaşımlar ve risklerin incelenmesi	Sistematik inceleme; Fikri mülkiyet koruması için mevcut teknikleri organize eder	Eğitim verisi koruması ile üretilen çıktının sahipliği üzerine odaklanır
Yapay zeka kökeni ve IP atıflanmasını doğrulamak için gizli parmak izi / filigranlama öneriyor. 31	Üretken modellerle yapılan deneyler (metin ve görüntü)	Pratik doğrulama aracı; Sahiplik kanıtı için güçlü	Su işareti ile yasal sahiplik çerçevelerini kendisi çözmez
Yargı alanları arasında yazarlık ve sahiplik standartlarının karşılaştırmalı hukuki analizi. 32	Hukuki doktrin, yasal metinler, temsilci davalar	İnsan katkısının sahiplik kararlarını nasıl etkilediğini açıklar	Betimleyici; hesaplamalı modeller önermez

Tablo 1: Önceki çalışmalardaki metodolojiler, veri kaynakları ve temel bulguların özeti. Yapay zeka tarafından oluşturulan içerik sahipliği üzerine mevcut çalışmaların genel büzülü, metodolojik yaklaşımları, kullanılan veri setlerini ve önemli bulguları vurgulamak.

Tablo 1, mevcut metodolojileri, veri kaynaklarını ve temel^{bulguları özetlemektedir} 29,30,31,32. Bu tablo, literatürdeki yapay zeka tarafından oluşturulan içeriğin sahipliğini tartışır ve metodolojik yaklaşımları, kullanılan veri setlerini ve ele alınan literatürdeki bulguları vurgular. Yapay zeka yönetimi ve telif hakkı anlaşmazlıkları üzerine yapılan son çalışmalar, yapay zeka tarafından üretilen içerikte yazarlık, eğitim verilerinin yasallığı ve sahiplik tahsisi ile ilgili zorlukları daha da gözler önüne^{sermiştir 33,34}. Köken takibi ve kanıt doğrulama gibi yaklaşımlar atıf^{analizine katkıda bulunsa da,} mevcut kural tabanlı ve makine öğrenimi yöntemleri belirsizlik, çelişkili kanıtlar ve yasal olarak yorumlanabilir sahiplik gerekçesini yönetmede sınırlı kalır. Su işaretleme ve köken analizi gibi teknik yaklaşımlar da öncelikle sahiplik belirlemesinden ziyade atıflama üzerine odaklanır.

Bu makale, yasal ve teknik belirsizlikler arasında yapay zeka tarafından üretilen içeriğin sahipliğini değerlendirmek için Bayes Ağı tabanlı bir çerçeve önermekte, mevcut deterministik, kural tabanlı yaklaşımların eksikliklerini aşmaktadır. Bu yaklaşım, insan katılımı, eğitim verilerinin kaynağı, sözleşmesel bağlam ve yapay zeka özerkliği gibi temel yönler arasında olasılıksal etkileşimleri modellerek eksik veya belirsiz kanıtlardan senaryo tabanlı çıkarım yapılmasını sağlar. Önerilen yöntem, geleneksel öngörücü modellerin aksine, yargısal karar alma süreçleriyle uyumlu açık ve organize akıl yürütmeyi kolaylaştıran yorumlanabilir arka olasılık tahminleri sunar.

Önemli hukuki ve teknolojik kavramlar, çalışma boyunca tutarlılığı sağlamak için açıkça tanımlanmıştır. "Sahiplik" üretilen eserle ilgili hakların dağıtımını ifade ederken, "yazarlık" bir yaratıcının yasal olarak tanınmasını ifade eder. "Atıf" her zaman yasal mülkiyeti göstermeyebilir, ancak katkıda bulunan varlıkları tanımlar. "Açıklanabilirlik", bir modelin olasılıksal sonuçlar için anlaşılır bir gerekçe sağlama kapasitesini ifade ederken, "hukuki belirsizlik" ise eksik veya değişen hukuki standartlardan kaynaklanan belirsizlikleri ifade eder. Hukuki ve teknik faktörleri yorumlanabilir olasılıksal bir iş akışına dahil ederek, önerilen yaklaşım, yapay zeka ile ilgili fikri mülkiyet çatışmalarında yapılandırılmış karar alma süreçlerini kolaylaştırmayı amaçlar. Üretken yapay zeka sistemlerinde sahiplik endişelerini değerlendiren hukuk uzmanları, yasama organları ve yapay zeka geliştiricileri için bu teknik, hesaplamalı bir bakış açısı sunuyor.

Protokol

Bu çalışma insan katılımcıları veya hayvan denekleri içermemektedir. Analiz, yalnızca kamuya açık hukuki dava materyallerine ve seçilmiş hukuki veri setlerine dayanmaktadır. Bu nedenle, etik onay ve bilgilendirilmiş onay gerekmiyordu.

Önerilen metodoloji, yapay zeka tarafından oluşturulan içeriğin sahipliğiyle ilgili hukuki belirsizliği yakalamayı ve gerçek dava verilerine dayalı bir Bayes Ağı geliştirmeyi amaçlamaktadır. Başlangıç olarak, telif hakkı, patent ve ticari sırlar dahil olmak üzere yapay zeka ile ilgili davalar mevcut bir korpustan toplanır ve her biri gerçek hukuki sonuç verileriyle etiketlenir. Hukuki emsal ve mevcut vaka çalışmalarına dayanarak, içerik sahipliği üzerinde etkisi olabilecek belirsizlik parametreleri arasında yaratıcı insan girişi, yapay zeka sistemi özerkliği, eğitim verilerinin yasallığı, mülkiyet, yetki ve şeffaflık sözleşmesel tanımları, her biri Bayes Ağı içinde düğüm olarak atanır; farklı hukuki ve teknik gerçekleri gösteren ayrı durumlar ve hedef düğüm olarak içerik sahipliği belirlenir. Bu ağın yapısı, hukuki uzmanlığın veri odaklı yapısal keşif ile birleştirilerek hem yorumlanabilirliği hem de hukuki olasılığı teşvik edilerek keşfedilir. Koşullu olasılıklar tabloları, davalarda tanımlanan dava sonuçlarına göre yaklaşık olarak hesaplanır ve böylece ağ belirsiz ve eksik verileri olasılıksal olarak işleyebilir. Model eğitiminin ardından, katkıda bulunan faktörlerdeki değişikliklerin bu oluşturulmuş Bayes Ağı temelinde yapay zeka tarafından üretilen içerikte çıkarılan sahipliği nasıl etkilediğini belirlemek için hem çıkarım hem de senaryo testine olanak tanır; ardından test ve hassasiyet analizi doğrulaması yapılır ve ardından geliştiriciler ve mahkemelerde yapay zeka uygulamalarında fikri mülkiyet için gelecekteki hukuki sonuçları kolaylaştıran sonuçlar çıkarılır. Şekil 1 , önerilen çalışmanın mimari iş akışını göstermektedir.

Şekil 1: Önerilen Çerçevenin Mimari Diyagramı: Yapay Zeka tarafından oluşturulan içeriğin sahipliğini belirlemek için önerilen Bayes Ağı tabanlı sistemin genel büzülü. Mimari, veri toplama ve açıklamadan olasılıksal modelleme, çıkarım ve sahiplik atfınmasına kadar akışı gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 1, yapay zeka tarafından oluşturulan içerik sahipliği analizi için önerilen Bayes Ağı tabanlı çerçevenin mimari iş akışını göstermektedir. İş akışı veri toplama, özellik açıklaması, Bayes Ağı modelleme, olasılıksal çıkarım, senaryo analizi ve doğrulamayı içerir. İnsan katılımı, yapay zeka özerkliği, eğitim verilerinin kökenliliği, sözleşme bağlamı ve yetki gibi hukuki ve teknik değişkenler, belirsiz koşullarda sahiplik atıfını tahmin etmek için Bayes çerçevesi içinde modellenmiştir. Çerçeve, hukuki karar desteği için yorumlanabilir olasılıksal akıl yürütmeyi ve senaryo tabanlı değerlendirmeyi destekler.

Veri toplama
Hukuki davalar hakkında veriler, çeşitli kaynaklardan toplanarak, yapay zeka tarafından üretilen içeriği içeren mülkiyet ve fikri mülkiyet davalarına odaklanan bir veri seti oluşturuldu. Başlangıç olarak, temel makalede elde edilen hukuki davaların genel veri seti, eğitim verilerindeki yalnızca telif hakkı, mülkiyet, IP ile ilgili anlaşmazlıklar ve diğer fikri mülkiyet konularıyla ilgili davaları içerecek şekilde filtrelenmiştir. Ek hukuki davalar, milyonlarca davadan mahkeme kararlarına erişim sağlayan kamuya açık mahkeme görüş veritabanlarından ve Yapay Zeka'nın Fikri Mülkiyet ile ilgili kullanımlarıyla ilgili dünya çapında devam eden ve tamamlanan hukuki süreçleri takip eden bir telif hakkı dava takip deposundan elde edilmiştir. Hukuki davalar ayrıca, hukuki dava sonucu, insan yaratıcı katkı seviyesi, Yapay Zeka sisteminin özerkliği, eğitim verilerinin kaynağı, yetki ve varsa sözleşme parametreleri gibi temel değişkenleri vurgulamak için notlandırıldı. Bu, Bayes ağ analizinde olasılıksal akıl yürütme için uygun olan yapay zeka araçlarının kullanımıyla ilgili Fikri Mülkiyet hakkında yeterli verileri toplayan çok kaynaklı bir veri setidir.

Bu çalışma için veri setini oluşturmak için temel yapay zeka dava veri seti, kamuoyu görüşü veritabanı ve yapay zeka telif hakkı dava takip deposu dahil olmak üzere üç ana kaynak, metodik bir toplama ve tarama sürecinde kullanıldı. "Yapay zeka", "yapay zeka", "yapay zeka tarafından oluşturulan içerik", "telif hakkı", "fikri mülkiyet", "yazarlık, "sahiplik" ve "makine üretimi eserleri" gibi anahtar kelimeler, depo arama arayüzlerinde ve meta veri alanlarında ilgili vakaları bulmak için kullanıldı. Sahiplik, yazarlık veya fikri mülkiyet konularını değişken çıkarım için yeterli derinlikle ele alan yapay zeka tarafından oluşturulan veya yapay zeka destekli içeriklerle ilgili vakalar değerlendirildi. Tekrar, yapay zeka tarafından oluşturulan içerikle bağlantısı olmayan, diğer hukuki alanlara odaklanan veya yeterli bilgiye sahip olmayan vakalar kabul edilmedi. İlk başlık ve özet sınavdan sonra tam metin uygunluk değerlendirmesi yapılan iki aşamalı bir tarama prosedürü uygulandı. Benzersizliği sağlamak için, birden fazla veri setinde tekrarlanan kayıtlar vaka meta verileri kullanılarak tanımlandı ve kaldırıldı.

Veri seti arama sürecinde "yapay zeka", "yapay zeka", "yapay zeka", "makine üretimi eserler", "telif hakkı", "yazarlık", "sahiplik", "eğitim verisi" ve "fikri mülkiyet anlaşmazlığı" anahtar kelimeleri kullanıldı. Veri setinin kalitesini ve önemliliğini garanti etmek için iki aşamalı bir tarama prosedürü kullanıldı. Yapay zeka ile ilgili mülkiyet ve telif hakkı çatışmalarını bulmak için ilk aşamada başlıklar ve dava özetleri incelendi. Çalışmaya dahil edilme uygunluğunu belirlemek için, ikinci aşamada tam metin bir vaka incelemesi yapıldı. Yalnızca yapay zeka tarafından oluşturulan veya yapay zeka destekli içeriklerle ilgili davalar, yazarlık, sahiplik atıfı, sözleşme bağlamı veya eğitim veri kullanımı gibi yasal ve teknik detaylara sahip davalar dahil edildi. Eksik bağlamsal bilgi, yetersiz hukuki belgeler, tekrarlı kayıtlar ve fikri mülkiyet çatışmalarıyla ilgili olmayan davalar hariç tutuldu. Dava başlığı, yargı yetkisi, başvuru tarihi ve itiraz kategorisi gibi meta veriler karşılaştırılarak, kaynaklar arasında tekrarlanan davalar tespit edilip kaldırıldı. Son derlenmiş veri setinde açıklama, Bayes Ağı modelleme, olasılıksal çıkarım ve hassasiyet analizi yapıldı.

Çalışmada kullanılan veriler, Tablo 2'de gösterildiği gibi, yapay zeka içerik sahipliği hakları ve fikri mülkiyet talepleri üzerindeki tüm anlaşmazlıkları kapsayan hukuki kaynakların bir derlemesini içermektedir. İlk olarak, birincil çalışmada kullanılan yapay zeka dava verileri, telif hakkı talepleri, yazarlık, icat tarafından yazarlık ve yapay zeka çıktılarını içeren sahiplik ile özel olarak bağlantılı yaklaşık 72 hukuki anlaşmazlığın seçici korunmasını içermektedir. Üretken yapay zeka alanında ortaya çıkan anlaşmazlıkların daha iyi temsil edilmesi için veri değişkenliğini artırmak amacıyla, veriler, ABD mahkeme kararlarının büyük bir toplu toplu kamuya açık mahkeme görüş veritabanından (CAP) alınan ilgili uyuşmazlıkların edinilmesini ve ilgili IP hukuki şartlarına dayalı 38 iddiadan oluşan özel AI-IP anlaşmazlıklarının seçilmesini içerir. Ayrıca, çalışma, yapay zeka ve Telif Hakkı Dava İzleyici Teknolojisi'ni kullanarak dünya çapında önde gelen 21 yapay zekâ telif hakkı hakı anlaşmazlığını içeriyor; bu yaklaşım, büyük uluslararası hukuki uyuşmazlıklar için özel bir yapay zeka telif hakkı dava takipçisi oluşturulmasını geliştiren ve yapay zeka telif hakkı anlaşmazlığı analizini içeren özel ilk analiz yaklaşımlarını kullanmaktadır. Son veri seti 131 davadan oluşuyordu: temel bir yapay zeka dava veri seti, bir kamuoyu görüşü veritabanı ve bir yapay zeka telif hakkı dava takip deposu. Bu vakalar, dahil etme, dışlama ve deduplication prosedürleri uygulandıktan sonra seçildi.

Veri Seti Kaynağı	Veri Seti Türü	Hayır. Kullanılan Kutular	Kapsama
Temel Yapay Zeka Dava VeriSeti 1	YZ ile ilgili mahkeme davaları	72 (filtrelenmiş alt küme)	ABD federal ve eyalet mahkemeleri
İçtihat Erişim Projesi (CAP)31	Kamu hukuki dava korpusu	38 (AI-IP odaklı)	ABD mahkeme kararları
Yapay Zeka ve Telif Hakkı Dava İzleyici (CMS)32	Özenli vaka özetleri	21 önemli dava	Küresel (ABD, AB, UK)

Tablo 2: Veri Seti Tanımı. Kaynak, yapı ve sahiplik analiziyle ilgisi dahil olmak üzere yapay zeka tarafından üretilen içerikte fikri mülkiyet anlaşmazlıklarının modellenmesi için kullanılan veri setlerinin özeti.

Doğruluk ve tutarlılık sağlamak için manuel ve yarı otomatik süreçlerin birleşimi kullanıldı. Etiketleme yöntemi, hem hukuk hem de yapay zeka ile ilgili hukuk çalışmalarında geçmişe sahip üç annotör kullanıldı. İnsan yaratıcı girdisi, yapay zeka sistemi özerkliği, eğitim verisinin yasallığı, sözleşmesel mülkiyet hükümleri, yetki yetkisi, yapay zeka katılımının şeffaflığı ve açık karar kuralları ile örnekler dahil olmak üzere tüm değişkenler açıklamalı bir kod kitabında tanımlanmıştır. Her örnekte iki annotör bağımsız olarak açıklama yapmıştır; Anlaşmazlıklar tartışma yoluyla ve gerekirse üçüncü bir uzman incelemeci tarafından çözüldü. Cohen'in kappa katsayısı, değerlendiriciler arası uyumu ölçmek için kullanıldı; Sonuç 0.81 oldu ve güçlü bir anlaşma olduğunu gösteriyor. Vakaların yaklaşık %9'u, çoğunlukla yapay zeka özerkliği ve sözleşme yorumu üzerine anlaşmazlıklarla ilgiliydi. Daha fazla Bayes Ağı modelleme için tamamlanmış notasyonlar kullanılmıştır.

Hukuki belirsizlik faktörlerinin tanımlanması
Yapay zeka tarafından üretilen içerik sahipliğindeki belirsizlik kaynakları, dava tabanlı veri setleri ve kamuya açık mahkeme depoları dahil olmak üzere birden fazla yasal veri setinde yapay zeka ile ilgili fikri mülkiyet davalarının analiziyle belirlendi. İnsan yaratıcılığı, yapay zeka özerkliği, eğitim verilerinin yasallığı, sözleşmesel bağlantılar, yetki meseleleri ve yapay zeka sistemlerinin şeffaflığı önemli faktörlerdi. İnsan katılımının derecesi ve sözleşmesel mülkiyet tanımları mahkemeler tarafından sıkça vurgulanıyor ve hukuki belirsizlik, telif hakkı yasalarındaki farklılıklar ile telif hakkı korumalı eğitim verilerinin kullanımıyla daha da kötüleştirilmiştir. Olasılıksal sahiplik analizi için Bayes Ağı çerçevesi bu hususlar temelinde geliştirilmiştir.

Faktör	Tanım
İnsan Yaratıcı Katılımı	İçeriğin üretiminde insan katkısının derecesi (yüksek, orta veya az).
Yapay Zeka Özerkliği Seviyesi	Yapay zeka sisteminin insan rehberliği olmadan bağımsız çalışma derecesi.
Eğitim Veri Sahipliği ve Yasallığı	Kullanılan eğitim verilerinin yasal statüsü (lisanslı, kamu malı, mülkiyetli veya ihlali).
Sözleşmeli Mülkiyet Maddeleri	Paydaşlar arasında mülkiyeti tanımlayan anlaşmaların varlığı ve netliği.
Yetki Hukuki Çerçevesi	Geçerli ulusal veya bölgesel fikri mülkiyet yasaları.
Kullanım Amacı	Yapay zeka tarafından üretilen içeriğin ticari mi yoksa ticari olmayan amaçlarla mı kullanıldığına dikkat eder.
Şeffaflık ve Açıklanabilirlik	Yapay zeka sisteminin tasarımı ve işleyişi hakkında bilginin erişilebilirliği.
YZ Yardımının Açıklanması	Yapay zekanın içerik üretiminde kullanımının açıkça açıklanıp açıklanmadığı.
Üretilen İçeriğin Doğası	Üretilen çıktı türü (örneğin, metin, görüntü, kod veya tasarım).
Yargı Öncesi Erişilebilirliği	Yapay zeka tarafından oluşturulan içerik sahipliğiyle ilgili önceki mahkeme kararlarının bulunması.

Tablo 3: Sahipliği Etkileyen Temel Hukuki ve Teknik Belirsizlik Faktörleri. Yapay zeka tarafından üretilen içerikte sahiplik atıfını etkileyen kritik değişkenlerin hem hukuki hem de teknik boyutları kapsayan şekilde tanımlanması.

Tablo 3 , önerilen Bayes Ağı modelinde sahiplik attıfıyla ilgili belirsizlikleri özetlemektedir. Bu belirsizlikler, yapay zeka ile ilişkili fikri mülkiyet anlaşmazlıkları ve mevcut fikri mülkiyet yasalarına dayanarak türetilmiştir. Yapay zekada insan yaratıcı girdisi ve özerkliği, insan yazarlar ile yapay zeka tarafından oluşturulan içerik arasındaki sahipliğin belirlenmesinde ilişkisini ifade eder. Yapay zeka tarafından kullanılan eğitim verilerinin yasallığı, sözleşmenin sahipliği ve yargı bölgesinin mevcut fikri mülkiyet yasaları gibi belirsizlikler tartışma sebebidir. Kullanım amacı ve yapay zeka yardımı açıklaması, yargı sisteminin yapay zeka destekli üretimi ne durumda gördüğünü ifade eder. Şeffaflık ve açıklanabilirlik ise, hesap verebilirlik ve sorumlulukla ilgili yönü ifade eder. Yapay zeka tarafından oluşturulan yaratımların doğası ve mevcut yargı emsalleri gibi diğer belirsizlikler, mevcut fikri mülkiyet yasalarının yapay zeka yaratımlarına nasıl uygulanacağını belirler.

Veri açıklaması ve değişken kodlaması
Filtrelenmiş yapay zeka dava davaları, CAP ve seçilmiş yapay zeka telif hakkı davaları gibi davalardan oluşturulan veri seti, her dava için belirlenen hukuki belirsizlik faktörlerine göre manuel ve yarı otomatik olarak açıklama yapılacaktır. Her dava için yapılandırılmış etiketler, mahkeme kararları, açıklamalar ve gerekçeler değerlendirilerek belirlenir. Açıklama görevi, insan yaratıcı katılımının seviyesi, yapay zekanın özerkliği, eğitim verilerinin hukuki geçerliliği, mülkiyet, yetki yetkisi ve yapay zeka tarafından yardımın açıklanması gibi hem yasal hem de teknik faktörlerin belirlenmesini içerir. Tutarlılık için, yönergeler diğer fikri mülkiyet ilkelerinden türetilmiş ve çeşitli yasal kaynaklar arasında çapraz kontrol yoluyla doğrulanmıştır. Veri açıklaması ve değişken kodlamasının ayrıntılı matematiksel açıklaması için Ek Dosya 1(S1)'e bakınız.

Çerçeve, olasılıksal grafiksel modelleme kütüphaneleri ve sayısal hesaplama araçları içeren bir programlama dili kullanılarak uygulandı. Veri ön işleme ve analizi, çok çekirdekli işlemci ve standart bellek yapılandırmasına sahip masaüstü sisteminde dizüstü bilgisayar tabanlı bir hesaplama ortamında gerçekleştirildi

Veri seti açıklamasında tutarlılık ve tekrarlanabilirliği sağlamak için, Bayes Ağı çerçevesine dahil edilen tüm yasal ve teknik faktörler için yapılandırılmış bir değişken kodlama şeması geliştirilmiştir. Her dava, hukuki emsaller ve yapay zeka yönetim literatüründen türetilen önceden tanımlanmış kategorik durumlar kullanılarak manuel olarak incelendi ve açıklamalar yapıldı. Tablo 4 , çalışmada kullanılan değişkenleri, tanımları ve kodlama kategorilerini özetlemektedir. Bayes Ağı çerçevesinde olasılıksal modelleme ve senaryo tabanlı çıkarımı kolaylaştırmak için, kodlama sistemi tüm açıklamalı vakalarda eşit şekilde uygulandı. Yapay zeka tarafından oluşturulan materyallerle ilgili çatışmalarda sıkça gözlemlenen hukuki ve teknolojik koşulları temsil etmek için değişken durumlar seçildi.

Değişken	Tanım	Kodlama Kategorileri
İnsan Katkısı	İçerik üretiminde insan yaratıcı katılımının derecesi	Düşük, Orta, Yüksek
Yapay Zeka Özerkliği	Bağımsız yapay zeka sistemi üretimi seviyesi	Düşük, Orta, Yüksek
Eğitim Veri Yasallığı	Yapay zeka eğitimi için kullanılan veri setlerinin yasal statüsü	Lisanslı, Kamu Malı, Belirsiz, Yetkisiz
Sözleşmeli Mülkiyet	Sözleşmesel mülkiyet maddelerinin varlığı	Hazır, Yok
Atıf Açıklığı	Katkıda bulunanın tanımlanmasının netliği	Açık, Kısmi, Belirsiz
Yetki	Anlaşmazlıkla ilgili hukuki yetki	Hindistan, Amerika Birleşik Devletleri, Çin, Diğer
Şeffaflık	Yapay zeka üretim süreciyle ilgili bilgilerin bulunabilirliği	Yüksek, Orta, Düşük
Sahiplik Sonucu	Nihai sahiplik atfisyonu sonucu (hedef değişken)	İnsan Mülkiyetinde, Ortak Mülkiyet, Organizasyon Mülkiyetinde, Belirsiz

Tablo 4: Bayes ağ açıklaması için kullanılan değişken kodlama şeması. Tablo, veri seti açıklaması sırasında kullanılan yasal ve teknik değişkenleri, tanımları ve olasılıksal modelleme ile sahiplik çıkarımı için uygulanan kategorik kodlama durumlarını özetlemektedir.

Bayes ağ yapısı tasarımı
Bayes Ağı (BN), yapay zeka tarafından üretilen bilgilerin sahipliğini etkileyen bağlamsal, teknolojik ve yasal faktörler arasındaki olasılıksal ilişkileri modellemek için oluşturulmuştur. Hedef düğüm sahiplik sonuçlarını gösterirken, ağ düğümleri insan katkısı, yapay zeka özerkliği, eğitim verilerinin yasallığı, sözleşmesel sahiplik şartları ve yetki gibi değişkenleri temsil ediyordu. Veri odaklı ilişkilerden ve yargısal akıl yürütme süreçlerinden kaynaklanan koşullu bağımlılıklar, yönlendirilmiş kenarlar tarafından kaydedildi. Veri odaklı optimizasyon ve yasal kısıtlamalar, hibrit bir yapı-öğrenme yönteminde birleştirildi. İzin verilen bağımlılıklar yargısal ilkelerle belirlendi ve bildirilen dava sonuçlarını açıklayan en olası bağımlılık grafiği, puan tabanlı yapı öğrenimi kullanılarak bulundu. Bu yöntem, nihai ağın hem yasal olarak yorumlanabilir hem de istatistiksel olarak geçerli kalmasını sağladı.

Şekil 2: Sahiplik çıkarımı için kullanılan Bayes Ağı yapısı. Bayes Ağı'nın sahiplik kararlarını etkileyen hukuki ve teknik değişkenler arasındaki bağımlılıkları gösteren grafik temsili. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 2, Bayes Ağı'nın yapay zeka tarafından oluşturulan içerik sahipliği atamalarında nasıl kullanıldığını göstermektedir. Üst düzey bir modelde, İnsan Girdisi, Eğitim Verisi, Yapay Zeka Özerkliği ve Yetki gibi bazı temel girdi değişkenleri, yapay zeka tarafından üretilen içerik üzerinde bir hak oluşturulurken dikkate alınması gereken bazı temel hukuki ve teknik boyutları gösterir. Her değişken, sabit kodlanmış kural yerine muhtemel bir düğüm olarak adlandırılır; bu da değişken bağımlılıklarını hesaba katan bir model sağlar. Yeşil düğümler, bağlantı noktaları olarak da bilinir, giriş düğümleri ile son çıkış arasında belirir. Örneğin, insan katılım seviyelerinin yapay zeka özerkliği ile nasıl ilişkili olduğunu gösterirken, hem hukuki eğitim verileri hem de yetki faktörleri, YZ tarafından üretilen içerik hakkını yargı perspektifinden tanımlamaya yardımcı olur.

Hukuk teorisi ve açıklamalı dava verileri, Bayesian Ağı'nın değişken seçimi ve ayrık durum tanımlarının temelini oluşturdu. Sahipliğin belirlenmesinde önemleri göz önüne alındığında, insan katılımı, yapay zeka özerkliği, eğitim verilerinin yasallığı, sözleşme koşulları, yetki ve şeffaflık gibi temel faktörler en öncelikli hale getirildi. Uzman tarafından incelenen açıklama kriterleri, değişkenleri yasal olarak anlamlı kategorilere ayırmak için kullanıldı. İstatistiksel olarak desteklenen bağımlılıkları belirlemek için, skor tabanlı öğrenme ve yasal kısıtlamaları birleştiren hibrit bir strateji kullanılarak ağ yapısı oluşturuldu. Yaklaşım, insan girdisi ve sözleşme kısıtlamalarının sahiplik çıkarımı üzerindeki anlamlı etkisini doğrulayan duyarlılık ve ablasyon çalışmalarıyla daha da doğrulandı; diğer değişkenler ise ılıtılayıcı etkiler gösterdi. Karar destek sistemleri için, bu birleşik hukuki-ampirik yaklaşım hem sağlamlığı hem de yorumlanabilirliği artırır.

Tüm birbirine bağlı düğümlerden çıkarılan olasılıklar, mevcut yasal ve teknik kanıtlara dayanarak arka sahiplik olasılıkları üreten Sahiplik Kararı düğümünde birleşir. Bu, eksik veya tartışmalı koşullar altında bile sahiplik çıkarımı sağlar ve yeni kanıtlar ortaya çıktığında dinamik güncellemeyi destekler. Aşırı uyum ve sahte korelasyonları azaltmak için, model seçimi ve hassasiyet analizi kullanılarak gereksiz veya düşük etkili kenarlar çıkarıldı ve böylece kısa ve yönlendirilmiş asiklik grafik (DAG) elde edildi. Son Bayes Ağı yapısı, hem olasılıksal bağımlılıkları hem de yapay zeka tarafından üretilen içerik sahipliğinde hukuki belirsizliğe katkıda bulunan faktörler arasındaki nedensel ilişkileri yakalar. Bayes ağ tasarımının matematiksel tanımı, Ek Dosya 1'de (S2) verilmiştir.

Bayes Ağı, bazı yasal veya teknik faktörler eksik veya kısmen gözlemlenebilir olsa bile, olasılıksal sahiplik çıkarımı sağlar. Kanıt değişkenlerini değiştirerek, çerçeve ayrıca yasal karar alma süreçleri, politika değerlendirmesi ve yapay zeka yönetişim uygulamaları için senaryo tabanlı analizi destekler. Ağ yapısı, uzman tanımlı hukuki kısıtlamalarla veri odaklı öğrenmeyi birleştiren hibrit bir yaklaşımla geliştirilmiştir. Yapı optimizasyonu için Bayes Bilgi Kriteri (BIC) puanlamalı bir Yokuş Tırmanma algoritması kullanılırken, Dirichlet öncelikleri ve Laplace düzgünleştirme (&α = 1) ile Bayes parametre tahmini veri seyrekliği ve eksik gözlemleri ele aldı. Tüm değişkenler, olasılıksal çıkarımı desteklemek için ayrık kategorik durumlar olarak temsil edilmiştir. Bayesian Network çerçevesinin oluşturulmasında Python olasılıksal grafiksel modelleme modülleri kullanıldı. Ağ oluşturmanın iki aşaması parametre öğrenimi ve yapı tanımıydı. Başlangıçta, ağın düğümleri veri seti açıklaması sırasında bulunan yasal ve teknik özellikleri temsil ediyordu. Veri odaklı yapısal bağımlılık analizini uzman tanımlı hukuki ilişkilerle birleştiren hibrit bir yöntem, düğümler arasında yönlendirilmiş kenarlar oluşturmak için kullanıldı. Açıklamalı veri setinden Koşullu Olasılık Tabloları (CPT) tahmini için maksimum olasılık tahmini kullanıldı. Bayes Ağı'nın uygulanmasında hesaplama ortamı paketindeki olasılıksal grafiksel modelleme teknikleri kullanıldı; parametre öğrenimi için Maksimum Olasılık Tahmini fonksiyonu ve ağ yapısını tanımlamak için Bayes Ağı () fonksiyonu kullanıldı. Değişken Eleme () çıkarımı prosedürü, çeşitli kanıt koşulları altında arka sahiplik olasılıklarını hesaplamak için kullanıldı.

Parametre öğrenme
Yapay zeka tarafından oluşturulan içerik sahipliğinde yasal belirsizliği nicel olarak modellerken, parametre tahmini önerilen Bayes Ağı çerçevesinde kritik bir adımdır. Bayes parametre tahmini, açıklamalı hukuki davalardan Koşullu Olasılık Tablolarını (CPT) öğrenmek için kullanıldı. Hedef düğüm sahiplik atıfını gösterirken, her düğüm insan katkısı, yapay zeka özerkliği, eğitim verilerinin yasallığı veya sözleşmesel mülkiyet hükümleri gibi yasal veya teknolojik bir yönü yansıtır. Bayes tahminleri, az hukuki materyali ve yetersiz kanıtı işleyebileceği için, yorumlanabilir hukuki gerekçeyi teşvik etmek ve yargı kararlarında gözlemlenen olasılıksal korelasyonları temsil etmek amacıyla seçilmiştir. Bayes Ağı içinde elde edilen temsili koşullu olasılık değerleri Tablo 5'te gösterilmiştir. Büyük yapay zeka özerkliği belirsizlik veya sahipsizlik sonuçlarını teşvik ederken, önemli insan yaratıcı katılımı insan sahipliğinin önemli bir olasılığını gösterir ve bu da insan entelektüel katkısına yargısal vurgu yapıldığını gösterir. Bulgular ayrıca sözleşmeli sahiplik şartlarının ve eğitim verilerinin yasallığının önemini vurgulamaktadır; açık anlaşmalar ve lisanslı veriler mülkiyeti artırır. Çerçevenin çeşitli hukuki durumlara duyarlılığı, yetki farklılıklarıyla da kanıtlanmaktadır.

Ana Değişkenler	Ebeveyn Değişkenlerin Durumları	Sahiplik Sonucu	Öğrenilmiş Koşullu Olasılık
İnsan Yaratıcı Katılımı	Yüksek	İnsan Yazar	0.82
İnsan Yaratıcı Katılımı	Düşük	Yapay Zeka Geliştiricisi	0.41
Yapay Zeka Özerkliği	Yüksek	Sahiplik Tanınmadı	0.55
Eğitim Veri Yasallığı	Lisanslı	İnsan / Geliştirici	0.76
Eğitim Veri Yasallığı	İhlal	Sahiplik Yok / Tartışmalı	0.68
Sözleşmeli Mülkiyet Maddesi	Açık Şimdiki Zaman	Sözleşmeli Taraf	0.89
Sözleşmeli Mülkiyet Maddesi	Yok	Tartışmalı / Belirsiz	0.61
Yetki Çerçevesi	İnsan Merkezli Fikri Mülkiyet Hukuku	İnsan Yazar	0.79
Yetki Çerçevesi	Belirsiz / Ortaya Çıkan Hukuk	Ortak / Belirsiz	0.47

Tablo 5: Bayes Ağ Modelinde Koşullu Olasılıklar Örneği. Bayes Ağı tarafından öğrenilen örnek koşullu olasılık değerleri, sahiplik sonuçlarını etkileyen ana değişkenler arasındaki bağımlılıkları göstermektedir.

Algoritma 1, yapay zeka içeriğinde sahiplik belirsizliklerini yakalamak için önerilen Bayes Ağı çerçevesinin tüm sürecini kapsar. Algoritma 1: Düğümlerin davalarda incelenen teknik ve hukuki belirsizlikleri olduğu ve hedef düğümün sahiplik tanımlayıcı olduğu grafik modeli tanımlayarak Bayes Ağı yapısı başlatın. Bayes Ağı modelinin yapısı, mevcut yasal kısıtlayıcı yapıları veriden türetilen optimize edilmiş yapılarla birleştiren ortak bir yaklaşım uygulanarak oluşturulabilir. Koşullu olasılık tabloları, elde edilen veri setine dayalı Bayes parametre tahmin şeması uygulanarak belirlenebilir; böylece yargı tarafından çıkarılan belirsizlikler, seyreklik ve koşullu ilişkiler hesaba katılır. Algoritmayı belirli bir hukuki veya varsayımsal örneğe uygularken, giriş bilgisi veya kanıtı, Bayes Ağı'nda olasılıksal çıkarım uygulanarak mülkiyetin geriden olasılığını belirleyerek elde edilebilir. Algoritma, Bayes Ağı'na gelen kanıt girdisini yinelemeli olarak değiştirerek giriş değerlerinde ayarlamalar uygulayabilir ve insan girdisi, yapay zeka özerkliği, sözleşmesel yasallık ve eğitim verilerinin yasallığını ayarlayarak sahiplik tesdirmesi üzerindeki etkisini değerlendirebilir. Algoritmik adımlar için Ek Dosya 1(S3)'ye bakınız.

Olasılıksal çıkarım ve senaryo analizi
Bayesian Ağı'nın grafik yapısı ve koşullu olasılık tabloları, sahiplik ile ilgili yapay zeka ile ilgili dava davalarının açıklamalı veri seti üzerinde eğitilebilir ve sistem, sahiplik olasılığı üzerinde çıkarım yapılmasını sağlar. Matematiksel açıklamalar Ek Dosya 1'de (S4) belirtilmiştir.

Bu arka sahiplik olasılıklarının karşı gerçekçi senaryolar arasında nasıl değiştiğini gözlemleyerek, model her hukuki ve teknik özellik için yargı sonuçları üzerinde göreceli etkiler seti ortaya koyar. Bu senaryo odaklı çıkarım yeteneği, önerilen çalışmanın ana katkılarından birini oluşturur; çünkü mahkemelerin, politika yapıcıların ve hukuk uzmanlarının yapay zeka tarafından üretilen içeriğin sahipliği hakkında nasıl karar yürüttüğüyle örtüşür: kuralların katı uygulanması yerine bağlamsal değerlendirme yoluyla. Bayesian Ağı, açıklanabilir bir karar destek aracı olarak hizmet veriyor; ampirik dava kalıplarını, yargı alanları, sözleşme bağlamları ve yapay zeka özerkliği seviyeleri arasında tutarlı akıl yürütmeyi destekleyen olasılıksal içgörülere dönüştürüyor. Buna göre, böyle bir kullanılabilirlik faktörü, tanımlayıcı hukuki analizin ötesine geçerek, gelişen yapay zeka ve fikri mülkiyet rejimleri altında sahiplik sonuçlarını öngörmek için sistematik bir mekanizma sağlar. Değişken Eliminasyon yaklaşımı, çıkarım için sahiplik sonuçlarının arka olasılığını hesaplamak için kullanıldı. Kanıt değişkenlerinin yinelemeli olarak değiştirilmesi ve arka dağılımların yeniden hesaplanması senaryo analizine olanak sağladı. Küçük veri setleri arasında dayanıklılığı sağlamak için model, bir kez dışarıda bırakma ve k-kat çapraz doğrulama (k = 5) kullanılarak doğrulandı. Duyarlılık analizi yapmak için girdi değişkenleri sistematik olarak değiştirildi ve posterior olasılıklardaki (ΔP(Y)) değişiklikler ölçüldü.

Model doğrulama ve hassasiyet analizi
Önerilen Bayes Ağı modeli, güvenilirlik, dayanıklılık ve yasal uygulanabilirliği garanti etmek için yapay zeka ile ilgili fikri mülkiyet çatışmalarının açıklamalı veri seti kullanılarak doğrulandı. Sahiplik sonuçlarını tahmin etmek ve bunları gerçek hukuki kararlarla karşılaştırmak için geriye dönük doğrulama yaklaşımı kullanıldı. Yapay zeka ile ilgili sahiplik anlaşmazlığı durumlarının azlığı göz önüne alındığında, modelin dayanıklılığını değerlendirmek için bir çıkarma ve k-katlı çapraz doğrulama kullanıldı.

İnsan katılımı, yapay zeka özerkliği, eğitim verilerinin yasallığı ve sözleşmesel mülkiyet şartları dahil olmak üzere hukuki ve teknik faktörlerin sahiplik atfısasyonu üzerindeki etkisi, bir hassasiyet analiziyle incelendi. Araştırma, ebeveyn düğüm durumlarını değiştirerek ve arka olasılıklardaki değişiklikleri izleyerek sahiplik seçimlerini etkileyen bağlamsal ve yüksek etkili faktörleri belirledi. Hukuki belirsizliğin ağ genelinde nasıl yayıldığını göstererek, bu yorumlanabilirliği artırdı. Doğrulama ve hassasiyet analizi bulguları Tablo 6'da toplanmıştır. Çapraz doğrulama sırasında, model çıkarılan ve gerçek yargı sonuçları arasında %80'den fazla uyum sağladı. Dayanıklılık testi, sınırlı kanıt ortamında güvenilir çıkarımı doğruladı ve katlar arasında düşük posterior varyans kararlı, genelleştirilebilir koşullu olasılıkları gösterdi. Hassasiyet analizi, yapay zeka özerkliği ve eğitim verilerinin yasallığının atıf belirsizliğini büyük ölçüde artırdığını ancak sözleşmesel mülkiyet maddeleri ve insan yaratıcı katılımının sahiplik atıflanması üzerinde en büyük etkiye sahip olduğunu ortaya koydu. Teknik ve sözleşmesel koşullar yetki değişkenleriyle etkileşime girerek orta düzeyde bir etki yarattı. Genel olarak, bulgular önerilen paradigmanın hem yasal olarak yorumlanabilir hem de ampirik olarak sağlam olduğunu göstermektedir.

Doğrulama / Hassasiyet Yönü	Uygulanan Yöntem	Metrik / Gözlem
Vaka Tabanlı Doğrulama	Bir çıkarma çapraz doğrulama	%81,3 sahiplik sonucu tutarlılığı
Çapraz Katlama Stabilitesi	5 kat çapraz doğrulama	Arka varyans < katlar arasında 0.05
Eksik Kanıt Dayanıklılığı	Kısmi kanıt çıkarımı	< 7% arka olasılıklarda değişim
Duyarlılık: İnsan Yaratıcı Katılımı	Tek faktörlü bozulma	ΔP(Y) ≈ +0.32
Hassasiyet: Yapay Zeka Özerkliği	Tek faktörlü bozulma	ΔP(Y) ≈ −0.28
Hassasiyet: Eğitim Verilerinin Yasallığı	Tek faktörlü bozulma	ΔP(Y) ≈ +0.25
Duyarlılık: Sözleşme Maddeleri	Tek faktörlü bozulma	ΔP(Y) ≈ +0.37
Hassasiyet: Yetki	Tek faktörlü bozulma	ΔP(Y) ≈ +0.14

Tablo 6: Doğrulama ve Hassasiyet Analizi Sonuçları. Model doğrulama ve duyarlılık analizi sonuçları, dayanıklılık, istikrar ve ana değişkenlerin sahiplik çıkarımı üzerindeki etkisinin değerlendirilmesi.

Yorumlama ve politika sonuçları analizi
Bayesian Ağı'nın olasılıksal çıktıları, yapay zeka tarafından üretilen içeriğin sahipliğini analiz etmek için yorumlanabilir bir çerçeve sunar; insan katkısı, yapay zekâ özerkliği, sözleşmesel netlik ve eğitim verilerinin yasallığı gibi hukuki ve teknik faktörleri modeller. Sadece öngörücü çıktı olarak hizmet etmek yerine, geriden gelen olasılık tahminleri belirsiz yasal koşullarda şeffaf, senaryoya dayalı akıl yürütmeyi destekler. Çerçeve, hukuk profesyonellerine sahiplik değerlendirmesi sırasında tutarlılığı artırmalarına yardımcı olabilir, politika yapıcılara yapay zeka tarafından üretilen içerikle ilgili düzenleyici boşlukları belirlemede destek olabilir ve yapay zeka geliştiricilerinin tasarım ve yönetişim seçimlerinin farklı hukuki bağlamlarda sahiplik atıfını nasıl etkileyebileceğini değerlendirmelerine yardımcı olabilir.

Sonuçlar

Deneyin sonuçları, Bayes Ağı çerçevesinin yapay zeka tarafından üretilen içerik sahipliğindeki belirsizliğin doğasını yakalamadaki etkinliğini göstermektedir. Model, belirsizlik altında sahiplik çıkarımını desteklemek için yapılandırılmış, veri odaklı bir yaklaşım sunar. Son veri seti 131 davadan oluşuyordu: temel bir yapay zeka dava veri seti, bir kamuoyu görüşü veritabanı ve bir yapay zeka telif hakkı dava takip deposu. Bu vakalar, dahil etme, dışlama ve deduplication prosedürleri uygulandıktan sonra seçildi. Çerçeve, ...

Tartışma

Önerilen Bayes Ağı çerçevesi, diğer eserlerin tanımlayıcı veya soru tanımlama yaklaşımlarına kıyasla yapay zeka tarafından üretilen içerik sahipliği üzerine mevcut araştırmalara kıyasla bir ilerleme niteliğindedir. Diğer çalışmalar, Raghupathi ve ark. tarafından^{yazılmış 1'deki} temel makale de dahil, temel olarak yapay zeka dava bağlamında temaları veya kategorileri keşfetmek için metin analitiğinde makine öğrenimi yaklaşımlarını kullanır. Bu yaklaşımlar, bağlamlar...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Judicial Opinions & Court Records Dataset	Caselaw Access Project (CAP)	RRID:SCR_016043	Source of court decisions used for extracting legal reasoning and ownership outcomes
AI & Copyright Case Tracker	CMS Legal	N/A	Curated dataset of global AI-related intellectual property disputes
Legal Contracts & Agreements Dataset	Various Public Legal Repositories	N/A	Documents defining ownership, licensing, and contractual rights
Statutory and Case Law References	Government Legal Portals	N/A	Intellectual property laws and judicial precedents used for analysis
Legal Annotation Guidelines	Expert-defined (Manual Framework)	N/A	Rules for consistent annotation of legal uncertainty variables
Annotated Legal Dataset	Generated in Study	N/A	Dataset labeled with legal and technical variables for modeling
Python Programming Environment (v3.10)	Python Software Foundation	RRID:SCR_008394	Core programming environment used for implementation
pgmpy Library (v0.1.24)	Open-source	RRID:SCR_016274	Library used for Bayesian Network modeling
NumPy (v1.24)	Open-source	RRID:SCR_008633	Numerical computations and array operations
Pandas (v1.5)	Open-source	RRID:SCR_018214	Data preprocessing and dataset handling
Jupyter Notebook	Project Jupyter	RRID:SCR_018315	Interactive environment for model development
Bayesian Network Model	Developed in Study	N/A	Probabilistic graphical model for ownership inference
Hill Climbing Algorithm (BIC)	Implemented via pgmpy	N/A	Structure learning method for Bayesian Network
Variable Elimination Inference Engine	Implemented via pgmpy	N/A	Computes posterior ownership probabilities
Scenario Analysis Module	Developed in Study	N/A	Enables “what-if” simulations
Sensitivity Analysis Module	Developed in Study	N/A	Measures variable influence on ownership outcomes
Cross-Validation Framework (k-fold, LOOCV)	Scikit-learn compatible	RRID:SCR_002577	Used for model validation and robustness testing
Computing System (Intel Core i7, 16GB RAM)	Intel / OEM	N/A	Hardware used for model training and evaluation
Operating System (Windows 11)	Microsoft Windows	RRID:SCR_018096	OS environment for implementation