Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This chapter examines the most pertinent issues facing copyright law as it encounters increasingly sophisticated artificial intelligence (AI). It begins with a few introductory examples to illuminate the potential interactions of AI and copyright law. Section 2 then tackles the question of whether AI-generated works are copyrightable in Canada and who, if anyone, might own that copyright. This involves a doctrinal discussion of “originality” (the threshold for copyrightability) as well as reflections on the meaning of “authorship,” and concludes with the suggestion that autonomously generated AI outputs presently (and rightly) belong in the public domain. Section 3 turns to consider issues of copyright infringement. First, it addresses the law in respect of AI inputs (the texts and data used to train AI systems, which may themselves be copyrightable works) and highlights the need for greater limits and exceptions to ensure that copyright law does not obstruct best practices in the development and implementation of AI technologies. It then examines the matter of potentially infringing AI outputs (which may, of course, resemble copyright-protected, human-created works), identifying current uncertainties around independent creation, agency, and the allocation of liability. Section 4 addresses the deployment of AI in automated copyright-enforcement, emphasizing its increasingly critical role in shaping our online environment and citizens’ everyday encounters with copyright enclosures. The chapter concludes with reflections on the risks and opportunities presented by AI in the copyright context, and identifies key gaps and questions that remain to be answered as copyright law and policy adjust to evolving AI technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle