Mining, Scraping, Training, Generating: Copyright Implications of Generative <scp>AI</scp>
Notice bibliographique
Résumé
ABSTRACT Generative AI (GenAI) impacts the ways we create, engage with, and understand creative and intellectual works. These new forms of sociotechnical (inter)action pose challenges for existing legal regimes, ethical frameworks, and social relationships. This research undertakes an in‐depth copyright analysis of GenAI based on U.S. law, focusing on its fair use doctrine and conceptions of transformation. This work finds that courts' characterization of uses as primarily either “expressive” or “mediating” is an important, though often implicit, factor in their decisions. Furthermore, while “transformative use” has dominated fair use decisions for the past thirty years, findings from this research suggest that GenAI may usher in a renewed emphasis on the doctrine's market harms element which, in application, may be dispositive with respect to GenAI outputs. This work concludes by offering recommendations aimed at clarifying that the value of copyright arises from social and relational aspects of creative practice and sociotechnical transformation. Arguments and rationales that (over)emphasize atomization and algorithmic decontextualization of the material properties of creative works are unlikely to attend to the underlying purpose of the Act: “[t]o promote the Progress of Science and the useful Arts”.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,017 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».