Copyright in the age of artificial intelligence: Navigating access to algorithmic training materials and the three‐step test for text and data mining in Nigeria
Notice bibliographique
Résumé
Abstract Over the past decade, the Nigerian government has sought to leverage Artificial Intelligence (AI) to drive socio‐economic transformation and improve the welfare of its citizenry. Recent initiatives, such as the establishment of the National Centre for AI and Robotics (NCAIR) and the development of several strategic AI policies, highlight the country's commitment to this objective. This article explores the often‐overlooked issue of how the Nigeria's copyright regime hinders these initiatives, revealing that the regime permits only fair dealing and the transient or incidental reproductions of copyrighted materials for limited technological purposes. This study argues that this regime is unduly restrictive for algorithmic training and risks stifling AI innovation and the development of machine‐learning models in Nigeria. It recommends adopting a bespoke text and data mining (TDM) exception tailored to Nigeria's needs, allowing the use of copyrighted works for training AI models and machine learning activities within defined limits. Drawing on comparative analyses of copyright frameworks in jurisdictions such as Singapore, Japan, the United Kingdom, and the European Union, this study demonstrates that the proposed TDM exception aligns with the three‐step test under international copyright conventions. For instance, the exception is limited to specific users and types of reproductions, applies only to internalized and transformative reproductions, and avoids traditional methods of exploiting copyrighted works that prejudice the legitimate interests of rightsholders. The ultimate goal of this exception is to recalibrate Nigeria's copyright system to justly balance AI innovation with authors' rights, aligning it with foundational principles of the international copyright system in an era of rapid technological advancements.
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 | 0,009 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,017 |
| Communication savante | 0,012 | 0,014 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».