A Window into Generative Artificial Intelligence Under Copyright Law & Policy in Canada
Notice bibliographique
Résumé
Generative artificial intelligence alters and challenge existing sociotechnical practices and regulatory schemes. This research provides a window into current the Canadian copyright law and policy context, offering insights derived existing precedent as well as ongoing informal and de facto policymaking processes. Key issues addressed include the copyright implications of text and data mining, training model inputs and outputs, transparency, licensing, and data curation. This work provides insights and guidance on where future policymaking efforts and reforms are most needed. Perspective sur l'intelligence artificielle générative sous la loi et les règlements sur le droit d'auteur au Canada RésuméL'intelligence artificielle générative (IAgen) remet en question, et altère les pratiques socio-techniques et les systèmes de réglementation. Cette étude permet de mettre en perspective le contexte entourant la loi et les politiques sur le droit d'auteur au Canada par rapport à l'IAgen, elle permet de comprendre les antécédents légaux et les initiatives de mise en place de politiques. Les principales problématiques abordées incluent; la nature variée des processus de mise en place de politiques, les implications de l'exploitation de texte et de données (TDM) et des modèles de formation de l'IAgen par rapport à la propriété intellectuelle, les rôles évolutifs de l'accréditation et du stockage des données, puis les considérations éthiques concernant la transparence. Cette étude offre une perspective de l'état actuel de la loi canadienne sur le droit d'auteur à propos de l'IA et offre des conseils quant aux futurs projets de mise en place de politiques et de réformes qui sont le plus importantes. Mots-clésPolitiques; Droit d'auteur; Intelligence artificielle
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 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 | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,009 |
| Science ouverte | 0,004 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».