QUAND L’ALGORITHME REDÉFINIT LA NOTION D’OEUVRE D’ART, L’HEURE EST-ELLE PROPICE POUR REPENSER LES FONDEMENTS DU DROIT D’AUTEUR ?
Bibliographic record
Abstract
Alors qu’un large consensus doctrinal et jurisprudentiel semble se former pour refuser aux oeuvres générées par l’intelligence artificielle le bénéfice de la protection par le droit d’auteur, il devient nécessaire d’en réinterroger les fondements. Car derrière ce refus se joue bien plus qu’un simple débat : c’est la rencontre, parfois heurtée, entre un droit façonné pour l’humain et une création qui s’émancipe désormais de lui. Repenser cette relation, c’est reconnaître que le droit d’auteur, pour demeurer vivant, doit savoir dialoguer avec son temps. L’enjeu n’est donc pas seulement de déterminer si l’intelligence artificielle peut « créer », mais de comprendre comment elle transforme notre manière même de concevoir la création. En retraçant les zones de friction entre l’humain et la machine, nous cherchons à éclairer le chemin d’une refonte équilibrée du droit d’auteur, une refonte qui préserve son âme humaniste tout en embrassant les formes nouvelles de la créativité contemporaine. C’est à cette exploration, à la fois juridique et humaine, que se consacre notre réflexion.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.004 | 0.016 |
| Scholarly communication | 0.012 | 0.018 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.024 | 0.009 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".