論文の概要: Open but Incompatible: A License Compatibility Analysis of Corpora for Low-Resource African Languages

• arxiv url: http://arxiv.org/abs/2606.28867v1
• Date: Sat, 27 Jun 2026 11:16:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.72116
• Title: Open but Incompatible: A License Compatibility Analysis of Corpora for Low-Resource African Languages
• Title（参考訳）: オープンだが互換性がない:低リソースのアフリカ言語コーパスのライセンス互換性解析
• Abstract要約: クリエイティブ・コモンズ・ライセンスはアフリカのNLPコーパス・コーパス・リリースを支配しているが、それらの互換性・ルールはほとんど適用されない。 本稿では,アフリカNLPで使用されている20以上のコーパスファミリーのライセンス証明を監査し,6層互換行列を構築し,ケーススタディ言語3言語に適用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Creative Commons licenses dominate African NLP corpus releases, but their compatibility rules are rarely applied. CC-BY-SA and CC-BY-NC cannot be combined in a single published dataset; a NoDerivs clause silently prohibits tokenisation and annotation. This paper audits the license provenance of over twenty corpus families used in African NLP, constructs a six-tier compatibility matrix, and applies it to three case-study languages: Kituba/Munukutuba, Zarma, and Moore. Four failure modes are documented with primary-source evidence: outright prohibition (JW300, removed from OPUS after a legal audit confirmed Terms of Service violation); composite license misrepresentation (WAXAL, whose CC-BY 4.0 claim is contradicted by its own HuggingFace dataset card); a NoDerivs clause hidden behind a CC-BY label (Tanzil); and data persistence failure (the Congolese Radio Corpus, where 402 of 405 source URLs are now dead). A pre-annotation due diligence checklist and a survey of legally clean enrichment opportunities close the paper.
• Abstract（参考訳）: クリエイティブ・コモンズ・ライセンスはアフリカのNLPコーパス・コーパス・リリースを支配しているが、それらの互換性・ルールはほとんど適用されない。 CC-BY-SAとCC-BY-NCは単一のデータセットでは組み合わせられず、NoDerivs節はトークン化とアノテーションを静かに禁止している。 本稿ではアフリカNLPで使用される20以上のコーパスファミリーのライセンス証明を監査し、6階層の互換性行列を構築し、3つのケーススタディ言語(kiuba/Munukutuba, Zarma, Moore)に適用する。 outright banion (JW300, removed from OPUS after a legal audit confirmed Terms of Service violation), Composite license misrepresentation (WAXAL, that CC-BY 4.0 claims is contradicted by its own HuggingFace dataset card), NoDerivs clause hidden behind a CC-BY label (Tanzil), data persistence failure (405ソースURLが現在死んだコンゴレス無線コーパス)。 論文を締めくくくっているのは、事前注釈によるデュー・ディリジェンス・チェックリストと法的にクリーンなエンリッチメントの機会の調査である。

関連論文リスト

• Watermarks Without Verification: AI Text Watermarking After the EU AI Act [49.51124343181601]
  EU AI法第50条では、生成可能なAIプロバイダに対して、システムが生成したコンテンツをマークし、AI生成として検出することを要求している。 Anthropicは、その日後にリリースされたすべてのClaudeモデルが、すべての生成されたテキストにSynthID-Textに基づく透かしを埋め込んでいることを公表した。 我々は、現在、異議や保証は確認できないし、この不信は、それ自体を透かしではなく、実質的なガバナンスの失敗であると論じている。
  論文  参考訳（メタデータ） (2026-09-09T01:56:17Z)
• ITPEval: Benchmarking Formal Translation Across Interactive Theorem Provers [77.95933562142014]
  ITPEvalは、4つの主要なIPP間で自動形式証明翻訳を評価するための最初のベンチマークである。 itpevalは、状態が分離されたウォームバックエンドを備えた、統合されたマルチITP認証インフラストラクチャです。
  論文  参考訳（メタデータ） (2026-07-07T22:05:55Z)
• Phantom References: Hallucinated Citations That Survive Peer Review at Top-Tier Conferences [4.766369673059568]
  我々は、ICLR、ICML、NeurIPS、USENIX Securityから受理されたカメラ対応の論文にRefCheckerを適用する。 我々は、保守的な定義を用いて、ピアレビューされた手続きにおける引用幻覚を測定する。 結果は、ピアレビューだけでは引用整合性を確実に強制しないが、監査は難航していることを示唆している。
  論文  参考訳（メタデータ） (2026-07-01T10:21:07Z)
• Formal-Method-Guided Vibe Coding: Closing the Verification Loop on AI-Generated Safety-Critical Software Through Model-Driven Engineering [40.048798975817924]
  バイブコーディングは高速で、低臨界のコンシューマソフトウェアには適しています。 DO-178C、IEC 61508、ISO 26262によって管理される安全クリティカルなシステムでは、認証への道は提供されない。 フォーマルな検証を通じてビブコーディングをガイドするクローズドループパイプラインであるForgeを紹介します。
  論文  参考訳（メタデータ） (2026-06-21T10:01:45Z)
• ImmigrationQA: A Source-Grounded Dataset and Small-Model Adaptation for U.S. Immigration Law [0.0]
  本稿では、17,058対の質問応答データセットであるImmigrationQAの構築について述べる。 コーパスは11の一次および二次のソースから組み立てられた。 微調整モデルを993対の保留分割に対して評価した。
  論文  参考訳（メタデータ） (2026-05-28T21:36:18Z)
• Generating Legal Commentaries from Case Databases via Retrieval, Clustering, and Generation [8.81921009098836]
  我々は,裁判所決定の膨大なコレクションを法令の法的注釈に変換する完全自動化パイプラインを提案する。 段落レベルのチャンクを抽出し、それらの推論を要約し、組込み、クラスタ化されたキーワードを導出する。 以上の結果から,裁判所の決定から報告を生成するためのコメントのような議論は,最小限のコストで数分以内にリフレッシュできることが示唆された。
  論文  参考訳（メタデータ） (2026-05-23T12:07:29Z)
• To Redact, or not to Redact? A Local LLM Approach to Deliberative Process Privilege Classification [0.2979301924660567]
  我々は、FOIA Exemption 5の熟考プロセス特権のための自動感度分類を行うための先行研究に基づいて構築する。 我々は、小型でローカルなモデルで、コンシューマグレードのハードウェアにデプロイ可能な感度分類を行う。 評定として予測される文には、意見の表現を示す動詞がもっと多く含まれていることが分かる。
  論文  参考訳（メタデータ） (2026-05-11T08:55:09Z)
• LAMUS: A Large-Scale Corpus for Legal Argument Mining from U.S. Caselaw using LLMs [0.5830619388189558]
  本稿は、アメリカ合衆国最高裁判所の決定とテキサス州の刑事法定の意見から構築された、刑期レベルの法的議論採掘コーパスであるLAMUSを紹介する。 データセットは、大規模なケースコレクション、自動アノテーション、ターゲットとする人間のループ品質改善を組み合わせた、データ中心のパイプラインを使用して作成される。
  論文  参考訳（メタデータ） (2026-03-09T12:01:42Z)
• The German Commons - 154 Billion Tokens of Openly Licensed Text for German Language Models [41.865590656976316]
  ドイツ・コモンズ(ドイツ語: German Commons)は、ドイツで公にライセンスされたテキストのコレクションである。 41のソースから7つのドメインにまたがるデータをコンパイルし、法律、科学、文化、政治、ニュース、経済、ウェブテキストを含む。
  論文  参考訳（メタデータ） (2025-10-15T18:24:26Z)
• ToxSyn-PT: A Large-Scale Synthetic Dataset for Hate Speech Detection in Portuguese [37.69303106863453]
  ToxSyn-PTは、きめ細かいヘイトスピーチ分類を可能にする最初の大規模なポルトガルのコーパスである。 データセットには、マイノリティグループと毒性ラベルに等しく分散された53,274の合成文が含まれている。
  論文  参考訳（メタデータ） (2025-06-11T23:59:29Z)
• Unlocking Legal Knowledge: A Multilingual Dataset for Judicial Summarization in Switzerland [7.350131318516811]
  我々はスイス連邦最高裁判所の20万件の判決を含むスイスのランドマーク決定要約データセットを紹介する。 我々は、オープンモデルを微調整し、それらをより大きな汎用および推論調整 LLM と比較する。 細調整されたモデルは語彙的類似性において良好に機能し、大きなモデルはより法的に正確で一貫性のある要約を生成する。
  論文  参考訳（メタデータ） (2024-10-17T11:34:07Z)
• The Cambridge Law Corpus: A Dataset for Legal AI Research [39.46419979211015]
  法的なAI研究のためのデータセットであるCambridge Law Corpus (CLC)を紹介する。 英国から250,000件以上の訴訟が起こっている。 ほとんどのケースは21世紀のものであるが、コーパスには16世紀のものが含まれる。
  論文  参考訳（メタデータ） (2023-09-21T17:24:40Z)
• SILO Language Models: Isolating Legal Risk In a Nonparametric Datastore [159.21914121143885]
  推論中にこのリスクパフォーマンストレードオフを管理する新しい言語モデルであるSILOを提案する。 SILOは(1)オープンライセンスコーパス(OLC)上でパラメトリックLMをトレーニングすることで構築されます。 データストアへのアクセスはドメインのパフォーマンスを大幅に改善し、PileでトレーニングされたLMでパフォーマンスギャップの90%を閉じる。
  論文  参考訳（メタデータ） (2023-08-08T17:58:15Z)
• Unlearnable Examples Give a False Sense of Security: Piercing through Unexploitable Data with Learnable Examples [42.112304895919735]
  textitunlearnable example (UE) は、近年、説得力のある保護として提案されている。 UEは、認証されていないユーザーが他の保護されていないデータを利用して保護を取り除くのを止めることができないため、セキュリティの誤った感覚を提供する。 我々は、保護を取り除いたUEであるtextitlearnable unauthorized example (LE)を紹介した。
  論文  参考訳（メタデータ） (2023-05-16T07:40:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。