Progress in Natural Language Processing Technologies: Regulating Quality and Accessibility of Training Data

Обложка

Цитировать

Полный текст

Аннотация

Progress in natural language processing technologies (NLP) is a cardinal factor of major socioeconomic importance behind innovative digital products. However, inadequate legal regulation of quality and accessibility of training data is a major obstacle to this technological development. The paper is focused on regulatory issues affecting the quality and accessibility of data needed for language model training. In analyzing the normative barriers and proposing ways to remove them, the author of the paper argues for the need to develop a comprehensive regulatory system designed to ensure sustainable development of the technology.

Об авторах

I. Ilyin

Saint Petersburg State University

Автор, ответственный за переписку.
Email: i.g.ilin@spbu.ru

Список литературы

  1. Dash N.S., Arulmozi S. (2018) History, features, and typology of language corpora. Singapore: Springer, p. 291.
  2. Feng Z. (2023) Formal analysis for natural language processing: a handbook. Berlin: Springer Nature, pp. 7,8, 25.
  3. Gavrilov E.P. (2009) Copyright and the content of artistic work. Patenty i litsenzii=Patents and Licenses, no. 7, pp. 31–38 (in Russ.)
  4. Glauner P. (2024) Technical foundations of generative AI models. Legal Tech — Zeitschrift für die digitale Anwendung, pp. 24–34.
  5. Goldberg Y. (2017) Features for textual data. In: Neural network methods for natural language processing. Cham: Springer, pp. 65–76.
  6. Gracheva D.A. (2023) Free use of copyright and related rights in the context of development of digital technologies in Russia. Trudy po intellektualnoy sobstvennosti=Works on Intellectual Property, vol. 45, no. 2, pp. 44–52 (in Russ.)
  7. Hacker P. (2021) A legal framework for AI training data—from first principles to the Artificial Intelligence Act. Law, Innovation and Technology, vol. 13, no. 2, pp. 257–301.
  8. Hirschberg J., Manning C.D. (2015) Advances in natural language processing. Science, vol. 349, no. 6245, pp. 261–266.
  9. Kashanin A.V. (2010) Development of ideas on the form and content of works in the copyright doctrine. The problem of protectability of research works. Vestnik grazhdanskogo prava=Bulletin of Civil Law, vol. 10, no. 2, pp. 68–138 (in Russ.)
  10. Kelli A., Vider K., Lindén K. (2016) The regulatory and contractual framework as an integral part of the CLARIN infrastructure. CLARIN Annual Conference. Linköping University Electronic Press, pp. 13-24. Available at: https://helda.helsinki.fi/server/api/core/bitstreams/1f7b8a3c-790c-4e66-9677-f5f9aca785d6/content (accessed: 04.07.2024)
  11. Khyani D. et al. (2021) An interpretation of lemmatization and stemming in natural language processing. Journal of Shanghai University for Science and Technology, vol. 22, no. 10, pp. 350–357.
  12. Kolain M., Grafenauer C., Ebers M. (2021) Anonymity assessment-a universal tool for measuring anonymity of data sets under the GDPR with a special focus on smart robotics. Rutgers Computer & Technology Law Journal, vol. 48, p. 174.
  13. Kolzdorf M.A. (2021) Free use of the items subject to copyright and related rights in Big Data processing. Zakon=Law, no. 5, pp. 142–164 (in Russ.)
  14. Li T.C. (2022) Algorithmic destruction. Southern Methodist University Law Review, vol. 75, pp. 480-505. DOI: https://doi.org/10.25172/smulr.75.3.2
  15. Lythreatis S. et al. (2022) The digital divide: a review and future research agenda. Technological Forecasting and Social Change, vol. 175, pp. 1–11.
  16. Mushakov V.E. (2022) Constitutional human rights in the context of addressing the digital divide. Vestnik Sankt-Petersburgskogo universiteta MVD=Bulletin of Saint Petersburg University of Interior Ministry, no. 1, pp. 69–73 (in Russ.)
  17. Oostveen M. (2016) Identifiability and the applicability of data protection to big data. International Data Privacy Law, vol. 6, no. 4, pp. 299–309.
  18. Rahman A. (2020) Algorithms of oppression: how search engines reinforce racism. New Media & Society, vol. 22, no. 3, pp. 575–577. DOI: https://doi.org/10.1177/1461444819876115.
  19. Rogers S.E. (2016) Bridging the 21st century digital divide. TechTrends, vol. 60, no. 3, pp. 197–199.
  20. Russo A., Proutiere A. (2021) Poisoning attacks against data-driven control methods. 2021 American Control Conference (ACC). IEEE, pp. 3234–3241. Available at: https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9482992 (accessed: 04.07.2024). doi: 10.23919/ACC50511.2021.9482992.
  21. Schneier B. (2015) Data and Goliath: the hidden battles to collect your data and control your world. N.Y.: Norton, 448 p.
  22. Truyens M., Van Eecke P. (2014) Legal aspects of text mining. Computer Law & Security Review, vol. 30, no. 2, pp. 153–170.
  23. Zhou M. et al. (2020) Progress in neural NLP: modeling, learning, and reasoning. Engineering, vol. 6, no. 3, pp. 275–290.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».