Projeto Alexandria: Rumo à Liberação do Conhecimento Científico dos Ônus de Direitos Autorais por Meio de Modelos de Linguagem de Longo Prazo (LLMs)

Project Alexandria: Towards Freeing Scientific Knowledge from Copyright Burdens via LLMs

February 26, 2025

Autores: Christoph Schuhmann, Gollam Rabby, Ameya Prabhu, Tawsif Ahmed, Andreas Hochlehnert, Huu Nguyen, Nick Akinci Heidrich, Ludwig Schmidt, Robert Kaczmarczyk, Sören Auer, Jenia Jitsev, Matthias Bethge

cs.AI

Resumo

Barreiras de pagamento, licenças e regras de direitos autorais frequentemente restringem a ampla disseminação e reutilização do conhecimento científico. Defendemos a posição de que é tanto legal quanto tecnicamente viável extrair o conhecimento científico em textos acadêmicos. Métodos atuais, como incorporação de texto, falham em preservar de forma confiável o conteúdo factual, e simples parafraseamentos podem não ser juridicamente sólidos. Instamos a comunidade a adotar uma nova ideia: converter documentos acadêmicos em Unidades de Conhecimento usando LLMs. Essas unidades utilizam dados estruturados que capturam entidades, atributos e relacionamentos sem conteúdo estilístico. Apresentamos evidências de que as Unidades de Conhecimento: (1) constituem um arcabouço legalmente defensável para compartilhar conhecimento de textos de pesquisa protegidos por direitos autorais, com base em análises legais da lei de direitos autorais alemã e da doutrina de Fair Use dos EUA, e (2) preservam a maioria (~95%) do conhecimento factual do texto original, medido pelo desempenho em questões de múltipla escolha sobre fatos do texto original protegido por direitos autorais em quatro domínios de pesquisa. Libertar o conhecimento científico dos direitos autorais promete benefícios transformadores para a pesquisa científica e educação, permitindo que modelos de linguagem reutilizem fatos importantes de textos protegidos por direitos autorais. Para apoiar isso, compartilhamos ferramentas de código aberto para converter documentos de pesquisa em Unidades de Conhecimento. No geral, nosso trabalho postula a viabilidade de democratizar o acesso ao conhecimento científico respeitando os direitos autorais.

English

Paywalls, licenses and copyright rules often restrict the broad dissemination and reuse of scientific knowledge. We take the position that it is both legally and technically feasible to extract the scientific knowledge in scholarly texts. Current methods, like text embeddings, fail to reliably preserve factual content, and simple paraphrasing may not be legally sound. We urge the community to adopt a new idea: convert scholarly documents into Knowledge Units using LLMs. These units use structured data capturing entities, attributes and relationships without stylistic content. We provide evidence that Knowledge Units: (1) form a legally defensible framework for sharing knowledge from copyrighted research texts, based on legal analyses of German copyright law and U.S. Fair Use doctrine, and (2) preserve most (~95%) factual knowledge from original text, measured by MCQ performance on facts from the original copyrighted text across four research domains. Freeing scientific knowledge from copyright promises transformative benefits for scientific research and education by allowing language models to reuse important facts from copyrighted text. To support this, we share open-source tools for converting research documents into Knowledge Units. Overall, our work posits the feasibility of democratizing access to scientific knowledge while respecting copyright.