Snart kan bacheloroppgaven din bli brukt til å trene KI-modeller

KI-forskere ved NTNU og andre norske universiteter etterlyser mulighet til å bruke akademiske tekster til å trene norske språkmodeller. Chatgpt og andre globale modeller snakker norsk, men de enorme datamengdene de fores med er i forsvinnende liten grad norske. Derfor har blant annet forskere ved Norwai tatt til orde for å gjøre det mulig å trene såkalte domenespesifikke, norskspråklige modeller på norske data.

Han har foten på gasspedalen – bør han også passe bremsen?

En av dem som har vært særlig opptatt av dette, er postdoktor Lars Bungum, tilknyttet Norwai. Han peker på at Norge er i en unik posisjon her, ved at her er samlet store mengder akademiske tekster i én, nasjonal database. Men denne får han og andre forskere ikke tilgang til.

Direktør for NTNU Universitetsbibliotek, Anna Løken sier universitetets jurister skal gjøre en konkret vurdering når det gjelder studentoppgavene de har i sine arkiver.

– Sikt har gjort en kjempejobb

Studentene har som hovedregel opphavsrett til sine egne oppgaver. Selv om NTNU har rett til å publisere en oppgave i et åpent arkiv, innebærer ikke dette automatisk rett til å bruke den som treningsmateriale for KI.

– Det paradoksale er at Sikt egentlig har gjort en kjempejobb. De har samlet og strukturert akademiske tekster fra hele Norge. NTNU har ikke lenger sitt eget arkiv slik vi hadde tidligere, sier Bungum.

Det som før var NTNU Open, er erstattet av en nasjonal løsning hos Sikt.

– Da jeg henvendte meg til Sikt og spurte om å få bruke disse dataene, fikk jeg nei. Begrunnelsen var at Sikt ikke har rettighetene til å gi oss slik tilgang. Og her kommer det store paradokset: All den akademiske teksten vi snakker om, ligger jo allerede på nettet, sier han.

Går du tjenestevei får du nei

Et annet paradoks er at lovverket slik det er formulert i dag, og som har til mål å verne rettighetshaver, i prinsippet kan ende opp med det motsatte. Bungum:

– Dersom de store, globale teknologiselskapene hadde ønsket å laste ned disse tekstene, kunne de bare gjort det. Tekstene ligger åpent tilgjengelig, men dersom du går tjenestevei og spør om å få bruke dem, får du nei.

Det er snakk om høykvalitets data, poengterer han – tusenvis av studentoppgaver, på master– og bachelornivå, skrevet på norsk. I motsetning til data man skraper fra det åpne nettet, er dette høykvalitetstekster.

– Det kan være en bacheloroppgave om bokfink, dompap eller andre spesielle emner. Enkelte fenomener og fagområder er kanskje bare grundig beskrevet på norsk i akademiske tekster, forteller han.

Bacheloroppgaver gir unik tilgang

Bungum viser til erfaringer fra Island, hvor forskere oppdaget at selv bacheloroppgaver kunne forbedre islandske språkmodeller. Forklaringen var at oppgavene inneholdt beskrivelser av fenomener som ikke var omtalt andre steder på islandsk. Det samme bør gjelde også for det norske språket.

– Norske bachelor- og masteroppgaver kan inneholde faglige beskrivelser, terminologi og kunnskap som ellers er dårlig representert i språkmodellenes treningsdata. Dette gjelder særlig smale fagområder, sier han.

Men slik lovverket tolkes i dag, må rettighetshaver gi eksplisitt tillatelse til at oppgaven anvendes til TDM, text and data mining. EUs lovgivning på området åpner for unntak for TDM, men NTNUs jurister har valgt en forsiktig tilnærming, i påvente av at dette skal bli eksplisitt tillatt også her til lands.

Nytt EU-direktiv

Nå later dette til å skje. Den 12. november får Stortinget seg forelagt proposisjon 41LS, hvor det foreslås endringer i åndsverksloven som legger til rette for innføring av blant annet EUs digitalmarkedsdirektiv. Under kapittel 4 heter det:

«For forsknings- og undervisningsinstitusjoner og kulturarvinstitusjoner vil de nye bestemmelsene om tekst- og datautvinning i forslaget til §§ 50 e og 50 f og om bruk av verk som ikke lenger er i handelen i forslaget til §§ 49 a, 50 a, 50 b og 50 c, åpne for enklere tilgang til og bruk av digitale verk og vernede arbeider. Dette vil ha positive konsekvenser for disse institusjonene.»

Forslaget inneholder to bestemmelser av særlig betydning:

• § 50 e: En generell adgang til tekst- og datautvinning fra lovlig tilgjengelige verk, dersom rettighetshaver ikke har reservert seg.

• § 50 f: En særskilt adgang for forsknings- og kulturarvinstitusjoner til tekst- og datautvinning for forskningsformål fra verk de har lovlig tilgang til.

Sak for juristene

Det er imidlertid ingen automatikk i at om lovframlegget vedtas som det står, gir Bungum og andre forskere automatisk tilgang. Kommer NTNU til å gjøre et framstøt for å få gitt forskerne slik tilgang?

– Vi vil la våre jurister foreta en konkret vurdering når det gjelder studentoppgavene vi har i vårt arkiv. Det får vi komme tilbake til, svarer direktør for NTNU Universitetsbibliotek, Anna Løken.

– Kan du si noe om hvilke momenter dere vil legge vekt på når dere vurderer saken?

– Som universitetsbibliotek har vi stor respekt for opphavsretten. Den må vurderes opp mot forskernes behov. 

– Kommer dere til å ta kontakt med studentorganisasjonene, og høre hva de synes om at studentoppgaver skal gjøres tilgjengelig som treningsmateriale for norske språkmodeller?

– Det vil vi gjøre. Så vil vi også vurdere om et eventuelt vedtak om tilgjengeliggjøring skal gis tilbakevirkende kraft. Om det for framtida legges opp til at studentene må ta et eksplisitt forbehold mot at oppgaven brukes som TDM, er det jo ikke slik i dag. Her er det viktige problemstillinger som må vurderes, sier Anna Løken.

Bungum framholder at spørsmålet om opphavsrett til åndsverk er noe han og hans kolleger ikke tar lett på, for studenter og for ansatte.

– Hensynet til opphavsrett og kompensasjon er en løpende diskusjon. Det er helt rimelig at man vurderer dette.  Dette er imidlertid ikke til hinder for at norske universiteter kan undersøke verdien av å trene på akademisk tekst, sier Lars Bungum.