创意作家对写作的态度作为大型语言模型的训练数据

研究背景与问题

• 发现的问题或挑战： 本论文指出，大型语言模型（LLMs）在未经创意作者同意和补偿的情况下使用其创作作品作为训练数据，这一行为引发了广泛的争议。许多创意写作者对这种未经许可的使用表达了愤怒，并认为这对著作权是一种侵害。此外，这种行为也加剧了创意产业中的权力失衡。

• 为什么重要： 创意作品（如小说、回忆录和诗歌）是语言模型训练数据中非常有价值的一部分，在实验中被证明提升了语言模型的生成能力。然而，这些作品的非自愿使用不仅创造了法律和伦理问题，还严重扰乱了创意写作领域的生态。研究创意写作者对使用其作品作为训练数据的态度，对于制定公平和可持续的数据收集和使用策略至关重要。

• 研究动机与相关工作： 随着生成式AI技术的发展，通过爬取互联网或其他来源数据训练模型的伦理问题逐渐显现，特别是涉及版权保护的创意作品。同时，相关研究已经探讨了使用社交媒体数据的伦理以及如何遵循数据主体的视角，为本研究提供了理论基础。本研究旨在从创意写作者的角度出发，探讨其对全部或部分作品被用于LLM训练数据的态度。

解决方案

• 提出的方法或解决方案： 作者采用了扎根理论（Grounded Theory）方法，对33位创意写作者进行了深度访谈。研究目标包括理解写作者如何处理作品被用作训练数据的现状以及在什么条件下愿意允许作品使用。

• 创新之处： 作者采用多视角的方法对创意写作者的态度进行了定性分析，包括写作类型（小说、诗歌、非虚构等）、出版方式（自出版、传统出版等）、职业化程度（主要从写作收入维生与否）以及对LLM的使用及熟悉程度。这种综合研究方法形成了对创意写作者态度的系统性理解。

• 实施步骤与关键技术：

  1. 数据收集： 通过访谈获取创意写作者的观点，访谈内容涉及对作品被训练数据使用的态度、条件以及对行业影响的预期等。
  2. 分析方法： 使用扎根理论的编码技术，初始采用开放编码（open coding），随后根据主题进行轴向编码（axial coding），归纳核心类别。
  3. 主题发展： 聚焦创意链、尊重与人性化、现实预期（包括对行业冲击和模型训练规模的理解）。
  4. 对比讨论： 借助具体情景假设，进一步探讨写作者在不同条件下的态度（如补偿模式、信用标记、是否允许训练模型用于商业用途）。

研究成果

• 具体成果： 通过访谈，作者发现：

  • 写作者对创意链的认可：他们支持艺术创作之间的交流和启发，但对LLM是否应成为创意链的一部分存有疑问。
  • 对尊重的需求：写作者认为使用创意作品需要体现对其劳动的尊重，这可以通过补偿、信用标记或参与决策等方式实现。
  • 对人性与写作的看法：写作是一种人类独特的活动，与LLM生成的文本本质不同，后者缺乏情感和社交背景。

• 与现有解决方案对比的优势：

  • 本研究直接从创意写作者的视角出发，进行扎根理论分析，与法律视角或技术视角的探讨形成补充。
  • 研究不仅探讨了写作者对当前LLM的大量数据训练实践的道德和伦理批评，更深入挖掘了他们对创意产业未来发展的忧患。

• 实验或评估结果： 研究揭示了写作者对使用作品作为训练数据的条件提出了相对统一的观点，例如他们认为需要：

  • 补偿的公平合理性（但意识到由于训练数据规模较大，实际补偿可能微不足道）。
  • 明确的数据用途限制，诸如非竞争性用途或教育领域的使用。
  • 提供对模型运行机制的透明性。

• 局限性与未来方向：

  • 局限性：
    • 研究仅聚焦于北美地区的写作者，对全球写作者的态度可能缺乏代表性。
    • 由于语言模型训练数据规模庞大，写作者贡献的占比往往很小，其条件谈判权可能在实际操作中受到限制。
  • 未来方向：
    • 开发技术以实现更强的版权保护，例如数据溯源与水印技术，使写作者能感知其作品是否被用于训练。
    • 探讨如何构建社区驱动的数据集，以提供主动参与的渠道，同时尊重数据主体的权益。

本研究拓展了对创意写作者的理解，强调了LLM的训练数据实践与创意产业伦理之间的矛盾，并为政策制定与技术研发提供了方向性建议。