非洲低资源语言语料库许可兼容性分析：开源背后的法律陷阱

在非洲低资源语言的自然语言处理研究中，Creative Commons（CC）许可协议已成为语料库发布的主流选择。然而，最新研究揭示了一个严峻的现实：这些许可协议的兼容性规则在实践中极少被正确应用。CC-BY-SA（署名-相同方式共享）与CC-BY-NC（署名-非商业性使用）两种许可无法在同一数据集中合并使用，而“禁止演绎”（NoDerivs）条款则隐性地禁止了分词和标注等基础处理操作。

研究团队对非洲NLP领域使用的二十多个语料库系列进行了许可溯源审计，构建了六层级的兼容性矩阵，并以基图巴/穆努库图巴语、扎尔马语和莫雷语三种语言为案例进行分析。研究发现了四种典型的许可失败模式：

1. 明确禁止使用：JW300语料库因违反服务条款，在法务审计后已从OPUS平台移除。

2. 复合许可误标：WAXAL语料库声称采用CC-BY 4.0许可，但其HuggingFace数据集卡片内容与此相矛盾。

3. 隐藏禁止演绎条款：Tanzil语料库在CC-BY标签下隐藏了NoDerivs条款。

4. 数据持久性失效：刚果广播语料库405个源URL中已有402个失效。

论文最后提出了预标注尽职调查清单，并调研了法律合规的数据增强机会。这项研究为非洲语言资源建设者敲响了警钟：开源许可的复杂性不容忽视，否则可能引发严重的法律后果。