生物医学数据集许可标识的分类与对照

1. 目的

数据集页面上的许可标识是一个简短的标签，其含义从精确的法律文书到占位符不等。判断数据集能否复用的规则，需要对每种标签有固定的读法。本文公布 Mdexa 信息卡流水线所用的读法（schema/license-map.json，以及 schema/README.md 判定口径第 11 条），列出它认识的全部标识，展示这些标识在项目数据中出现的频次，并说明如何维护。本文不主张任何许可文本在法律上的含义。

2. 类别与归类依据

规则只认表里的标识（或其不区分大小写的别名）；任何其他标识进入人工判断，经人工决定后补入表中。

表 1　五个类别。表里是五类，因为占位值需要单独一类。

归类遵循判定口径的三条原则：判为宽松须有明确针对数据的声明；限制从宽认定；条件要记录，不能藏在"宽松"二字里。条件取受控值（署名、相同方式共享、禁止演绎、须保留声明、取决于地区或成员资格、须注册或申请）。例如 CC-BY-SA 与 ODbL 的条目带署名和相同方式共享；采用相同方式共享的数据集仍是"宽松"，但其结论句必须写明（第 9 条）。知识共享许可的"禁止演绎"和"非商业"变体为受限。用模型许可证或其他自定义许可标注的条目，标记为自定义许可，暂记受限，并送人工复核（第 18 条）。

3. 完整对照表

下表由 scripts/classify.mjs 根据 schema/license-map.json（1.1 版）写出。"依据"是各条目记录的依据，"来源"是该许可的参考页面。人工判断一列标"是"的条目为暂定。

表格较宽，可左右滑动查看全部列

表 2　许可标识对照表的 84 个条目。

4. 在项目数据中的频次

已发布卡片一行统计的是冻结的首发目录的 43 张卡片（目录此后已扩大）。同一标识在一张卡片上只计一次：作为卡片的许可标识、任一证据条目的标识或仓库许可证出现，均算。

已发布卡片中最常出现的标识（卡片数）： NOASSERTION (26), Apache-2.0 (16), MIT (5), CC-BY-4.0 (4), CC-BY-NC-4.0 (3), GPL-3.0 (2), CC-BY-NC-ND-4.0 (2), LicenseRef-THUDM-ChatGLM-6B-Model-License (1), LicenseRef-all-rights-reserved (1), LicenseRef-wangekxy-commercial (1).

草稿卡中最常出现的标识： NOASSERTION (26), Apache-2.0 (12), CC-BY-4.0 (9), MIT (9), CC-BY-SA-3.0 (3), LicenseRef-PublicDomain (3), CC0-1.0 (3), CC-BY-3.0 (2), CC-BY-SA-4.0 (2), LicenseRef-llama3.1 (2).

表 3　卡片上的标识（完整清单见 figures/stats.json）。NOASSERTION 是状态为冲突、未声明或无法核实时用的占位值，计入"视为未声明"一栏。

草稿集（统计日期 2026-11-13）中有 0 个标识在表外。较早一批草稿生成于平台取值规则与标识对照表完成之前，曾含三个这样的标识（单独的 cc、other 和一个 CDLA 变体）；按现行规则，平台取值归为"视为未声明"，CDLA 标识已在表内。草稿卡是工作文件，随流水线运行而变化；这里的计数只描述所述日期。草稿数量随收录进行而变化；这里的数字固定在统计日期，校验脚本不会拿它与活动目录比对。

5. 容易误读的情形

只陈述标签与文本所写的内容，不下法律结论。

托管平台上的 other 与 unknown。Hugging Face 文档把这两个值都列在许可标识中，并说明对 license: other，应在仓库里的 LICENSE 文件中附上许可文本，并在 license_name 里写名称 [1]。所以这样的取值本身没有指明任何许可。规则把 other、unknown 读作"未声明"，并去找文本。

未指明版本的 cc。同一文档把 cc 列为"Creative Commons license family"（知识共享许可家族）[1]。家族名不说明适用哪一个知识共享许可（各版本在"非商业""禁止演绎"等条件上不同），所以规则在找到具体许可之前，把它读作"未声明"。表里把知识共享许可的地区移植版记为缺项；遇到会进人工判断。

用在数据集上的模型许可。平台的列表中有 llama2、llama3.1、gemma 等标识 [1]，它们指的是为模型权重写的许可。这类标识标注数据集时，规则把数据集标为自定义许可、暂记受限，并请人工复核；本文没有重读这些许可的正文，表中也注明平台标识没有逐一对照许可正文。

软件与文档许可用于数据。GPL、LGPL、AGPL、MPL、EPL、EUPL 与 GFDL 是为软件或文档写的，提供源代码之类的义务并不能干净地对应到数据集。表里把它们送人工判断，而不去猜。

相同方式共享与训练。CC BY-SA 4.0 的条件适用于"Adapted Material"，其定义是 "derived from or based upon" 被许可材料的材料，并要求改编者的许可是 "with the same License Elements, this version or later" 的知识共享许可或兼容许可 [2]。在本文读到的段落中，我们没有找到说明用此类数据训练出的模型是否属于 Adapted Material 的文字。对照表把相同方式共享记为条件，状态保持"宽松带条件"；该条件如何适用于训练，本文不作判断。

数据使用协议。C-UDA-1.0 被归为受限，因为对照表记录的依据是其计算用途限制；O-UDA-1.0 被归为宽松。Hugging Face 把 c-uda 列在其标识中 [1]。

6. 维护与更正

对照表是带版本号的文件。流水线遇到新标识，交给人工，决定连同依据和来源网址补入表中。修改方式是编辑 schema/license-map.json、升版本号与日期，并重新运行判例测试（判例结果随每次构建报告）。更正可以通过指出许可文本和相关条目来提出。表中有三个平台取值（cc、llama3.1、c-uda）曾注明未核实是否为平台正式取值；本文读到的 Hugging Face 文档把这三个都列出了 [1]，所以表里关于它们是否经核实的注释已经过时。

7. 局限

1. 该表记录的是规则如何读取标识，不是法律分析；项目文件中没有记录外部法律审阅。
2. 该表覆盖 84 个标识，缺少知识共享许可的地区移植版，也不试图覆盖整个 SPDX 许可证列表 [3]。
3. 频次描述的是 43 张借助模型整理的已发布卡片和 58 张草稿卡，不代表所有数据集使用标识的情况。
4. 模型许可条目与著佐权条目是暂定的。
5. 条目数与标记数读自所述版本的文件；文件之后可能已有改动。

8. 机器可读的对照表

项目仓库中的 schema/license-map.json（1.1 版，84 条）。每个条目含 id、aliases、class、license_conditions、manual_review、basis（中英文）、url，以及可选的 status_if_used、note、custom_license。同一文件发布在 Mdexa 公开的数据库仓库的 schema/license-map.json。

引用格式

Mdexa Research. A Classification of License Identifiers Observed on Biomedical Datasets. Technical report, not peer reviewed. 2026-11-13. Data version: license map 1.1 (sha256 prefix 9d43d1f41fd2); 43 first-release published cards (frozen; public fingerprint ea894e8472bc, releases/first-release/ in the public repository; identical to the internal archive 9ff1d63a933d except change-log wording); draft cards counted on the stated date.