I november 2024 blev over to millioner offentlige opslag høstet fra det sociale medie Bluesky på et enkelt døgn og lagt åbent på Hugging Face som træningsdata, uden at brugerne vidste det. Jeg har sprogklassificeret alle 2,1 mio. opslag og fundet de danske. Det er almindelige danskeres samtaler om politik, børn, trafik og hverdag, med brugernavn og bruger-ID på hvert eneste opslag.
Opslagene vises ikke her, hverken tekst eller brugernavne. Et ordret citat kan søges tilbage til profilen bag på sekunder, og pointen med denne kortlægning er at dokumentere indsamlingen, ikke at gentage den. Se forklaringen nedenfor.
Bluesky er bygget med en åben firehose, en live-strøm hvor alle offentlige opslag kan aflæses af enhver. Det gør platformen let at skrabe i stor skala. Datasættet her er to millioner opslag opsamlet fra strømmen over cirka et døgn og lagt på Hugging Face, målrettet træning og test af sprogmodeller på indhold fra sociale medier. Hvert opslag indeholder den fulde tekst, tidspunkt, brugerens handle, opslagets URI (hvori brugerens permanente DID indgår), om der er billeder, og hvilket opslag der eventuelt svares på.
Det er første gang denne kortlægning kan vise danskeres SAMTALER som træningsdata. De øvrige sider handler om værker, musik, bøger, billeder, tale. Her er det almindelige menneskers løbende ytringer, holdninger og diskussioner, koblet direkte til en identificerbar profil. 70 procent af de danske opslag er svar i samtaler, altså dialog mellem mennesker.
Datasættets beskrivelse omtaler en udgave med sprogforudsigelser, men den findes ikke blandt filerne. Jeg har derfor kørt sprogklassifikationen selv med præcis den model, beskrivelsen henviser til, glotlid v3 fra cis-lmu, på alle 2.107.530 opslag. 7.814 opslag blev klassificeret som dansk. Med et forsigtigt sikkerhedskrav (confidence mindst 0,8) er tallet 3.753 opslag fra 1.649 profiler, og en manuel stikprøve på 15 opslag på det niveau var dansk i alle 15 tilfælde. Norsk bokmål og svensk klassificeres separat, så tallene er ikke pustet op af nabosprogene. Rå-tallet 7.814 opslag fra 4.668 profiler er en øvre grænse med lavere sikkerhed pr. opslag.
Sprogklassifikation af korte tekster er usikker, korte opslag, blandingssprog og citater kan fejlklassificeres begge veje. Datasættet er ét døgns høst, så tallene siger ikke noget om, hvor mange danske opslag der samlet er høstet fra Bluesky i andre datasæt, herunder de større på op til 298 mio. opslag. Persondata her er brugernavn og bruger-ID. I selve teksterne fandt jeg stort set ingen kontaktoplysninger (4 mailadresser, ingen telefonnumre med kontekst).
Eksemplerne er omskrevne. Ordlyden er ændret, netop så opslagene ikke kan søges tilbage til profilerne bag, men emne og karakter er bevaret.
Opgjort på de 3.753 opslag med høj sikkerhed. Langt de fleste berørte er altså helt almindelige brugere, der tilfældigvis skrev et enkelt opslag i det døgn, høsten stod på.
Datasættet indeholder fuld tekst og brugernavn på hvert opslag, og intet er anonymiseret. Men et ordret citat kan slås op i Blueskys egen søgning og føre direkte til personen bag, og et brugernavn er i sig selv en identifikation. At gengive opslagene her ville reproducere præcis den eksponering, siden dokumenterer.
Derfor vises kun optællinger, mønstre og omskrevne eksempler. Det følger samme princip som resten af kortlægningen, navngivne selskaber og professionelle rettighedshavere nævnes, privatpersoner gør ikke. Datatilsynet er underrettet om kortlægningens persondatafund.