یک توسعه‌دهنده با نام مستعار hashfunction، متادیتای حدود ۵.۶ میلیارد ویدیوی عمومی تیک‌تاک را به‌صورت رایگان در مخزن هوش مصنوعی Hugging Face منتشر کرده است؛ اقدامی که توجه‌ها را به ارزش داده‌های شبکه‌های اجتماعی برای توسعه مدل‌های هوش مصنوعی و همچنین محدودیت‌های حقوقی و قراردادی گردآوری خودکار داده‌ها جلب کرده است.
این مجموعه با حساب کاربری datasocial منتشر شده و بازه زمانی آن از ژوئیه ۲۰۱۴ تا اکتبر ۲۰۲۶ را پوشش می‌دهد. داده منتشرشده شامل خود ویدیوها نیست، بلکه متادیتای مربوط به آن‌هاست؛ یعنی اطلاعاتی که درباره هر پست ثبت شده و می‌تواند برای تحلیل محتوا و میزان تعامل کاربران استفاده شود.
چه اطلاعاتی در مجموعه وجود دارد؟
هر ردیف از این داده‌ها می‌تواند شامل کپشن، هشتگ‌ها، شناسه صدای استفاده‌شده، متن روی تصویر، شناسه محصول و فروشنده در TikTok Shop و شمارش بازدید، پسندیدن، نظر، اشتراک‌گذاری، ذخیره و دانلود باشد. برخی برچسب‌های داخلی تیک‌تاک نیز در مجموعه دیده می‌شود؛ از جمله این‌که آیا ویدیو به‌عنوان تولیدشده با هوش مصنوعی علامت‌گذاری شده یا آیا از نمایش در صفحه For You، صفحه پیشنهادهای تیک‌تاک، کنار گذاشته شده است.
برچسب مربوط به محتوای تولیدشده با هوش مصنوعی در بسیاری از ویدیوهای قدیمی خالی است؛ زیرا بخشی از داده‌ها از یک آرشیو قدیمی به دست آمده است. این مجموعه در قالب فایل‌های Parquet ارائه شده و مجموع حجم آن حدود ۴۶۰ گیگابایت است؛ برای هر ماه یک فایل جداگانه وجود دارد.
داده‌ها پشت دروازه دسترسی یا فرایند تأیید قرار نگرفته‌اند و هر کاربری می‌تواند آن‌ها را دریافت کند. شمارنده Hugging Face در زمان گزارش، ۱٬۱۸۱ دانلود را نشان می‌داد. این داده‌ها در وب‌سایت datasocial.ai نیز در دسترس هستند.
چرا این داده‌ها برای هوش مصنوعی مهم‌اند؟
کپشن‌ها، هشتگ‌ها، شناسه صداها و ارقام تعامل، مواد خامی برای تحلیل رفتار کاربران و آموزش مدل‌های هوش مصنوعی محسوب می‌شوند. چنین مجموعه‌ای می‌تواند برای بررسی عواملی که با وایرال‌شدن یک ویدیو ارتباط دارند، تحلیل محتوای موفق در TikTok Shop و شناسایی عبارت‌هایی که بیشتر با واکنش کاربران همراه می‌شوند به کار رود. این داده‌ها همچنین نمونه‌ای گسترده از شیوه نوشتن کاربران در قالب ویدیوهای کوتاه فراهم می‌کنند.
دسترسی گسترده به داده‌های تیک‌تاک برای همه امکان‌پذیر نیست. ابزارهای پژوهشی رسمی این پلتفرم برای پژوهشگران واجد شرایط در مؤسسات دانشگاهی در مناطقی مانند آمریکا، منطقه اقتصادی اروپا، بریتانیا، کانادا و سوئیس ارائه می‌شود و برخی نهادهای غیرانتفاعی در اتحادیه اروپا نیز می‌توانند درخواست بدهند. استفاده از این مسیر به ثبت درخواست و تأیید تیک‌تاک نیاز دارد.
در مقابل، مجموعه منتشرشده در Hugging Face برای استفاده غیرتجاری، پژوهشی و شخصی رایگان است. مجوز آن CC BY-NC 4.0 است؛ بنابراین استفاده تجاری، دسترسی به پروفایل سازندگان و دریافت به‌روزرسانی‌های روزانه به datasocial.ai هدایت می‌شود. کد منبع سامانه گردآوری داده نیز جداگانه با قیمت ۱٬۶۹۹ دلار عرضه شده است.
روش گردآوری و چالش حقوقی
طبق گزارش Decrypt، توضیحات DataSocial می‌گوید این سامانه از رابط برنامه‌نویسی خصوصی موبایلی تیک‌تاک استفاده کرده است. در این توضیحات به ساخت هویت‌های دستگاهی شبیه تلفن‌های اندرویدی، مهندسی معکوس امضاهای درخواست و شبیه‌سازی فرایند دست‌دهی TLS اشاره شده است. این گزارش همچنین ادعا می‌کند که سامانه طی سه هفته ۳.۲۳ میلیارد پروفایل سازنده، ۵.۹۴ میلیارد ویدیو و ۲.۸ میلیارد نظر را جمع‌آوری کرده و برای دسترسی به آن‌ها ورود به حساب کاربری لازم نبوده است.
با این حال، شرایط استفاده تیک‌تاک در آمریکا استخراج داده با نرم‌افزارهای خودکار را بدون موافقت کتبی پلتفرم ممنوع می‌کند. در نتیجه، انتشار این مجموعه علاوه بر ارزش پژوهشی و تجاری داده‌ها، پرسش‌هایی درباره رعایت شرایط استفاده، حریم خصوصی و حدود مجاز گردآوری اطلاعات عمومی ایجاد می‌کند. در خود مجموعه ستون نام کاربری سازنده وجود ندارد، اما اطلاعاتی مانند کپشن، هشتگ و افراد اشاره‌شده در ویدیو ثبت شده است و طبق اطلاعات DataSocial، شناسه کاربر در این سرویس قابل دسترسی است.
این موضوع در فضایی رخ می‌دهد که اختلاف بر سر استخراج داده برای آموزش هوش مصنوعی به دادگاه‌ها نیز کشیده شده است. ردیت در اکتبر ۲۰۲۵ از Perplexity و سه شرکت استخراج داده شکایت کرد و مدعی شد محتوای آن در مقیاسی صنعتی جمع‌آوری شده است. در ژوئیه، یک قاضی فدرال بخش عمده درخواست رد پرونده را نپذیرفت. با این حال، آن پرونده مربوط به تیک‌تاک نیست و موضوع آن گردآوری داده از نتایج جست‌وجوی گوگل، نه استفاده از رابط خصوصی موبایلی تیک‌تاک، است.
گزارش منتشرشده همچنین به وجود نسخه‌هایی از مجموعه‌ای مشابه با حدود ۴.۵ میلیارد ویدیوی تیک‌تاک در Hugging Face اشاره می‌کند. این هم‌زمانی نشان می‌دهد داده‌های عمومی شبکه‌های اجتماعی به منبعی مهم برای پژوهش و توسعه ابزارهای هوش مصنوعی تبدیل شده‌اند، اما دسترسی رایگان به داده لزوماً به معنای مجاز بودن همه شیوه‌های گردآوری یا همه انواع استفاده از آن نیست.
تصویر فعلی بازار؛ داده‌های Moneyiar
بر اساس داده‌های بازار Moneyiar در ساعت‌های ۱۰:۲۳ تا ۱۰:۲۴ روز ۷ اکتبر ۲۰۲۶ به وقت +۰۳:۳۰، کاردانو با نماد ADA در قیمت ۰.۲۵۴۸۹۴ دلار معامله می‌شد و طی ۲۴ ساعت ۸.۳۱ درصد افت داشت؛ بازده هفت‌روزه آن مثبت ۲.۹۵ درصد بود. ApeCoin با نماد APE نیز ۰.۱۴۸۷۰۷ دلار قیمت داشت و در ۲۴ ساعت ۷.۸۵ درصد کاهش یافت؛ تغییر هفت‌روزه آن منفی ۲.۰۸ درصد بود.
در همین زمان، قیمت Meteora با نماد MET برابر ۰.۳۱۳۳۰۸ دلار بود؛ این دارایی در ۲۴ ساعت ۰.۲۵ درصد و در هفت روز ۳.۰۲ درصد کاهش داشت. Data Network با نماد DATA نیز ۰.۱۹۸۸۸۵ دلار معامله شد و تغییرات ۲۴ساعته و هفت‌روزه آن به‌ترتیب منفی ۳.۳۴ و منفی ۸.۴۴ درصد ثبت شد.
