Nezávislý vývojář vystupující pod jménem „kuben-developer“ strávil tři týdny stahováním dat ze soukromého Android API TikToku a výsledek zveřejnil jako veřejný dataset na Hugging Face: 4,5 miliardy záznamů o videích v 27 komprimovaných souborech o celkové velikosti zhruba 289 gigabajtů.
Stahování využívalo anonymní registrace zařízení bez nutnosti přihlášení a dosáhlo na 27 z 32 úložných oblastí TikToku. Každý záznam obsahuje metadata videa, popisky, označené účty, identifikátory zvuků, počty interakcí (zhlédnutí, lajky, komentáře, sdílení, uložení) i geografické a jazykové značky — uživatelská jména, profilová data a odkazy na média výzkumník záměrně vynechal.
Dokumentace datasetu sama přiznává, že sběr porušil podmínky použití TikToku, a upozorňuje, že popisky videí představují osobní údaje podle GDPR. Nabídka zakazuje použití dat k identifikaci, profilování nebo cílení na konkrétní osoby a omezuje je jen na výzkumné a vzdělávací účely; počty interakcí navíc zachycují jen jednorázový okamžik, nikoliv vývoj v čase, a značky země a jazyka jsou pouze neověřeným odhadem samotného TikToku.