Merge pull request #22 from itk-dev/feature/add-dansk-viden-til-dansk-ai

feat: add Dansk Viden til Dansk AI research project

Author: yepzdk

CHANGELOG.md

@@ -6,6 +6,10 @@ The format is based on [Keep a Changelog](https://keepachangelog.com/en/1.1.0/).
 
 ## [Unreleased]
 
+### Added — Dansk Viden til Dansk AI Project
+- National publication-corpus prototype for Danish public-sector knowledge collection feeding Danish AI training data, with a clear split between an open publication catalogue and a curated, rights-cleared training data bank
+- Single-page mock with seven views: forsiden, login/registrering, upload med simuleret AI-katalogisering, søgning med facetter, publikationsdetalje, favoritter og samlinger med base64-pakkede delelinks — bruger `localStorage` som backend
+
 ### Added — Carbontracker reference in Climate Awareness Nudging
 - Reference [carbontracker.info](https://carbontracker.info/) in `co2-research.md` (new "Measurement tools" subsection + sources entry), `integration.md` (API/proxy layer), and `index.md` ("What makes it hard")
 

CLAUDE.md

@@ -50,6 +50,7 @@ Taskfile.yml                                 # Task automation (dev, build, lint
 | `book-aarhus` | Book Aarhus | No |
 | `opkraevningsoverblik` | Opkrævningsoverblik | No |
 | `roboway` | Roboway | No |
+| `dansk-viden-til-dansk-ai` | Dansk Viden til Dansk AI | No |
 
 ## Conventions
 

docs/.vitepress/sidebar.mts

@@ -98,6 +98,16 @@ const roboway: DefaultTheme.SidebarItem[] = [
   },
 ]
 
+const danskVidenTilDanskAi: DefaultTheme.SidebarItem[] = [
+  {
+    text: 'Dansk Viden til Dansk AI',
+    items: [
+      { text: 'Overview', link: '/projects/dansk-viden-til-dansk-ai/' },
+      { text: 'Interactive Mocks', link: '/projects/dansk-viden-til-dansk-ai/mocks' },
+    ],
+  },
+]
+
 const designSystem: DefaultTheme.SidebarItem[] = [
   {
     text: 'Design System',
@@ -123,6 +133,7 @@ export function sidebar(): DefaultTheme.Sidebar {
     '/projects/book-aarhus/': bookAarhus,
     '/projects/opkraevningsoverblik/': opkraevningsoverblik,
     '/projects/roboway/': roboway,
+    '/projects/dansk-viden-til-dansk-ai/': danskVidenTilDanskAi,
     '/projects/design-system/': designSystem,
   }
 }

docs/index.md

@@ -42,4 +42,8 @@ features:
     details: Kommunal platform til styring og overvågning af autonome robotflåder i Aarhus — med livekort, zoneadministration, hændelseshåndtering og operatørportal.
     link: /projects/roboway/
     linkText: View project
+  - title: Dansk Viden til Dansk AI
+    details: Fælles offentlig service til indsamling og deling af danske publikationer som grundlag for dansk AI — med AI-katalogisering, syv rettighedsniveauer og delbare samlinger.
+    link: /projects/dansk-viden-til-dansk-ai/
+    linkText: View project
 ---

docs/projects/dansk-viden-til-dansk-ai/index.md

@@ -0,0 +1,122 @@
+<small>**Project:** Dansk Viden til Dansk AI · **Status:** Prototype · **Date:** May 2026</small>
+
+# Dansk Viden til Dansk AI
+
+**Fælles offentlig service til indsamling, katalogisering og deling af danske publikationer — som grundlag for både videnformidling og træning af danske sprogmodeller.**
+
+---
+
+## Baggrund
+
+Offentlige myndigheder i Danmark producerer hvert år store mængder viden i form af rapporter, analyser, vejledninger, strategier, evalueringer og faglige notater. Publikationerne ligger spredt på myndighedernes egne hjemmesider, bliver typisk kun markedsført kortvarigt og er sjældent samlet i et fælles overblik. De gøres kun i begrænset omfang tilgængelige som strukturerede data.
+
+Samtidig vokser behovet for danske træningsdata. Hvis offentlige AI-løsninger skal fungere godt på dansk, skal modellerne trænes på dansk sprog, danske begreber og dansk forvaltningspraksis — på data hvor kvalitet, ophav og rettigheder er dokumenteret. I dag foregår en stor del af modeltræningen i lukkede miljøer hos private virksomheder, hvor datagrundlaget ofte er uklart og rettighederne vanskelige at gennemskue.
+
+Offentlige publikationer er et oplagt udgangspunkt: de har høj kvalitet, tydelig afsender og stor relevans for dansk offentlig sektor.
+
+## Formål
+
+Prototypen skal undersøge spørgsmålet: **Hvordan kan en fælles offentlig tjeneste til indsamling og deling af publikationer se ud i praksis — med klare rettigheder og AI-assisteret metadata?**
+
+Tjenesten skal understøtte to formål:
+
+- **Et offentligt publikationskatalog** hvor borgere, medarbejdere, forskere og virksomheder kan finde, søge og læse offentlig viden på tværs af myndigheder
+- **Et rettighedsclearet og dokumenteret datagrundlag** til træning, evaluering og finjustering af danske sprogmodeller — med tydelig ophav, licens og kvalitet
+
+De to formål skal holdes adskilt teknisk og juridisk. Ikke alt, der kan vises i et publikationskatalog, bør automatisk bruges til AI-træning.
+
+## Hvad prototypen viser
+
+Prototypen er en single-page application med syv visninger. Den bruger `localStorage` som backend og simulerer AI-katalogisering med en kort spinner. Alle seed-publikationer indlæses fra `data/seed-publications.js`.
+
+### Forsiden
+
+Hero med søgefelt, kort introduktion til tjenesten og statistik over publikationer i kataloget (antal publikationer, myndigheder, dokumenttyper).
+
+### Registrering og login
+
+Simpel brugerflade hvor besøgende kan oprette en konto eller logge ind. Brugere gemmes i `localStorage`, og passwords obfuskeres med en triviel hash. Ingen reel auth — kun til demoformål.
+
+### Upload
+
+Tre-trins flow der demonstrerer hele rettigheds- og katalogiseringsforløbet:
+
+1. **Filvalg** — publicisten vælger en fil
+2. **AI-katalogisering** (simuleret med ~2 sek spinner) — systemet foreslår titel, resume, emneord, dokumenttype, fagområde, målgruppe og indikatorer på personoplysninger og tredjepartsindhold
+3. **Gennemgang** — publicisten godkender eller justerer metadata og tager **aktiv stilling til rettighedsniveau (1–7)** og **risikomarkering (grøn/gul/rød)**
+4. **Kvittering** med link til den katalogiserede publikation
+
+### Søgning
+
+Fritekstsøgning kombineret med facetter: myndighed, dokumenttype, fagområde, år, rettighedsniveau og risikomarkering. Resultater vises som kort med kort resume og badges.
+
+### Publikationsside
+
+Detaljevisning af en enkelt publikation: fuld metadata, AI-genereret resume, badges for rettighedsniveau og risiko, samt handlinger for favorit og tilføj-til-samling.
+
+### Favoritter
+
+Personlig favoritliste pr. bruger, gemt i `localStorage`.
+
+### Samlinger
+
+Navngivne samlinger af publikationer, hver med et **delelink**. Delelinket indeholder en base64-pakket kopi af samlingen — så den kan åbnes af andre uden backend. Lange samlinger giver lange links.
+
+---
+
+## Krav
+
+- Offentlige myndigheder skal kunne uploade publikationer direkte eller registrere dem med link til oprindelig placering
+- AI-baseret katalogisering skal foreslå metadata efter en fast profil (titel, resume, emneord, dokumenttype, målgruppe, fagområde, sprog, indikatorer på personoplysninger og tredjepartsindhold)
+- Publicisten skal tage **aktiv stilling** til rettighedsniveau og risikomarkering — ingen tavse defaults
+- Rettighedsmodellen skal være trinvis (fx 1–7) så myndigheder kan starte forsigtigt og udvide over tid
+- Publikationskatalog og træningsdatabank skal være **teknisk og juridisk adskilte** lag
+- Offentligt søgeinterface skal understøtte fritekst og facetterede filtre på tværs af myndigheder, emner, dokumenttyper, årstal og målgrupper
+- Hver publikation skal have en stabil præsentationsside med metadata, downloadlink, oprindelig kilde og rettighedsoplysninger
+- Træningsdatabanken skal være kurateret — kun publikationer der opfylder krav til rettigheder, databeskyttelse, kvalitet og teknisk anvendelighed indgår
+
+---
+
+## Uafklarede spørgsmål
+
+Prototypen er et visuelt og funktionelt diskussionsgrundlag — ikke en implementeringsklar løsning. Inden et reelt system kan bygges, skal en række forhold afklares.
+
+### Rettigheder og ophavsret
+
+- **Rettighedsmodellens niveauer.** Hvem definerer de syv niveauer juridisk? Er trappetrinnene de rigtige (registrering → visning → tekstudtræk → RAG → finjustering → fuld træning → fri licens), og hvilke standardlicenser knyttes til hvert niveau?
+- **Eksternt producerede rapporter.** Mange rapporter er udarbejdet af konsulenter, universiteter eller analyseinstitutter for myndigheden. Myndigheden har betalt — men har den ret til at give andre adgang til AI-træning på indholdet? Upload-flowet skal håndtere dette.
+- **Ansvar ved fejlklassificering.** Hvis en publikation fejlagtigt markeres som tilladt til træning og bagefter viser sig at indeholde tredjepartsmateriale — hvem hæfter? Myndigheden, platformen, eller AI-udvikleren der har brugt data?
+
+### AI-katalogisering
+
+- **Modelvalg og driftsmodel.** Hvilke modeller bruges til metadataudtræk og resume? Kører de hos en offentlig leverandør, on-prem, eller via API til kommerciel leverandør? Hvilke krav stilles til datalokalisering?
+- **Hallucinationer og kvalitet.** Hvordan håndteres tilfælde hvor AI'en foreslår forkerte metadata eller resume? Skal alle felter godkendes manuelt, eller er nogle felter "autoritative" uden review?
+- **Indikatorer på personoplysninger.** Automatisk screening kan hjælpe, men kan ikke stå alene ved publikationer med forhøjet risiko. Hvilken proces sikrer manuel vurdering af gule og røde publikationer?
+
+### Persondata og etik
+
+- **Risikoklassifikation (grøn/gul/rød).** Hvem træffer den endelige beslutning ved gul og rød? Er det publicisten, en central jurist hos opendata.dk, eller en kombination?
+- **Fotos, cases og citater.** Selv offentligt tilgængelige publikationer kan indeholde navngivne borgere. Hvordan skiller vi mellem "offentligt tilgængeligt" og "egnet til AI-træning"?
+
+### Governance og hosting
+
+- **Hvem ejer og driver tjenesten?** Digitaliseringsstyrelsen, Datatilsynet, et kommunalt konsortium, en kombination?
+- **Forholdet til opendata.dk.** Skal det være en udvidelse af eksisterende platform, eller en separat tjeneste der linker til opendata.dk?
+- **Forholdet til træningscenteret.** Hvordan kobler træningsdatabanken til det planlagte træningscenter for danske sprogmodeller?
+
+### Teknisk
+
+- **PDF-parsing og scannede dokumenter.** Hvilke værktøjer bruges til tekstudtræk? Hvordan håndteres scannede PDF'er uden OCR-lag?
+- **Versionering.** Hvad sker der når en myndighed opdaterer en publikation? Beholder vi tidligere versioner i træningsdatabanken?
+- **Skala.** Hvor mange publikationer forventes i pilot, og hvor mange efter fuld udrulning?
+
+### Pilot
+
+- **Omfang.** Realistisk antal myndigheder og publikationer i fase 1?
+- **Succeskriterier.** Hvad skal være på plads før pilot kan kaldes vellykket — antal publikationer, antal aktive myndigheder, faktisk anvendelse i AI-træning, eller noget andet?
+
+---
+
+## Interaktiv prototype
+
+<a href="/research-projects/projects/dansk-viden-til-dansk-ai/mocks/index.html" class="mock-button" target="_blank">Åbn prototypen ↗</a>

docs/projects/dansk-viden-til-dansk-ai/mocks.md

@@ -0,0 +1,8 @@
+<small>**Project:** Dansk Viden til Dansk AI</small>
+
+# Interaktive Mocks
+
+---
+
+**<a href="/research-projects/projects/dansk-viden-til-dansk-ai/mocks/index.html" target="_blank">Dansk Viden til Dansk AI — prototype ↗</a>**
+Single-page prototype med syv visninger: forsiden, login/registrering, upload med AI-katalogisering, søgning med facetter, publikationsdetalje, favoritter og samlinger med delelink. Bruger `localStorage` som backend.