Ética

Usos previstos

• Auditoría de sesgos en sistemas de visión. Las etiquetas de fenotipo estructuradas de referencia (ground truth) por grupo permiten medir la precisión por grupo de los sistemas de visión auditados (clasificadores de atributos faciales, detectores de tono de piel, estimadores de edad).
• Subconjuntos de entrenamiento equilibrados según Fitzpatrick. El campo skin_tone permite construir subconjuntos de entrenamiento y evaluación equilibrados en la distribución Fitzpatrick I a VI, con mayor granularidad que las etiquetas raciales de cuatro categorías habituales en los benchmarks existentes.
• Generación de imágenes con IA, basada en distribuciones reales. Las distribuciones de fenotipos por grupo fundamentan los prompts de los generadores de imágenes y producen diversidad dentro de cada grupo en lugar de resultados estereotipados por colapso de modo.
• Referencia antropológica y educación. El catálogo de 484 grupos, con campos normalizados de territorio de origen / idioma / códigos ISO / religión, admite consultas entre grupos, trabajos académicos y uso educativo.
• Anclaje multiétnico de prompts en PLN. Embeddings demográficos estructurados para fundamentar las salidas de los modelos de lenguaje en los distintos grupos étnicos.

Usos fuera de alcance

El conjunto de datos no es apropiado para ninguna de las siguientes aplicaciones:

• Clasificación individual. Predecir el grupo étnico de una persona a partir de su fotografía. El conjunto de datos describe los grupos étnicos de forma agregada; las filas individuales no son datos de entrenamiento para clasificadores.
• Identificación o vigilancia. Asociar a personas con grupos mediante rasgos fenotípicos. Las filas por imagen conservan las URL de origen con fines de auditoría; no están diseñadas para la comparación biométrica, y cualquier aplicación que genere huellas identificativas de personas a partir de rasgos fenotípicos por imagen queda explícitamente fuera de alcance.
• Discriminación basada en perfiles. Filtrar a personas según su fenotipo en la contratación, la concesión de créditos, la inmigración o cualquier otro proceso de decisión con consecuencias relevantes.
• Afirmaciones jerárquicas sobre poblaciones. Las diferencias de distribución entre grupos en este conjunto de datos reflejan el marco muestral de Wikipedia, no jerarquías genéticas o de rasgos a nivel de población. Las afirmaciones de que un grupo es «más» o «menos» en cualquier dimensión fenotípica no están respaldadas por estos datos.
• Inferencia genética causal. Las distribuciones de fenotipos son observacionales, no experimentales. El conjunto de datos no puede respaldar afirmaciones sobre qué loci genéticos determinan qué variaciones fenotípicas.

Elegimos estos límites de forma deliberada. La ficha del conjunto de datos en HuggingFace, el artículo de metodología y esta página de ética incluyen la misma declaración explícita sobre los usos fuera de alcance.

Advertencias sobre sesgos de las fuentes

La principal limitación del conjunto de datos es el marco de fuentes de Wikipedia. Cada fila por imagen del corpus procede de una fotografía de Wikipedia de dominio público de una persona incluida en la tradición de artículos de Wikipedia «List of {Ethnicity} people». Esta muestra está:

• Sesgada por género hacia los hombres. La prominencia en la vida pública en Wikipedia se inclina hacia los hombres en la mayoría de las categorías (políticos, científicos, deportistas, figuras históricas); el sesgo global aproximado es de ~70 a 75% de hombres.
• Sesgada hacia la vida pública. Los científicos, políticos, artistas del espectáculo, deportistas y figuras históricas están sobrerrepresentados en relación con la población general.
• Sesgada por la cobertura en inglés. Los grupos con mayor presencia en la Wikipedia en inglés tienen más observaciones de imágenes; esto se correlaciona vagamente con el tamaño de la diáspora anglófona, no con el de la población nativa.
• Sesgada por la era fotográfica. Las figuras anteriores a la fotografía no tienen imagen en la ficha informativa, por lo que los grupos cuya presencia en Wikipedia se inclina hacia lo histórico tienen menor cobertura de observaciones de imágenes.

Las agregaciones por grupo en el sitio publicado muestran explícitamente estas advertencias siempre que el desglose de fuentes es 100% Wikipedia (lo que actualmente ocurre en todas las agregaciones). Las futuras versiones que incorporen imágenes enviadas por usuarios o una segunda fuente de dominio público diluirán este sesgo.

Límite frente al uso indebido histórico

Varias de las dimensiones anatómicas del catálogo usan un vocabulario con un historial de uso indebido en la pseudociencia de la tipología racial del siglo XIX y principios del XX. La más destacada es el índice cefálico en el vocabulario head-shape: las categorías dolicocéfalo / mesocéfalo / braquicéfalo se usaron ampliamente de forma indebida para sustentar afirmaciones jerárquicas sobre las poblaciones.

El estudio de Boas de 1912 (Changes in bodily form of descendants of immigrants, American Anthropologist 14(3): 530-562) demostró que el índice cefálico responde al entorno en una sola generación, lo que socava cualquier uso de la morfología craneal como marcador fijo de población. La antropología craneofacial contemporánea utiliza estas dimensiones solo como descriptores del desarrollo, clínicos e individuales. El bloque de advertencias de encuadre del archivo de vocabulario rechaza explícitamente el uso indebido histórico y limita la dimensión a usos clínicos (cribado de craneosinostosis, ortesis pediátricas), forenses (identificación individual) y de descripción individual.

Quienes utilicen este conjunto de datos en etapas posteriores deben evitar trasladar las categorías del índice cefálico, o cualquier otra dimensión del catálogo, a afirmaciones raciales o de tipología de poblaciones. Las distribuciones por grupo se documentan por exhaustividad, no como definiciones ni distinciones.

Esquemas de anatomía genital

Tres archivos de vocabulario cubren la anatomía genital externa (vulva, penis, pubic-region). Se publican con criterios académicos (respaldados por citas, interoperables con ontologías, defendibles ante revisores), pero llevan un indicador observations_source_policy: "internal_only" a nivel de archivo. No se registra ninguna observación de estas dimensiones a partir de fotografías de dominio público, y ninguna llega al conjunto de datos público.

La justificación: Wikipedia y otras fuentes similares de dominio público no contienen fotografías pertinentes; las fuentes de contenido para adultos presentan problemas de consentimiento y procedencia que las hacen inadecuadas para construir un conjunto de datos académico; las poblaciones de fotografías clínicas requieren un consentimiento equivalente al de un IRB que un conjunto de datos abierto no puede garantizar. El esquema se publica para que la taxonomía académica sea transparente; las observaciones permanecen internas hasta que haya fuentes con consentimiento verificado.

Licencia y reutilización

El código se publica bajo Apache License 2.0; el conjunto de datos se publica bajo CC BY 4.0. Las URL de imágenes del conjunto de datos remiten a contenido de Wikipedia / Wikimedia Commons sujeto a sus propias licencias por imagen (normalmente CC-BY-SA, dominio público o diversas variantes de Creative Commons); consulte la URL de referencia de cada fila antes de redistribuir los archivos de imagen propiamente dichos.

Las licencias permisivas son intencionadas. Los investigadores académicos, los equipos de investigación sobre equidad y los desarrolladores de IA que quieran crear una réplica del conjunto de datos con otra atribución o cambiarle la marca para un uso específico de su ámbito son explícitamente bienvenidos a hacerlo. Los artefactos están diseñados para sobrevivir a cualquier alojamiento o contexto de marca concreto.