اخلاق

کاربردهای موردنظر

• ممیزی سوگیری سیستم‌های بینایی. برچسب‌های فنوتیپی مرجع و ساختاریافته برای هر گروه، اندازه‌گیری دقت سیستم‌های بینایی تحت ممیزی (طبقه‌بندهای ویژگی چهره، آشکارسازهای رنگ پوست، برآوردگرهای سن) را به تفکیک گروه ممکن می‌کنند.
• زیرمجموعه‌های آموزشی متوازن بر اساس Fitzpatrick. فیلد skin_tone امکان ساخت زیرمجموعه‌های آموزش و ارزیابی متوازن در سراسر توزیع Fitzpatrick از I تا VI را با جزئیاتی بیشتر از برچسب‌های نژادی چهاردسته‌ای رایج در بنچمارک‌های موجود فراهم می‌کند.
• تولید تصویر با هوش مصنوعی، مبتنی بر توزیع‌های واقعی. توزیع‌های فنوتیپی هر گروه، پرامپت‌های مولدهای تصویر را بر داده‌های واقعی استوار می‌کنند و به‌جای خروجی‌های کلیشه‌ای فروریخته به یک حالت، تنوع درون‌گروهی پدید می‌آورند.
• مرجع مردم‌شناختی و آموزش. این کاتالوگ با بیش از ۴٬۰۰۰ گروه و فیلدهای نرمال‌شده سرزمین / زبان / کدهای ISO / دین، از پرس‌وجوهای میان‌گروهی، دروس دانشگاهی و کاربرد آموزشی پشتیبانی می‌کند.
• استوارسازی پرامپت‌های NLP چندقومیتی. بردارهای جاسازی جمعیت‌شناختی ساختاریافته برای استوارسازی خروجی‌های مدل‌های زبانی در میان گروه‌های قومی.

کاربردهای خارج از محدوده

این مجموعه داده برای هیچ‌یک از کاربردهای زیر مناسب نیست:

• طبقه‌بندی فردی. پیش‌بینی گروه قومی یک فرد از روی عکس او. مجموعه داده گروه‌های قومی را به‌صورت تجمیعی توصیف می‌کند؛ ردیف‌های تکی داده آموزشی برای طبقه‌بند نیستند.
• شناسایی یا نظارت. تطبیق افراد با گروه‌ها از طریق ویژگی‌های فنوتیپی. ردیف‌های مربوط به هر تصویر، URL منبع را برای اهداف ممیزی حفظ می‌کنند؛ این ردیف‌ها برای تطبیق بیومتریک طراحی نشده‌اند و هر کاربردی که از طریق ویژگی‌های فنوتیپی هر تصویر از افراد اثر انگشت دیجیتال بگیرد صراحتاً خارج از محدوده است.
• تبعیض مبتنی بر پروفایل‌سازی. غربال افراد بر اساس فنوتیپ در استخدام، اعطای وام، مهاجرت یا هر فرایند تصمیم‌گیری پیامددار دیگر.
• ادعاهای سلسله‌مراتبی درباره جمعیت‌ها. تفاوت‌های توزیع میان گروه‌ها در این مجموعه داده بازتاب چارچوب نمونه‌گیری Wikipedia است، نه سلسله‌مراتب ژنتیکی یا صفتی در سطح جمعیت. ادعاهایی مبنی بر اینکه یک گروه از هر بُعد فنوتیپی «بیشتر» یا «کمتر» دارد با این داده‌ها پشتیبانی نمی‌شوند.
• استنتاج علّی ژنتیکی. توزیع‌های فنوتیپی مشاهده‌ای هستند، نه تجربی. این مجموعه داده نمی‌تواند از ادعاهایی درباره اینکه کدام جایگاه‌های ژنی کدام تنوع‌های فنوتیپی را ایجاد می‌کنند پشتیبانی کند.

این مرزها را آگاهانه انتخاب کرده‌ایم. کارت مجموعه داده در HuggingFace، مقاله روش‌شناسی و این صفحه اخلاق همگی بیانیه صریح یکسانی درباره کاربردهای خارج از محدوده دارند.

ملاحظات سوگیری منابع

محدودیت اصلی مجموعه داده چارچوب منبع Wikipedia است. هر ردیف مربوط به تصویر در این پیکره از یک عکس مالکیت عمومی در Wikipedia از فردی گرفته شده که در سنت مقاله‌های Wikipedia با عنوان «List of {Ethnicity} people» آمده است. این نمونه:

• از نظر جنسیت به سمت مردان سوگیری دارد. برجستگی در زندگی عمومی در Wikipedia در بیشتر دسته‌ها (سیاستمداران، دانشمندان، ورزشکاران، چهره‌های تاریخی) به سمت مردان متمایل است؛ کجی کلی تقریبی حدود 70 تا 75% مرد است.
• به سمت زندگی عمومی سوگیری دارد. دانشمندان، سیاستمداران، چهره‌های عرصه سرگرمی، ورزشکاران و چهره‌های تاریخی نسبت به جمعیت عمومی بیش از اندازه نمایندگی شده‌اند.
• به سمت پوشش زبان انگلیسی سوگیری دارد. گروه‌هایی که حضور قوی‌تری در Wikipedia انگلیسی دارند مشاهدات تصویری بیشتری دارند؛ این موضوع به‌طور ضعیف با اندازه دیاسپورای انگلیسی‌زبان همبسته است، نه با اندازه جمعیت بومی.
• به سمت عصر عکاسی سوگیری دارد. چهره‌های پیش از عصر عکاسی تصویری در جعبه اطلاعات ندارند، بنابراین گروه‌هایی که حضورشان در Wikipedia بیشتر تاریخی است پوشش مشاهدات تصویری کمتری دارند.

تجمیع‌های هر گروه در سایت هر جا که تفکیک منابع 100% Wikipedia باشد (که در حال حاضر همه تجمیع‌ها چنین‌اند) این ملاحظات را صراحتاً نمایش می‌دهند. نسخه‌های آینده که تصاویر ارسالی کاربران یا منبع دوم مالکیت عمومی را در بر بگیرند از این کجی خواهند کاست.

مرز سوءاستفاده تاریخی

چند بُعد کالبدشناختی در این کاتالوگ از واژگانی استفاده می‌کنند که سابقه سوءاستفاده در شبه‌علم گونه‌شناسی نژادی قرن نوزدهم و اوایل قرن بیستم دارند. برجسته‌ترین آنها شاخص سر در واژگان head-shape است: دسته‌های دولیکوسفال / مزوسفال / براکی‌سفال به‌طور گسترده برای پشتیبانی از ادعاهای سلسله‌مراتبی درباره جمعیت‌ها مورد سوءاستفاده قرار گرفتند.

مطالعه Boas در سال 1912 (Changes in bodily form of descendants of immigrants، American Anthropologist 14(3): 530-562) نشان داد که شاخص سر در طول یک نسل به محیط واکنش نشان می‌دهد و این هرگونه استفاده از ریخت‌شناسی جمجمه به‌عنوان نشانگر ثابت جمعیت را تضعیف می‌کند. مردم‌شناسی جمجمه و چهره معاصر این ابعاد را فقط به‌عنوان توصیفگرهای رشدی، بالینی و فردی به کار می‌برد. بلوک ملاحظات چارچوب‌بندی در فایل واژگان صراحتاً سوءاستفاده تاریخی را رد می‌کند و کاربرد این بُعد را به موارد بالینی (غربالگری کرانیوسینوستوز، ارتز کودکان)، پزشکی قانونی (شناسایی فردی) و توصیف فردی محدود می‌کند.

مصرف‌کنندگان پایین‌دستی این مجموعه داده باید از نگاشت دسته‌های شاخص سر، یا هر بُعد دیگری از کاتالوگ، به ادعاهای نژادی یا گونه‌شناختی جمعیتی خودداری کنند. توزیع‌های هر گروه برای کامل بودن مستند شده‌اند، نه به‌عنوان تعریف یا تمایز.

طرح‌واره‌های کالبدشناسی اندام تناسلی

سه فایل واژگان کالبدشناسی اندام تناسلی خارجی را پوشش می‌دهند (vulva، penis، pubic-region). این فایل‌ها به‌صورت دانشگاهی منتشر شده‌اند (مستند به منابع، قابل همکنش با هستی‌شناسی‌ها، قابل دفاع نزد داوران) اما در سطح فایل پرچم observations_source_policy: "internal_only" دارند. هیچ مشاهده‌ای برای این ابعاد از عکس‌های مالکیت عمومی پر نمی‌شود و هیچ‌کدام به مجموعه داده عمومی راه نمی‌یابد.

دلیل: Wikipedia و منابع مالکیت عمومی مشابه هیچ عکس مرتبطی ندارند؛ منابع محتوای بزرگسالان مشکلات رضایت و منشأ دارند که آنها را برای ساخت مجموعه داده دانشگاهی نامناسب می‌کند؛ جمعیت‌های عکس بالینی به رضایتی هم‌ارز IRB نیاز دارند که یک مجموعه داده باز نمی‌تواند تضمین کند. طرح‌واره منتشر می‌شود تا رده‌بندی دانشگاهی شفاف باشد؛ مشاهدات تا زمانی که منابع دارای رضایت تأییدشده در دسترس قرار گیرند داخلی می‌مانند.

مجوز و استفاده مجدد

کد تحت Apache License 2.0 منتشر شده است؛ مجموعه داده تحت CC BY 4.0 منتشر شده است. URLهای تصاویر در مجموعه داده به محتوای Wikipedia / Wikimedia Commons ارجاع می‌دهند که تحت مجوزهای جداگانه هر تصویر قرار دارد (معمولاً CC-BY-SA، مالکیت عمومی یا گونه‌های مختلف Creative Commons)؛ پیش از توزیع مجدد بایت‌های واقعی تصاویر، URL مرجع هر ردیف را بررسی کنید.

مجوزدهی آزادانه عمدی است. پژوهشگران دانشگاهی، تیم‌های پژوهش انصاف و توسعه‌دهندگان هوش مصنوعی که می‌خواهند مجموعه داده را با انتساب متفاوت بازنشر کنند یا آن را برای کاربردی تخصصی با برند دیگری عرضه کنند، صراحتاً به این کار دعوت می‌شوند. این مصنوعات طوری طراحی شده‌اند که از عمر هر میزبان یا زمینه برند خاصی فراتر بروند.