Ética

Usos previstos

• Auditoria de vieses em sistemas de visão. Rótulos de fenótipo estruturados e de referência por grupo permitem medir a precisão por grupo de sistemas de visão (classificadores de atributos faciais, detectores de tom de pele, estimadores de idade) em auditoria.
• Subconjuntos de treinamento equilibrados pela escala Fitzpatrick. O campo skin_tone permite construir subconjuntos de treinamento e avaliação equilibrados ao longo da distribuição Fitzpatrick I a VI, com granularidade maior do que os rótulos raciais de quatro categorias típicos dos benchmarks existentes.
• Geração de imagens por IA, fundamentada em distribuições reais. As distribuições de fenótipos por grupo fundamentam prompts para geradores de imagens, produzindo diversidade dentro de cada grupo em vez de resultados estereotipados por colapso de modo.
• Referência antropológica e educação. O catálogo de mais de 4.000 grupos, com campos normalizados de território de origem / idioma / códigos ISO / religião, permite consultas entre grupos, trabalhos acadêmicos e uso educacional.
• Fundamentação de prompts de PLN multiétnico. Embeddings demográficos estruturados para fundamentar as saídas de modelos de linguagem entre grupos étnicos.

Usos fora do escopo

O conjunto de dados não é adequado para nenhuma das seguintes aplicações:

• Classificação individual. Prever o grupo étnico de uma pessoa a partir de sua fotografia. O conjunto de dados descreve grupos étnicos de forma agregada; as linhas individuais não são dados de treinamento para classificadores.
• Identificação ou vigilância. Associar indivíduos a grupos por meio de características fenotípicas. As linhas por imagem preservam os URLs de origem para fins de auditoria; não foram projetadas para correspondência biométrica, e qualquer aplicação que identifique indivíduos por meio de características fenotípicas por imagem está explicitamente fora do escopo.
• Discriminação baseada em perfil. Filtragem de pessoas com base no fenótipo em contratações, concessão de crédito, imigração ou qualquer outro processo de decisão com consequências.
• Afirmações hierárquicas sobre populações. As diferenças de distribuição entre grupos neste conjunto de dados refletem a base amostral da Wikipedia, não hierarquias genéticas ou de traços em nível populacional. Afirmações de que um grupo tem "mais" ou "menos" de qualquer dimensão fenotípica não são sustentadas por estes dados.
• Inferência genética causal. As distribuições de fenótipos são observacionais, não experimentais. O conjunto de dados não sustenta afirmações sobre quais loci genéticos determinam quais variações fenotípicas.

Escolhemos esses limites deliberadamente. O cartão do conjunto de dados no HuggingFace, o artigo de metodologia e esta página de ética trazem a mesma declaração explícita de usos fora do escopo.

Ressalvas sobre vieses das fontes

A principal limitação do conjunto de dados é a base de fontes da Wikipedia. Cada linha por imagem do corpus provém de uma fotografia de domínio público da Wikipedia de uma pessoa incluída na tradição de artigos da Wikipedia "List of {Ethnicity} people". Esta amostra é:

• Enviesada para o sexo masculino. A projeção pública na Wikipedia pende para o sexo masculino na maioria das categorias (políticos, cientistas, atletas, figuras históricas); o desvio geral aproximado é de ~70 a 75% de homens.
• Enviesada para a vida pública. Cientistas, políticos, artistas, atletas e figuras históricas estão super-representados em relação à população em geral.
• Enviesada pela cobertura em língua inglesa. Grupos com maior presença na Wikipedia em inglês têm mais observações de imagens; isso está vagamente correlacionado com o tamanho da diáspora anglófona, não com o tamanho da população nativa.
• Enviesada pela era fotográfica. Figuras anteriores à fotografia não têm imagem na infobox, então grupos cuja presença na Wikipedia tende ao histórico têm menor cobertura de observações de imagens.

As agregações por grupo no site exibem essas ressalvas explicitamente sempre que a composição das fontes é 100% Wikipedia (o que atualmente vale para todas as agregações). Versões futuras que incorporem imagens enviadas por usuários ou uma segunda fonte de domínio público vão diluir esse desvio.

Limite em relação ao uso indevido histórico

Várias das dimensões anatômicas do catálogo usam um vocabulário com histórico de uso indevido na pseudociência da tipologia racial do século XIX e do início do século XX. O caso mais notório é o índice cefálico no vocabulário head-shape: as categorias dolicocéfalo / mesocéfalo / braquicéfalo foram amplamente usadas de forma indevida para sustentar afirmações hierárquicas sobre populações.

O estudo de Boas de 1912 (Changes in bodily form of descendants of immigrants, American Anthropologist 14(3): 530-562) demonstrou que o índice cefálico responde ao ambiente em uma única geração, invalidando qualquer uso da morfologia craniana como marcador populacional fixo. A antropologia craniofacial contemporânea usa essas dimensões apenas como descritores de desenvolvimento, clínicos e individuais. O bloco de ressalvas de enquadramento do arquivo de vocabulário rejeita explicitamente o uso indevido histórico e restringe a dimensão aos usos clínicos (triagem de craniossinostose, órteses pediátricas), forenses (identificação individual) e de descrição individual.

Os usuários deste conjunto de dados devem evitar associar as categorias do índice cefálico, ou qualquer outra dimensão do catálogo, a afirmações raciais ou de tipologia populacional. As distribuições por grupo são documentadas por completude, não como definições ou distinções.

Esquemas de anatomia genital

Três arquivos de vocabulário cobrem a anatomia genital externa (vulva, penis, pubic-region). Eles são publicados academicamente (apoiados em citações, interoperáveis com ontologias, defensáveis perante revisores), mas trazem a sinalização observations_source_policy: "internal_only" no nível do arquivo. Nenhuma observação dessas dimensões é preenchida a partir de fotografias de domínio público, e nenhuma chega ao conjunto de dados público.

A justificativa: a Wikipedia e fontes semelhantes de domínio público não contêm fotografias relevantes; fontes de conteúdo adulto têm problemas de consentimento e procedência que as tornam inadequadas para a construção de conjuntos de dados acadêmicos; populações de fotografias clínicas exigem um consentimento equivalente ao de um comitê de ética que um conjunto de dados aberto não pode garantir. O esquema é publicado para que a taxonomia acadêmica seja transparente; as observações permanecem internas até que haja fontes com consentimento verificado.

Licença e reutilização

O código é publicado sob Apache License 2.0; o conjunto de dados é publicado sob CC BY 4.0. Os URLs de imagens no conjunto de dados referenciam conteúdo da Wikipedia / Wikimedia Commons sob as respectivas licenças de cada imagem (normalmente CC-BY-SA, domínio público ou diversas variantes Creative Commons); consulte o URL de referência de cada linha antes de redistribuir os arquivos de imagem propriamente ditos.

O licenciamento permissivo é intencional. Pesquisadores acadêmicos, equipes de pesquisa em equidade e desenvolvedores de IA que queiram espelhar o conjunto de dados com outra atribuição ou renomeá-lo para uso em um domínio específico são explicitamente bem-vindos a fazê-lo. Os artefatos foram projetados para sobreviver a qualquer hospedagem ou contexto de marca específico.