FAQ: catálogo de fenótipos

Cada dimensão da taxonomia se baseia em uma escala revisada por pares: Fitzpatrick I a VI (Fitzpatrick 1988, Archives of Dermatology), classificação do formato dos seios de Halls (Halls 1998), graduação de ptose de Regnault (Regnault 1976, Clinics in Plastic Surgery), somatotipo de Heath-Carter (Carter & Heath 1990), textura capilar de Andre Walker, escalas de queda de cabelo de Hamilton-Norwood e Ludwig, formato dos glúteos de Mendieta (2007), razão digital 2D:4D de Manning (1998, Human Reproduction), entre outras. Cada faixa de valores tem uma definição e uma citação da fonte.

O dataset em si é descritivo, não preditivo. As observações por imagem documentam características fenotípicas visíveis nas fotografias de origem; as agregações por grupo resumem as distribuições observadas com ressalvas explícitas. Não fazemos afirmações causais sobre relações entre fenótipo e genética, nem afirmações preditivas sobre identificação étnica a partir de fotografias, nem afirmamos que as distribuições por grupo sejam representativas da população.

Não, e esse é um uso explicitamente fora do escopo. O dataset é estruturado por imagem, mas o enquadramento, as agregações e as restrições de uso estão todos no nível agregado. A variação fenotípica dentro dos grupos étnicos se sobrepõe substancialmente à variação entre grupos: muitas combinações de fenótipos estão presentes em cinco ou mais grupos étnicos ao mesmo tempo. Um classificador construído com base em médias por grupo teria problemas significativos de precisão.

Mais importante ainda, esse tipo de aplicação tem danos bem documentados. O cartão do dataset proíbe explicitamente aplicações de classificação individual, identificação ou vigilância. Escolhemos esse limite deliberadamente e o mantemos por meio do licenciamento do dataset e da documentação de uso pretendido.

A anotação por LLM de visão produz uma pontuação de confiança autodeclarada por imagem (0.0 a 1.0). A confiança média no corpus de 5.668 imagens é 0,67. Distribuição de qualidade: 42% alta, 39% média, 16% baixa, 3% muito baixa.

A calibração externa da precisão por dimensão ainda não foi medida em escala com este prompt; recomendamos filtrar por image_quality IN ('high', 'medium') (o que exclui ~19% das linhas) e considerar confidence > 0.55 como limite adicional para casos de uso de alta precisão. Cada linha traz sua própria confiança, para que os consumidores posteriores possam aplicar seus próprios filtros.

As dimensões foram selecionadas com base em (a) presença em escalas estabelecidas e revisadas por pares; priorizamos escalas com respaldo específico na literatura médica, antropométrica ou de anatomia estética, e (b) observabilidade em foto: cada dimensão é marcada conforme possa ou não ser avaliada a partir de uma fotografia típica e com qual enquadramento mínimo. Algumas dimensões (por exemplo, density_inference do BI-RADS, que exige mamografia) estão incluídas no esquema por completude acadêmica, mas são marcadas como not_assessable e nunca são preenchidas a partir de fotografias.

O dataset é estruturado por imagem, não por indivíduo como representante étnico. Cada linha de imagem documenta as características fenotípicas visíveis naquela fotografia específica; a camada de agregação apresenta distribuições por grupo com sobreposição substancial entre grupos. A combinação fenotípica de uma pessoa de ascendência mista pode aparecer em várias distribuições por grupo ao mesmo tempo, e isso está correto: reflete a realidade das distribuições fenotípicas em vez de reduzi-las a modos estereotipados.

Para geração por IA, a estrutura por dimensão do vocabulário permite que os usuários substituam dimensões específicas de forma independente. O sistema pode gerar "mulher cherokee, mas especificamente com olhos castanho-claros" como uma substituição de uma única dimensão na amostragem da distribuição do grupo.

A ciência racial depende de reduzir o fenótipo a um pequeno número de categorias tipológicas com supostas relações hierárquicas e determinismo genético presumido. A antropologia craniofacial contemporânea faz o oposto: medição descritiva de alta dimensionalidade, reconhecimento explícito da variação ambiental, variação individual registrada em vez de reduzida, nenhuma afirmação hierárquica. Este dataset opera na segunda tradição.

Um exemplo específico: a dimensão do índice cefálico em head-shape.json usa as categorias dolicocéfalo / mesocéfalo / braquicéfalo, termos com uma história documentada de mau uso na tipologia racial do século XIX. O bloco framing_caveats do arquivo de vocabulário rejeita explicitamente essa história, citando Boas 1912 (que demonstrou a variabilidade ambiental do índice cefálico, o que compromete seu uso como marcador estável de classificação populacional), e restringe a dimensão ao uso clínico / forense / como descritor individual.

As observações por imagem derivam exclusivamente de fotografias de domínio público da Wikipedia, que mostram pessoas notáveis. As fotografias são obtidas por meio dos artigos "List of {Ethnicity} people" da Wikipedia (quando disponíveis) e das páginas biográficas individuais da Wikipedia vinculadas a eles. As imagens são baixadas de upload.wikimedia.org e analisadas pela visão do Anthropic Claude Sonnet 4.6 no AWS Bedrock.

Cada linha do dataset preserva a URL de origem da imagem analisada, de modo que a licença de cada imagem pode ser verificada e a análise pode ser auditada linha por linha.

O recorte da fonte Wikipedia: "pessoas notáveis para as quais a Wikipedia tem um artigo de lista de pessoas X, com uma fotografia em seu artigo individual". Esta amostra é enviesada para o gênero masculino, para a vida pública (políticos, cientistas, atletas, artistas, figuras históricas), para a cobertura em língua inglesa e para a era fotográfica. O agregador exibe essa ressalva em cada resumo por grupo que tem 100% de fontes da Wikipedia (atualmente, todos os resumos). Versões futuras que incorporem imagens enviadas por usuários ou uma segunda fonte de domínio público vão diluir esse viés.

O sistema de vocabulário e o pipeline são de código aberto sob Apache 2.0 em github.com/Agaveis/phenotype-catalog-pipeline; pull requests com refinamentos do vocabulário, citações adicionais ou melhorias do pipeline são bem-vindos lá. Para correções de entradas específicas de grupos no site, entre em contato pelo admin@agaveis.com.

O catálogo surgiu como um projeto paralelo de curadoria de uma plataforma de criadores adultos que queria prompts de geração por IA precisos e etnicamente fundamentados, em vez dos padrões reduzidos a estereótipos que a maioria dos geradores de imagens produz. A taxonomia estruturada acabou sendo bem mais ampla em escopo e mais rigorosa do que as necessidades imediatas da plataforma, por isso os artefatos públicos (dataset, vocabulário, artigo de metodologia) são publicados sob licenças permissivas para reutilização por qualquer pessoa, incluindo pesquisadores acadêmicos que prefiram espelhar o dataset sob outra marca. O licenciamento Apache 2.0 + CC BY 4.0 torna essa reutilização explícita.