Sobre o catálogo de fenótipos

Uma referência etnográfica e fenotípica estruturada que abrange mais de 4.000 grupos étnicos em 22 categorias anatômicas, com 195 dimensões, 848 grupos de vocabulário com fontes citadas e 113 referências.

O que é

O catálogo de fenótipos é uma referência pública, respaldada por citações, que combina metadados etnográficos estruturados (terra natal, família linguística, códigos ISO, religião) de mais de 4.000 grupos étnicos com um vocabulário médico e antropológico abrangente que cobre 22 categorias anatômicas. Cada categoria tem de 4 a 16 dimensões de variação extraídas de escalas revisadas por pares: Fitzpatrick de I a VI para a pele, Halls para o formato dos seios, Regnault para a ptose, Heath-Carter para o somatotipo, Andre Walker de 1A a 4C para a textura do cabelo, Hamilton-Norwood e Ludwig para a queda de cabelo, o 2D:4D de Manning para a proporção dos dedos, Cavanagh-Rodgers para o índice do arco plantar, Mendieta para o formato das nádegas, entre outras.

Cada linha de dados de observação estruturados por imagem no site pode ser rastreada até uma fotografia de domínio público da Wikipedia de uma pessoa notável do grupo correspondente, analisada por um modelo de linguagem com visão (Anthropic Claude Sonnet 4.6 via AWS Bedrock) para preencher os campos estruturados. As distribuições agregadas por grupo aparecem na página de cada /ethnic/[slug], com ressalvas explícitas sobre o viés das fontes e o tamanho da amostra.

Por que existe

Benchmarks de equidade existentes, como FairFace e BUPT-Balancedface, agregam a etnia em quatro a sete categorias raciais, o que é grosseiro demais para auditorias de viés mais detalhadas em sistemas de visão e ferramentas de geração por IA. Construir diretamente um conjunto de dados mais detalhado é caro: a rotulagem por multidão tem seus próprios vieses, a maioria das fontes de imagens candidatas não tem clareza de licença por imagem, e a literatura acadêmica sobre a variação fenotípica entre etnias está fragmentada entre periódicos de dermatologia, cirurgia plástica, urologia, antropologia e tricologia.

Este catálogo resolve o problema de licenciamento usando exclusivamente fotografias de domínio público da Wikipedia, resolve o custo de rotulagem usando anotação por LLM com visão a partir de prompts estruturados fixos e resolve a fragmentação da literatura consolidando as escalas relevantes revisadas por pares em um único vocabulário aberto publicado no GitHub e no HuggingFace. O resultado é um conjunto de dados fenotípicos estruturados por imagem com uma granularidade etnográfica incomum (média de ~24 imagens por grupo representado), fundamentado em mais de 113 citações revisadas por pares.

O que você pode fazer com ele

  • Geração de imagens por IA, fundamentada em distribuições reais. O site usa essas distribuições fenotípicas por grupo para fundamentar os prompts enviados aos geradores de imagens, produzindo diversidade dentro de cada grupo em vez de estereótipos colapsados na moda. O usuário seleciona um grupo, o sistema amostra a partir da distribuição realmente observada e a geração reflete a variância real.
  • Auditoria de viés em sistemas de visão. Rótulos fenotípicos de referência por grupo permitem medir a precisão por grupo de qualquer sistema de visão que você queira auditar.
  • Referência antropológica. O catálogo de mais de 4.000 grupos, com campos normalizados de terra natal, idioma, códigos ISO e religião, permite consultas entre grupos e uso educacional.
  • Ajuste fino de modelos de IA. Subconjuntos de treinamento balanceados por Fitzpatrick, fundamentação multiétnica de prompts, embeddings demográficos.

Artefatos abertos

Ressalvas

A principal limitação do conjunto de dados é o recorte de fontes da Wikipedia: “pessoas notáveis para as quais a Wikipedia tem um artigo do tipo lista de pessoas X, com uma fotografia em seu artigo individual.” Essa amostra tem viés masculino, viés para a vida pública, viés de cobertura em língua inglesa e viés da era fotográfica. O agregador exibe essa ressalva em texto em cada resumo por grupo.

Além disso, o conjunto de dados é exclusivo para pesquisa agregada; as linhas por imagem não são adequadas para aplicações de classificação individual, identificação ou vigilância. A variação fenotípica dentro dos grupos étnicos se sobrepõe substancialmente à variação entre grupos; as médias por grupo não devem ser lidas como previsões individuais. Consulte a página de ética para a declaração explícita de escopo.

Saiba mais

  • Metodologia: como o catálogo foi construído
  • Ética: usos previstos e usos explicitamente fora do escopo
  • Perguntas frequentes: perguntas previsíveis, respostas substanciais
  • Glossário: 848 termos definidos em todas as 22 categorias
  • Atlas: navegue por categoria anatômica
  • Mundo: navegue por região e grupo étnico