FAQ: каталог фенотипов

Каждое измерение таксономии опирается на рецензируемую шкалу: Fitzpatrick I-VI (Fitzpatrick 1988, Archives of Dermatology), классификация формы груди Halls (Halls 1998), градация птоза Regnault (Regnault 1976, Clinics in Plastic Surgery), соматотип Heath-Carter (Carter & Heath 1990), текстура волос Andre Walker, шкалы выпадения волос Hamilton-Norwood и Ludwig, форма ягодиц Mendieta (2007), пальцевый индекс 2D:4D Manning (1998, Human Reproduction) и другие. У каждой группы значений есть определение и ссылка на источник.

Сам датасет описательный, а не предсказательный. Наблюдения по каждому изображению фиксируют фенотипические признаки, видимые на исходных фотографиях; агрегаты по группам обобщают наблюдаемые распределения с явными оговорками. Мы не делаем причинных утверждений о связи фенотипа и генетики, не делаем предсказательных утверждений об этнической идентификации по фотографиям и не утверждаем, что распределения по группам репрезентативны для популяций.

Нет, и это явно исключённое применение. Датасет структурирован по изображениям, но подача, агрегаты и ограничения использования относятся к уровню групп. Фенотипическая изменчивость внутри этнических групп в значительной мере перекрывается с изменчивостью между группами: многие сочетания фенотипов встречаются одновременно в пяти и более этнических группах. Классификатор, построенный на средних по группам, имел бы серьёзные проблемы с точностью.

Что ещё важнее, вред от подобных применений хорошо задокументирован. Карточка датасета прямо запрещает индивидуальную классификацию, идентификацию и применение для слежки. Мы сознательно провели эту границу и поддерживаем её через лицензирование датасета и документацию о предполагаемом использовании.

Аннотация с помощью визуальной LLM выдаёт самооценку уверенности для каждого изображения (от 0.0 до 1.0). Средняя уверенность по корпусу из 5 668 изображений составляет 0,67. Распределение качества: 42% высокое, 39% среднее, 16% низкое, 3% очень низкое.

Внешняя калибровка точности по отдельным измерениям для этого промпта в масштабе не проводилась; мы рекомендуем фильтровать по условию image_quality IN ('high', 'medium') (это исключает ~19% строк) и для задач, требующих высокой точности, использовать дополнительный порог confidence > 0.55. Каждая строка содержит собственное значение уверенности, поэтому последующие пользователи могут применять свои фильтры.

Измерения отбирались по двум критериям: (a) наличие в устоявшихся рецензируемых шкалах; приоритет отдавался шкалам, подкреплённым специальной медицинской, антропометрической или эстетико-анатомической литературой, и (b) наблюдаемость на фото: для каждого измерения отмечено, можно ли оценить его по обычной фотографии и при каком минимальном кадрировании. Некоторые измерения (например, density_inference из BI-RADS, для которого нужна маммография) включены в схему ради академической полноты, но помечены как not_assessable и никогда не заполняются по фотографиям.

Датасет структурирован по изображениям, а не по индивидам как представителям этносов. Каждая строка изображения фиксирует фенотипические признаки, видимые на конкретной фотографии; слой агрегации показывает распределения по группам со значительным перекрытием между группами. Сочетание фенотипов человека смешанного происхождения может одновременно встречаться в нескольких распределениях по группам, и это правильно: так отражается реальность фенотипических распределений, а не их сведение к стереотипным модам.

Для генерации ИИ структура словаря по измерениям позволяет пользователям независимо переопределять отдельные измерения. Система может сгенерировать «женщина-чероки, но именно со светло-карими глазами» как переопределение одного измерения при выборке из распределения группы.

Расовая наука строится на сведении фенотипа к небольшому числу типологических категорий с якобы иерархическими отношениями и предполагаемым генетическим детерминизмом. Современная краниофациальная антропология делает обратное: многомерное описательное измерение, явное признание средовой изменчивости, фиксация индивидуальной вариативности вместо её сведения, никаких иерархических утверждений. Этот датасет работает во второй традиции.

Конкретный пример: измерение черепного указателя в файле head-shape.json использует категории долихоцефалия / мезоцефалия / брахицефалия, термины с задокументированной историей злоупотреблений в расовой типологии XIX века. Блок framing_caveats файла словаря прямо отмежёвывается от этой истории, ссылаясь на Boas 1912 (где была показана средовая изменчивость черепного указателя, подрывающая его использование как стабильного маркера классификации популяций), и ограничивает измерение клиническим / судебно-медицинским / индивидуально-описательным применением.

Источник наблюдений по изображениям: исключительно находящиеся в общественном достоянии фотографии из Wikipedia, на которых изображены известные люди. Фотографии отбираются через статьи Википедии «List of {Ethnicity} people» (где они есть) и связанные с ними биографические страницы Википедии. Изображения загружаются с upload.wikimedia.org и анализируются визуальной моделью Anthropic Claude Sonnet 4.6 на AWS Bedrock.

Каждая строка датасета сохраняет исходный URL проанализированного изображения, поэтому лицензию каждого изображения можно проверить, а анализ проверить построчно.

Рамка источника Wikipedia: «известные люди, для которых в Википедии есть статья-список людей X, с фотографией в их личной статье». Эта выборка смещена в сторону мужчин, публичной жизни (политики, учёные, спортсмены, артисты, исторические личности), англоязычного охвата и эпохи фотографии. Агрегатор показывает эту оговорку в каждой сводке по группе, на 100% основанной на Википедии (сейчас это все сводки). Будущие выпуски с изображениями, присланными пользователями, или со вторым источником из общественного достояния ослабят это смещение.

Система словаря и конвейер обработки открыты под лицензией Apache 2.0 в репозитории github.com/Agaveis/phenotype-catalog-pipeline; там приветствуются pull requests с уточнениями словаря, дополнительными ссылками на источники или улучшениями конвейера. Для исправления конкретных записей о группах на сайте напишите по адресу admin@agaveis.com.

Каталог возник как кураторский побочный проект платформы для авторов контента для взрослых, которой были нужны точные, этнически обоснованные промпты для генерации ИИ вместо стереотипных шаблонов, которые выдают большинство генераторов изображений. Структурированная таксономия оказалась значительно шире по охвату и строже, чем требовалось платформе, поэтому публичные материалы (датасет, словарь, статья о методологии) выпущены под свободными лицензиями для повторного использования кем угодно, включая академических исследователей, которые могут предпочесть зеркалировать датасет под другим брендом. Лицензии Apache 2.0 + CC BY 4.0 прямо разрешают такое использование.