A cross-domain tropical species dataset with Chinese vernacular names and CITES source links

Resumen Técnico: Un Conjunto de Datos de Especies Tropicales de Dominios Cruzados con Nombres Vernáculos Chinos y Enlaces de Origen CITES

Planteamiento del Problema
La documentación sistemática de la biodiversidad depende de grandes infraestructuras públicas (p. ej., GBIF, POWO, NCBI, Catalogue of Life) que están organizadas por reino o clado. Sin embargo, dominios aplicados como el cumplimiento del comercio internacional, la documentación aduanera y la cría por afición requieren ontologías de dominios cruzados que atraviesen estas fronidades biológicas. Tres restricciones específicas dificultan la creación de un recurso unificado para el comercio de especies tropicales:

1. Fragmentación Estructural: Las infraestructuras existentes no exponen una ontología de dominio cruzado alineada con contextos de comercio y cría (p. ej., un marco regulatorio único para Orchidaceae, Potamotrygonidae y Testudinidae).
2. Datos Vernáculos Escasos y No Verificados: Los nombres vernáculos chinos en los recursos internacionales son escasos, están tipificados de manera desigual y a menudo carecen de metadatos de procedencia que distingan las fuentes autorizadas de las traducciones automáticas o las contribuciones de la comunidad. Esta brecha impide las tareas de procesamiento de lenguaje natural en chino para la minería de textos regulatorios.
3. Heterogeneidad de Licencias: Las fuentes ascendentes utilizan licencias mixtas (CC0, CC-BY, CC-BY-NC, términos personalizados). La agregación de texto descriptivo o imágenes de estas fuentes crea restricciones de redistribución complejas, lo que impide la creación de un conjunto de datos de licencia única y reutilizable.

Metodología
Los autores construyeron un conjunto de datos versionado (instantánea de trabajo 2026-04-20) que contiene 410.499 especies tropicales activas, delimitadas en tres subdominios: tropical_plants (plantas tropicales), tropical_aquatic (acuáticos tropicales) y tropical_pets (mascotas tropicales). La metodología emplea una estrategia de ingesta de "solo identificadores" para navegar las restricciones de licencia y añade tres capas originales sobre los identificadores ascendentes:

1. Ontología de Dominio Cruzado: Un mapeo de muchos a muchos que resegmenta los taxones a lo largo de contextos de comercio y cría (p. ej., vinculando una raya de agua dulce tanto a "Acuáticos Ornamentales" como a "Comercio Regulado") en lugar de clados biológicos estrictos.
2. Capa de Nombres Vernáculos Chinos con Tipología de Procedencia:
   • Tipo A: Nombres de fuentes nacionales autorizadas (p. ej., Flora of China, National Specimen Information Infrastructure).
   • Tipo B: Nombres de listas de verificación legibles por máquina centradas en China (p. ej., Species 2000 China Node, TaiCOL).
   • Tipo C: Propuestas de Modelos de Lenguaje Extensos (LLM) que pasan una estricta puerta de validación de coincidencia exacta. El LLM propone un nombre chino y un nombre inglés; el nombre inglés debe coincidir exactamente (normalizado) con una entrada autorizada para ese identificador de especie específico. Si la coincidencia en inglés falla, la propuesta en chino es rechazada (Tipo D).
   • Tipo D: Propuestas de LLM que fallan la validación; excluidas de la capa de contribución original.
3. Capa de Vinculación de Origen CITES: Vincula cada taxón con su entrada de Species+ mediante un identificador estable y una URL. Crucialmente, esta capa no redistribuye los valores de los Apéndices ni las fechas de listado, evitando así problemas de derechos de autor mientras permite a los usuarios recuperar el estado regulatorio actual directamente desde Species+.

Reconciliación y Curación de Datos

• Reconciliación de Identificadores: El sistema fusiona identificadores ascendentes (GBIF, POWO, iNaturalist, NCBI, CoL, EOL) utilizando un sistema de votación ponderada para la disambiguación de nombres. Los conflictos se resuelven por peso de la fuente (p. ej., se prefiere GBIF/POWO) o mediante revisión humana para taxones de importancia comercial.
• Trinquete de Curación (Curation Ratchet): Un invariante de producción asegura que ninguna regeneración de LLM sobrescriba un campo editado por humanos. Las ediciones manuales están con marca de tiempo y el flujo de sincronización omite la regeneración si una edición manual es más reciente.
• Límite de Licencia: Las capas de contribución original no contienen texto descriptivo, imágenes ni registros de ocurrencia ascendentes. Consisten únicamente en identificadores y contenido curado por la plataforma, lo que permite su publicación bajo CC-BY 4.0.

Resultados Clave

• Cobertura: El conjunto de datos logra una cobertura de nombres vernáculos chinos del 99,50% (408.456 de 410.499 taxones). Esta métrica caracteriza la completitud (presencia de un nombre CJK distinto del binomio), no la precisión de la traducción.
• Desempeño Comparativo: En comparación con las infraestructuras internacionales ascendentes, el conjunto de datos ofrece una cobertura significativamente mayor. Las estimaciones sugieren que GBIF, iNaturalist y el Catalogue of Life cubren solo aproximadamente el 3,7%, el 8,5% y el 6,1% respectivamente del denominador del conjunto de datos, mientras que POWO cubre solo aproximadamente el 0,3%.
• Validación:
  • Auditoría de Licencia: Se confirmó la ausencia de texto, imágenes o valores de Apéndice de CITES protegidos por derechos de autor en las capas originales.
  • Revisión Interna: Una revisión preliminar de 50 registros validados por LLM (Tipo C) mostró una tasa de aceptación del ~90%, aunque los autores señalan que esto es insuficiente para una afirmación sólida de precisión sin una revisión externa ciega.
  • Vinculación CITES: Una comprobación aleatoria de 20 vínculos confirmó el mapeo correcto a los registros de Species+.

Significancia y Reivindicaciones
El artículo posiciona este recurso no como un reemplazo de las infraestructuras de biodiversidad existentes, sino como una capa de anotación y compilación necesaria que se asienta sobre sus grafos de identificadores. Su importancia radica en:

1. Cerrar la Brecha Comercio-Cría: Proporcionar un marco regulatorio y comercial único para los taxones distribuidos en flujos de trabajo biológicos separados.
2. Habilitar el NLP en Chino: Suministrar un conjunto de datos de nombres vernáculos chinos de alta cobertura y con etiquetas de procedencia, esencial para el reconocimiento de entidades nombradas y la minería de textos regulatorios en chino, donde los datos ascendentes son escasos.
3. Licencia Sostenible: Demostrar un modelo de agregación de dominios cruzados que respeta la heterogeneidad de las licencias ascendentes al restringir las contribuciones originales a referencias de solo identificadores y metadatos curados, permitiendo así la reutilización bajo CC-BY 4.0.

Los autores declaran explícitamente que la versión actual es un preprint (v1.0) que describe el estado del conjunto de datos. Reconocen limitaciones, incluyendo la necesidad de una revisión externa ciega de los nombres de Tipo C (N ≥ 500), auditorías independientes de las fuentes de Tipo B y uniones precisas con denominadores coincidentes con las bases de datos internacionales ascendentes, las cuales se identifican como trabajo futuro para una entrega formal de Descriptor de Datos.