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

Sintesi Tecnica: Un Dataset di Specie Tropicali Cross-Domain con Nomi Vernacolari Cinesi e Link alle Fonti CITES

Problematica
La documentazione sistematica della biodiversità si affida a grandi infrastrutture pubbliche (ad es., GBIF, POWO, NCBI, Catalogue of Life) che sono organizzate per regno o clade. Tuttavia, domini applicativi come la conformità al commercio internazionale, la documentazione doganale e l'allevamento per hobby richiedono ontologie cross-domain che attraversino questi confini biologici. Tre vincoli specifici ostacolano la creazione di una risorsa unificata per il commercio di specie tropicali:

1. Frammentazione Strutturale: Le infrastrutture esistenti non espongono un'ontologia cross-domain allineata ai contesti di commercio e allevamento (ad es., un unico quadro normativo per Orchidaceae, Potamotrygonidae e Testudinidae).
2. Dati Vernacolari Scarsi e Non Verificati: I nomi vernacolari cinesi nelle risorse internazionali sono scarsi, tipizzati in modo disomogeneo e spesso mancano di metadati di provenienza che distinguano le fonti autorevoli dalle traduzioni automatiche o dai contributi della comunità. Questa lacuna impedisce le attività di elaborazione del linguaggio naturale in lingua cinese per il text mining normativo.
3. Eterogeneità delle Licenze: Le fonti a monte utilizzano licenze miste (CC0, CC-BY, CC-BY-NC, termini personalizzati). L'aggregazione di testi descrittivi o immagini da queste fonti crea complesse restrizioni alla ridistribuzione, impedendo la creazione di un dataset con licenza singola e riutilizzabile.

Metodologia
Gli autori hanno costruito un dataset versionato (snapshot di lavoro 2026-04-20) contenente 410.499 specie tropicali attive, suddivise in tre subdomini: tropical_plants, tropical_aquatic e tropical_pets. La metodologia impiega una strategia di ingestione "solo identificatore" per navigare i vincoli di licenza e aggiunge tre livelli originali sopra gli identificatori a monte:

1. Ontologia Cross-Domain: Una mappatura molti-a-molti che ricontestualizza i taxa lungo i contesti di commercio e allevamento (ad es., collegando una razza di pesce incetta d'acqua dolce sia a "Ornamentali Acquatici" che a "Commercio Regolamentato") piuttosto che secondo rigidi cladi biologici.
2. Livello Vernacolare Cinese con Tipologia di Provenienza:
   • Tipo A: Nomi provenienti da fonti nazionali autorevoli (ad es., Flora of China, National Specimen Information Infrastructure).
   • Tipo B: Nomi provenienti da checklist leggibili dalle macchine focalizzate sulla Cina (ad es., Species 2000 China Node, TaiCOL).
   • Tipo C: Proposte di Large Language Models (LLM) che superano un rigoroso gate di validazione per corrispondenza esatta. L'LLM propone un nome cinese e un nome inglese; il nome inglese deve corrispondere esattamente (normalizzato) a una voce autorevole per quello specifico identificatore di specie. Se la corrispondenza inglese fallisce, la proposta cinese viene rifiutata (Tipo D).
   • Tipo D: Proposte di LLM che falliscono la validazione; escluse dal livello di contributo originale.
3. Livello di Collegamento alla Fonte CITES: Collega ogni taxon alla sua voce in Species+ tramite un identificatore stabile e un URL. Fondamentalmente, questo livello non ridistribuisce i valori degli Allegati o le date di inserimento, evitando così problemi di copyright pur permettendo agli utenti di recuperare lo stato normativo attuale direttamente da Species+.

Riconciliazione e Curatela dei Dati

• Riconciliazione degli Identificatori: Il sistema fonde gli identificatori a monte (GBIF, POWO, iNaturalist, NCBI, CoL, EOL) utilizzando un sistema di voto ponderato per la disambiguazione dei nomi. I conflitti vengono risolti in base al peso della fonte (ad es., preferenza per GBIF/POWO) o tramite revisione umana per taxa di importanza commerciale.
• Ratchet di Curatela: Un invariante di produzione garantisce che nessuna rigenerazione da LLM sovrascriva un campo modificato da un essere umano. Le modifiche manuali sono datate e la pipeline di sincronizzazione salta la rigenerazione se una modifica manuale è più recente.
• Confine di Licenza: I livelli di contributo originale non contengono testi descrittivi, immagini o record di occorrenza grezzi provenienti da fonti esterne. Essi consistono esclusivamente di identificatori e contenuti curati dalla piattaforma, consentendo il rilascio sotto CC-BY 4.0.

Risultati Chiave

• Copertura: Il dataset raggiunge una copertura vernacolare cinese del 99,50% (408.456 di 410.499 taxa). Questa metrica caratterizza la completezza (presenza di un nome CJK distinto dal binomio), non l'accuratezza della traduzione.
• Prestazioni Comparative: Rispetto alle infrastrutture internazionali a monte, il dataset offre una copertura significativamente più alta. Le stime suggeriscono che GBIF, iNaturalist e il Catalogue of Life coprono solo circa il 3,7%, l'8,5% e il 6,1% rispettivamente del denominatore del dataset, mentre POWO copre solo lo ~0,3%.
• Validazione:
  • Audit della Licenza: Confermata l'assenza di testi, immagini o valori di Allegato CITES protetti da copyright nei livelli originali.
  • Revisione Interna: Una revisione preliminare di 50 record validati da LLM (Tipo C) ha mostrato un tasso di accettazione del ~90%, sebbene gli autori notino che ciò non è sufficiente per una forte affermazione di precisione senza una revisione esterna in cieco.
  • Collegamento CITES: Un controllo a campione di 20 collegamenti casuali ha confermato la corretta mappatura ai record di Species+.

Significato e Rivendicazioni
Il paper posiziona questa risorsa non come un sostituto delle infrastrutture di biodiversità esistenti, ma come uno strato di annotazione e compilazione necessario che si pone sopra i loro grafi di identificatori. Il suo significato risiede in:

1. Colmare il Divario Commercio-Allevamento: Fornire un unico quadro regolatorio e commerciale per i taxa distribuiti in separati workflow biologici.
2. Abilitare l'NLP Cinese: Fornire un dataset vernacolare cinese ad alta copertura e con provenienza tracciata, essenziale per il riconoscimento delle entità nominate (NER) e il text mining normativo in cinese, dove i dati a monte sono scarsi.
3. Licenza Sostenibile: Dimostrare un modello di aggregazione cross-domain che rispetta l'eterogeneità delle licenze a monte limitando i contributi originali a riferimenti di soli identificatori e metadati curati, consentendo così il riutilizzo CC-BY 4.0.

Gli autori dichiarano esplicitamente che l'attuale rilascio è una preprint (v1.0) che descrive lo stato del dataset. Essi riconoscono i limiti, inclusa la necessità di una revisione esterna in cieco per i nomi di Tipo C (N ≥ 500), audit indipendenti delle fonti di Tipo B e join con denominatore preciso con i database internazionali a monte, che sono identificati come lavori futuri per una sottomissione formale come Data Descriptor.