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

Technische Samenvatting: Een Cross-Domain Dataset van Tropische Soorten met Chinese Volksnamen en CITES-bronkoppelingen

Probleemstelling
De systematische documentatie van biodiversiteit steunt op grote publieke infrastructuren (bijv. GBIF, POWO, NCBI, Catalogue of Life) die zijn georganiseerd per rijk of clade. Echter, toegepaste domeinen zoals internationale handelsnaleving, douanedocumentatie en hobby-houderschap vereisen cross-domain ontologieën die de biologische grenzen overstijgen. Drie specifieke beperkingen hinderen de creatie van een verenigde bron voor de handel in tropische soorten:

1. Structurele Fragmentatie: Bestaande infrastructuren bieden geen cross-domain ontologie aan die is afgestemd op handels- en houdingscontexten (bijv. een enkel regelgevend kader voor Orchidaceae, Potamotrygonidae en Testudinidae).
2. Schaarse en Ongeverifieerde Volksnamen: Chinese volksnamen in internationale bronnen zijn schaars, ongelijkmatig getypeerd en missen vaak metadata over de herkomst, waardoor onderscheid tussen autoritatieve bronnen en machinevertalingen of bijdragen van de gemeenschap moeilijk is. Deze kloof belemmert taken voor natuurlijke taalverwerking in het Chinees bij het minen van regelgevende teksten.
3. Heterogeniteit in Licenties: Upstream-bronnen maken gebruik van gemengde licenties (CC0, CC-BY, CC-BY-NC, aangepaste voorwaarden). Het aggregeren van beschrijvende tekst of afbeeldingen van deze bronnen creëert complexe restricties voor herdistributie, wat de creatie van een dataset met een enkele licentie en herbruikbaarheid verhindert.

Methodologie
De auteurs hebben een versiebeheerbare dataset geconstrueerd (werkende snapshot 2026-04-20) met 410.499 actieve tropische soorten, afgebakend binnen drie subdomeinen: tropical_plants, tropical_aquatic en tropical_pets. De methodologie hanteert een "identifier-only" ingestingsstrategie om licentiebeperkingen te omzeilen en voegt drie originele lagen toe bovenop de upstream-identifiers:

1. Cross-Domain Ontologie: Een vele-op-vele mapping die taxa opnieuw segmenteert langs handels- en houdingscontexten (bijv. het koppelen van een zoetwaterroggen aan zowel "Ornamental Aquatics" als "Regulated Trade") in plaats van strikte biologische clades.
2. Chinese Volksnamenlaag met Provenance-typologie:
   • Type A: Namen van nationale autoritatieve bronnen (bijv. Flora of China, National Specimen Information Infrastructure).
   • Type B: Namen uit Chinese focus-georiënteerde machine-leesbare checklists (bijv. Species 2000 China Node, TaiCOL).
   • Type C: Voorstellen van Large Language Models (LLM's) die een strikte exact-match validatiepoort passeren. De LLM stelt een Chinese naam en een Engelse naam voor; de Engelse naam moet exact overeenkomen (genormaliseerd) met een autoritatieve vermelding voor die specifieke soort-identifier. Als de Engelse match faalt, wordt het Chinese voorstel afgewezen (Type D).
   • Type D: LLM-voorstellen die de validatie niet passeren; uitgesloten van de laag met originele bijdragen.
3. CITES Bronkoppelinglaag: Koppelt elke taxon aan de betreffende Species+ vermelding via een stabiele identifier en URL. Cruciaal is dat deze laag geen Appendix-waarden of publicatiedatums herdistribueert, waardoor auteursrechtelijke problemen worden vermeden terwijl gebruikers de huidige regelgevende status direct van Species+ kunnen ophalen.

Data-reconciliatie en Curatie

• Identifier-reconciliatie: Het systeem voegt upstream-identifiers (GBIF, POWO, iNaturalist, NCBI, CoL, EOL) samen met behulp van een gewogen stemmechanisme voor naam-disambiguatie. Conflicten worden opgelost op basis van bronweging (bijv. voorkeur voor GBIF/POWO) of menselijke review voor commercieel belangrijke taxa.
• Curatie-ratel: Een product-invariant garandeert dat geen enkele LLM-regeneratie een handmatig bewerkt veld overschrijft. Handmatige bewerkingen worden voorzien van een tijdstempel, en de synchronisatie-pipeline slaat regeneratie over als een handmatige bewerking recenter is.
• Licentiegrens: De lagen met originele bijdragen bevatten geen upstream beschrijvende tekst, afbeeldingen of ruwe voorkomstgegevens. Ze bestaan uitsluitend uit identifiers en door het platform gecureerde inhoud, waardoor ze beschikbaar kunnen worden gesteld onder CC-BY 4.0.

Belangrijkste Resultaten

• Dekking: De dataset bereikt een Chinese volksnamen-dekking van 99,50% (408.456 van de 410.499 taxa). Deze metriek karakteriseert volledigheid (aanwezigheid van een CJK-naam die verschilt van de binominale naam), niet de vertaalnauwkeurigheid.
• Vergelijkende Prestaties: Vergeleken met upstream internationale infrastructuren biedt de dataset een significant hogere dekking. Schattingen suggereren dat GBIF, iNaturalist en de Catalogue of Life respectievelijk slechts ~3,7%, ~8,5% en ~6,1% van de noemer van de dataset dekken, terwijl POWO slechts ~0,3% dekt.
• Validatie:
  • Licentie-audit: Bevestigde de afwezigheid van auteursrechtelijk beschermde upstream tekst, afbeeldingen of CITES Appendix-waarden in de originele lagen.
  • Interne Review: Een voorlopige review van 50 LLM-gevalideerde (Type C) records toonde een acceptatiepercentage van ~90%, hoewel de auteurs opmerken dat dit onvoldoende is voor een sterke precisieclaim zonder blinde externe review.
  • CITES Koppeling: Een steekproef van 20 willekeurige koppelingen bevestigde de correcte mapping naar Species+ records.

Betekenis en Claims
Het artikel positioneert deze bron niet als een vervanging voor bestaande biodiversiteitsinfrastructuren, maar als een noodzakelijke annotatie- en compilatielaag die bovenop hun identifier-grafen ligt. De betekenis ligt in:

1. Overbruggen van de Handels-Houdingskloof: Het bieden van een enkel regelgevend en commercieel kader voor taxa die verspreid zijn over aparte biologische workflows.
2. Faciliteren van Chinese NLP: Het leveren van een hoog-dekkende, met herkomst gemerkte Chinese volksnamen-dataset die essentieel is voor named-entity recognition en regelgevende tekstmining in het Chinees, waar upstream data schaars is.
3. Duurzame Licentiëring: Het demonstreren van een model voor cross-domain aggregatie dat de heterogeniteit van upstream-licenties respecteert door de originele bijdragen te beperken tot identifier-only referenties en gecureerde metadata, waardoor CC-BY 4.0 hergebruik mogelijk wordt.

De auteurs stellen expliciet dat de huidige release een preprint (v1.0) is die de staat van de dataset beschrijft. Zij erkennen beperkingen, waaronder de noodzaak voor een blinde externe review van Type C namen (N ≥ 500), onafhankelijke audits van Type B bronnen, en precieze denominator-gematchte joins met upstream internationale databases, die worden geïdentificeerd als toekomstig werk voor een formele Data Descriptor indiening.