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

Resumo Técnico: Um Conjunto de Dados de Espécies Tropicais Cross-Domain com Nomes Vernáculos Chineses e Links de Origem CITES

Definição do Problema
A documentação sistemática da biodiversidade depende de grandes infraestruturas públicas (ex: GBIF, POWO, NCBI, Catalogue of Life) que são organizadas por reino ou clado. No entanto, domínios aplicados, como conformidade de comércio internacional, documentação alfandegária e criação de animais (hobbyist husbandry), exigem ontologias cross-domain que atravessem essas fronteiras biológicas. Três restrições específicas dificultam a criação de um recurso unificado para o comércio de espécies tropicais:

1. Fragmentação Estrutural: As infraestruturas existentes não expõem uma ontologia cross-domain alinhada com contextos de comércio e criação (ex: um único quadro regulatório para Orchidaceae, Potamotrygonidae e Testudinidae).
2. Dados Vernáculos Escassos e Não Verificados: Os nomes vernáculos chineses nos recursos internacionais são escassos, tipificados de forma desigual e muitas vezes carecem de metadados de proveniência que distingam fontes autoritativas de traduções automáticas ou contribuições da comunidade. Essa lacuna impede tarefas de processamento de linguagem natural em chinês para mineração de textos regulatórios.
3. Heterogeneidade de Licenciamento: As fontes de origem utilizam licenciamento misto (CC0, CC-BY, CC-BY-NC, termos customizados). A agregação de texto descritivo ou imagens dessas fontes cria restrições complexas de redistribuição, impedindo a criação de um conjunto de dados de licença única e reutilizável.

Metodologia
Os autores construíram um conjunto de dados versionado (snapshot de trabalho 2026-04-20) contendo 410.499 espécies tropicais ativas, delimitadas a três subdomínios: tropical_plants, tropical_aquatic e tropical_pets. A metodologia emprega uma estratégia de ingestão de "apenas identificadores" para navegar pelas restrições de licenciamento e adiciona três camadas originais sobre os identificadores de origem:

1. Ontologia Cross-Domain: Um mapeamento muitos-para-muitos que resegmenta os táxons ao longo de contextos de comércio e criação (ex: vinculando uma arraia de água doce tanto a "Aquários Ornamentais" quanto a "Comércio Regulamentado") em vez de clados biológicos estritos.
2. Camada Vernácula Chinesa com Tipologia de Proveniência:
   • Tipo A: Nomes de fontes nacionais autoritativas (ex: Flora of China, National Specimen Information Infrastructure).
   • Tipo B: Nomes de checklists legíveis por máquina focados na China (ex: Species 2000 China Node, TaiCOL).
   • Tipo C: Propostas de Modelos de Linguagem de Grande Escala (LLM) que passam por um rigoroso portão de validação de correspondência exata. O LLM propõe um nome chinês e um nome em inglês; o nome em inglês deve corresponder exatamente (normalizado) a uma entrada autoritativa para aquele identificador de espécie específico. Se a correspondência em inglês falhar, a proposta em chinês é rejeitada (Tipo D).
   • Tipo D: Propostas de LLM que falham na validação; excluídas da camada de contribuição original.
3. Camada de Vinculação de Origem CITES: Vincula cada táxon à sua entrada no Species+ através de um identificador estável e URL. Crucialmente, esta camada não redistribui valores de Apêndice ou datas de listagem, evitando assim problemas de direitos autorais enquanto permite que os usuários recuperem o status regulatório atual diretamente do Species+.

Reconciliação e Curadoria de Dados

• Reconciliação de Identificadores: O sistema funde identificadores de origem (GBIF, POWO, iNaturalist, NCBI, CoL, EOL) usando um sistema de votação ponderada para desambiguação de nomes. Conflitos são resolvidos pelo peso da fonte (ex: preferência por GBIF/POWO) ou revisão humana para táxons comercialmente importantes.
• Catraca de Curadoria (Curation Ratchet): Um invariante de produção garante que nenhuma regeneração de LLM sobrescreva um campo editado por humanos. As edições manuais são carimbadas com data/hora e o pipeline de sincronização pula a regeneração se uma edição manual for mais recente.
• Limite de Licença: As camadas de contribuição original não contêm texto descritivo, imagens ou registros de ocorrência brutos da origem. Elas consistem apenas em identificadores e conteúdo curado pela plataforma, permitindo a liberação sob CC-BY 4.0.

Resultos Principais

• Cobertura: O conjunto de dados alcança 99,50% de cobertura vernácula chinesa (408.456 de 410.499 táxons). Esta métrica caracteriza a completude (presença de um nome CJK distinto do binômio), não a precisão da tradução.
• Desempenho Comparativo: Comparado às infraestruturas internacionais de origem, o conjunto de dados oferece cobertura significativamente maior. Estimativas sugerem que o GBIF, iNaturalist e o Catalogue of Life cobrem apenas ~3,7%, ~8,5% e ~6,1%, respectivamente, do denominador do conjunto de dados, enquanto o POWO cobre apenas ~0,3%.
• Validação:
  • Auditoria de Licença: Confirmada a ausência de textos, imagens ou valores de Apêndice CITES protegidos por direitos autorais nas camadas originais.
  • Revisão Interna: Uma revisão preliminar de 50 registros validados por LLM (Tipo C) mostrou uma taxa de aceitação de ~90%, embora os autores observem que isso é insuficiente para uma afirmação de precisão forte sem uma revisão externa cega.
  • Vinculação CITES: Uma verificação pontual de 20 vínculos aleatórios confirmou o mapeamento correto para os registros do Species+.

Significância e Alegações
O artigo posiciona este recurso não como um substituto para as infraestruturas de biodiversidade existentes, mas como uma necessária camada de anotação e compilação que se assenta sobre seus grafos de identificadores. Sua significância reside em:

1. Ponte para o Gap de Comércio-Criação: Fornecer um quadro regulatório e comercial único para táxos distribuídos em fluxos de trabalho biológicos separados.
2. Habilitação de NLP em Chinês: Fornecer um conjunto de dados vernáculo chinês de alta cobertura e com proveniência etiquetada, essencial para o reconhecimento de entidades nomeadas e mineração de textos regulatórios em chinês, onde os dados de origem são escassos.
3. Licenciamento Sustentável: Demonstrar um modelo de agregação cross-domain que respeita a heterogeneidade de licenças de origem ao restringir as contribuições originais a referências de apenas identificadores e metadados curados, permitindo assim o reuso via CC-BY 4.0.

Os autores declaram explicitamente que o lançamento atual é um preprint (v1.0) descrevendo o estado do conjunto de dados. Eles reconhecem limitações, incluindo a necessidade de uma revisão externa cega dos nomes do Tipo C (N ≥ 500), auditorias independentes das fontes do Tipo B e junções precisas com bases de dados internacionais de denominador correspondente, que são identificadas como trabalhos futuros para uma submissão formal de Descritor de Dados (Data Descriptor).