Comparação entre modelos de CNNs para estimação étnico-racial da classe política brasileira

Abstract

Resumo: A sub-representação de pretos e pardos na política brasileira é um problema histórico, cuja análise é dificultada pela ausência de dados raciais de candidatos antes de 2014. Este artigo explora o uso de Redes Neurais Convolucionais (CNNs) para estimar a etnia de políticos brasileiros a partir de fotos de urna, visando preencher essa lacuna. Comparamos cinco arquiteturas de CNN (VGG-19, ResNet-50, Fair Face ResNet-34, MobileNet-V2 e RGCNN) em cenários de classificação binária (branco/não branco) e ternária (branco/pardo/preto). Os resultados indicam que, no cenário binário, o modelo customizado RGCNN obteve o melhor desempenho (BACC de 0.746), demonstrando a viabilidade da classificação em duas classes. No entanto, a classificação ternária mostrou-se mais desafiadora, com o MobileNet-V2 alcançando o melhor resultado (BACC de 0.636), evidenciando a dificuldade de capturar as nuances do espectro racial brasileiro. O estudo conclui que, embora promissora, a classificação racial automatizada requer um debate ético aprofundado e o desenvolvimento de modelos mais justos e precisos para evitar a perpetuação de vieses

Abstract: The underrepresentation of Black and Brown people in Brazilian politics is a historical problem, the analysis of which is hampered by the absence of racial data for candidates prior to 2014. This article explores the use of Convolutional Neural Networks (CNNs) to estimate the ethnicity of Brazilian politicians from their ballot photos, aiming to fill this data gap. We compare five CNN architectures (VGG-19, ResNet-50, Fair Face ResNet-34, MobileNet-V2, and RGCNN) in binary (White/Non-White) and ternary (White/Brown/Black) classification scenarios. The results indicate that in the binary scenario, the custom RGCNN model achieved the best performance (BACC of 0.746), demonstrating the feasibility of two-class classification. However, the ternary classification proved more challenging, with MobileNet-V2 achieving the best result (BACC of 0.636), highlighting the difficulty of capturing the nuances of the Brazilian racial spectrum. The study concludes that, although promising, automated racial classification requires a thorough ethical debate and the development of fairer and more accurate models to avoid perpetuating biases