🇺🇸 Peter Fernández Dulay

Peter Fernández Dulay é de Jacksonville, Flórida. O seu método foi deliberadamente simples. Selecionou quatro plataformas de geração de imagens por IA — Shutterstock, Canva, DALL·E e Midjourney — e cinco prompts de carreiras científicas: atuário, cientista de dados, analista de segurança da informação, analista de investigação operacional e cientista de investigação informática e da informação. Depois, gerou as imagens e codificou os resultados.

A contagem é a descoberta. Entre as imagens geradas, registou 1.459 que representavam homens contra 347 que representavam mulheres; apenas 17,4 por cento mostravam mulheres sozinhas. Ao comparar as plataformas, descobriu que o Shutterstock era o menos tendencioso das quatro e o Midjourney o mais tendencioso.

Este é um estudo que um estudante de pós-graduação poderia ter realizado, e a razão pela qual tem impacto é que poucas pessoas o tinham feito sobre a questão específica que uma criança de nove anos tinha colocado. Os geradores de imagens são treinados com imagens históricas extraídas da internet; as profissões na sua lista de prompts são aquelas em que a representação histórica tende a ser masculina; os modelos reproduzem o viés e apresentam-no como uma imagem do presente. Quantificar a lacuna por plataforma é o que transforma uma queixa em evidência.

Foi um dos trinta finalistas nacionais selecionados entre quase dois mil candidatos de quarenta e oito estados e quatro territórios dos Estados Unidos. O prémio de $10.000 que ganhou é um dos principais galardões do desafio.

A cobertura local pela WOKV em Jacksonville completou o resto: a origem do projeto na pergunta da sua irmã e o facto de ele ser um esgrimista de nível regional e membro da equipa de robótica da escola — um lembrete de que a investigação competitiva aos quinze anos é, geralmente, apenas uma das várias coisas que uma pessoa faz.

Os modelos de imagem generativa aprendem com o que já foi fotografado. Quando uma profissão foi documentada durante um século com um elenco tendencioso, o modelo herda o viés e devolve-o como uma resposta neutra a um prompt neutro. A literatura de investigação chama a isto dano representacional, e o método padrão para o medir é exatamente o aqui utilizado: fixar os prompts, gerar em volume e codificar a saída manualmente.

O Thermo Fisher Scientific Junior Innovators Challenge é a competição científica nacional dos Estados Unidos para alunos do ensino básico, gerida pela Society for Science, a mesma organização por trás do Regeneron Science Talent Search. Os finalistas são selecionados em feiras afiliadas a nível nacional e julgados pelo design experimental e raciocínio, em vez da sofisticação do equipamento, razão pela qual um estudo construído inteiramente com ferramentas públicas e codificação manual pode ganhar os seus principais prémios.

Numa entrevista à Society for Science publicada a 4 de junho de 2026, descreveu o que estava a construir a seguir: "Generations AI", um projeto comunitário para ensinar inteligência artificial a pessoas de diferentes idades em termos acessíveis e éticos. O seu conselho na mesma peça resumia-se a quatro palavras: se ele conseguiu, o leitor também consegue.