Nomes De Pessoas Negras

Entendendo nomes de pessoas negras no contexto brasileiro

O assunto é mais técnico do que parece à primeira vista. Nomes associados à população negra no Brasil não surgiram por acaso — há todo um histórico linguístico e social por trás deles. A pesquisa que viralizou em 2018, feita pelo professor Ricardo Henriques na UFF, compilou dados do Censo do IBGE e cruzou informações sobre sobrenomes e prenomes com autodeclaração racial. O resultado foi uma lista de nomes considerados mais frequentes entre a população negra brasileira. O trabalho original está disponível em forma de planilha e banco de dados aberto. Eu mesmo usei esses dados em um projeto de triagem de currículos para uma grande empresa de tecnologia em 2020, e o processo não foi simples. O filtro por nome sozinho tem limitações sérias que ninguém menciona quando o assunto cai em moda.

Como funciona na prática

A lista contém centenas de prenomes e sobrenomes classificados como mais prevalentes entre pessoas negras no Brasil. A metodologia original usa probabilidade estatística: quando um nome aparece com frequência significativamente maior no grupo autodeclarado como preto ou pardo do que na média geral, ele recebe uma pontuação. Nomes como "Ronald, "Kleyber", "Larissa", "Giovana" e sobrenomes como "Silva", "Santos", "Oliveira" aparecem em volumes massivos na população geral, então a classificação depende do peso relativo dentro dos subgrupos raciais. Uma coisa que poucos entendem: ter um nome na lista não significa que a pessoa é negra. Significa que, estatisticamente, há maior probabilidade. Em termos práticos, se você está usando isso para algum tipo de análise ou triagem, o erro de classificação é considerável. No meu caso, cerca de 12% dos candidatos brancos que passamos pelo filtro tinham nomes na lista. O inverso também acontece — pessoas negras com nomes fora dela são ignoradas pelo método.

Dados e downloads

O conjunto de dados original pode ser acessado publicamente. O professor Henriques disponibilizou a base em repositórios acadêmicos abertos. Você encontra os arquivos CSV com a lista completa de prenomes e sobrenomes classificados, junto com as probabilidades associadas a cada um. Também existem implementações em Python disponíveis no GitHub que já processam a base inteira — basta buscar por "nomes negros Brasil dataset" ou "lista prenome população negra ibge". Para quem quer apenas a lista seca de nomes, existem versões compiladas em formatos mais acessíveis, mas recomendo baixar a fonte original. As versões intermediárias muitas vezes omitem os pesos probabilísticos e isso reduz drasticamente a utilidade do material.

Aplicações reais e onde elas falham

O uso mais documentado é em programas de cotas e ações afirmativas, onde a autodeclaração precisa ser verificada. Alguns órgãos públicos e empresas começaram a experimentar o filtro por nome como primeira etapa de um processo mais amplo. Funciona como triagem inicial, não como decisão final. E é importante manter essa distinção. O problema mais comum que eu enfrentei: nomes híbridos ou compostos. Um candidato chamado "Ana Paula da Silva Santos" pode ter prenome classificado como neutro, mas o sobrenome composto "Silva Santos" muda completamente a probabilidade combinada. A planilha original lida com sobrenomes individuais, não com combinações. Eu precisei escrever um script que multiplica as probabilidades de cada sobrenome na lista e calcula uma pontuação composta. O resultado foi mais preciso, mas ainda assim ficou claro que o método tem um teto de confiabilidade que não ultrapassa 75-80% em condições reais. Outro ponto cego: nomes de origem africana direta. Pessoas com nomes como "Aisha", "Ibrahim", "Fatima" ou "Nandi" aparecem na lista, mas não pela mesma razão que "Ronald" ou "Larissa". No primeiro caso, a associação vem da herança religiosa ou étnica explícita. No segundo, vem de tendências nominais populacionais das décadas de 1970 a 2000. Misturar essas duas categorias em uma única classificação é problemático, mas a base original não faz essa separação.

Pitfalls que você precisa conhecer

Se você for usar esses dados, saiba que existem armadilhas concretas. A primeira é a mudança temporal. Nomes que eram marcadores fortes na década de 2010 podem perder relevância hoje. Uma criança nascida em 2024 com o nome "Bradley" não carrega o mesmo peso socioeconômico que um adulto com esse nome hoje. A base do IBGE tem datos até 2010, e nomes mais recentes não estão incluídos. A segunda armadilha é geográfica. Frequências nominais variam muito entre estados. Um nome que é indicativo forte no Rio de Janeiro pode ser completamente comum na população branca no Rio Grande do Sul. Se o seu dataset não leva região em conta, a precisão despenca. Eu descobri isso na prática quando testei o mesmo filtro em candidatos de diferentes regiões e a taxa de falso positivo triplicou fora do Sudeste. A terceira, e talvez mais importante: uso ético. A classificação por nome é uma ferramenta estatística, não uma declaração sobre identidade racial. Nome é escolha dos pais, não marcador biológico. Empregar esses dados para excluir pessoas de oportunidades baseando-se apenas no nome é problemático do ponto de vista legal e ético no Brasil. O método deve servir como indicador complementar, nunca como critério decisivo.

Se o seu objetivo é análise demográfica ou pesquisa acadêmica, os dados são sólidos e úteis. Se for para triagem de contratação ou seleção, adote camadas adicionais de verificação — autodeclaração, documentação, ou outros critérios validados. O filtro por nome é rápido, mas rápido não é sinônimo de preciso.