Plataformas de vídeos curtos como o YouTube Shorts tornaram-se centrais na cultura digital moderna, levantando preocupações crescentes sobre a amplificação algorítmica de conteúdos sexualizados e seu impacto sobre o público infantojuvenil. Neste trabalho, apresentamos uma análise em larga escala de mais de 500.000 vídeos coletados exclusivamente do YouTube Shorts no Brasil, por meio de uma estratégia de recomendação em cold-start, abrangendo mais de 80.000 entradas únicas. A partir de uma amostra estratificada, extraímos cinco keyframes por vídeo e conduzimos um processo de moderação multimodal, combinando Google SafeSearch, OpenAI Moderation API e um classificador NSFW baseado em JavaScript para avaliar o apelo sexual visual. Esses keyframes, juntamente com as descrições dos vídeos, foram vetorizados e clusterizados para identificar padrões recorrentes de conteúdo, permitindo explorar como a sexualização se manifesta em diferentes categorias temáticas. Em paralelo, analisamos os metadados dos vídeos e os comentários dos usuários, utilizando classificadores zero-shot e ferramentas de moderação de mercado, para detectar percepções sociais de conteúdo sexualizado e outros riscos, como discurso de ódio, violência e assédio. Também treinamos um modelo supervisionado com os rótulos de moderação agregados para validar a confiabilidade das classificações. Por fim, ao cruzar os resultados da moderação com métricas de popularidade (como curtidas, visualizações e comentários), examinamos as dinâmicas de engajamento em torno de conteúdos sensíveis, revelando como percepções algorítmicas e sociais contribuem para a visibilidade e a normalização de mídias hipersexualizadas e potencialmente prejudiciais.